SPSS進行主成分分析

實驗七、利用SPSS進行主成分分析【例子】以全國31個省市的8項經(jīng)濟指標(biāo)為例，進行主成分分析。第一步：錄入或調(diào)入數(shù)據(jù)（圖1）。背份I國內(nèi)生產(chǎn)居民涓夷1固定資產(chǎn)職二工資貨物周轉(zhuǎn)I消費忻格I商品零售二業(yè)產(chǎn)悄1北京139^1.092^05.JOG19.31014400372.SOP7.3C112.CO043.432大津92C/12720.DO345.436501CO3^2.E0LE.2C110.GO582.513河北284C-.521268.DO704.87^3JCO2023.：aPE.2C116.8012B4.S641d1092.4E1250.DO230.33^721CO717.20PE.9C115.60G37.255032.381337.DOJbU.JJQ34UJrtl.^UIV.5L116.00419.396遼寧UdUr.JU387.99SU」13/1./Uri=/L1I^.UU1840.5671IJL.JL320.45心」LU比上￡Urt.JL1|￡.IU心.4「y刖丄亠2J3^.JU4如心丄屁UJrt/L1IGU1240.379上活2462.675J43.JUUJU.4JIL/JUJ2Q7.40rt.,'L113.UU1642.9610江蘇5155.25UJb.JU1434.95694JUU山上上Ll115.801H.3U11126.6411浙江2249.JU1006.39GG19.00■-M7-U116.60113.oUyib.sy12安機2003.69IJb/.JU■VI」」4LUU」90S.30r^i.yi1IJ7Uyji.ii132160.522320.DO553.975357W609.3D115.2D114.40433.6714江西iJUt.-l11H2.JU2S2.S41LU■<Tl./Uit.yi116.yu6/I.J-115止擊5002.3^11527.DO1229.55S145W1195.60I17.6D114.2022J7.S915河崗3002.7^11034.DO570.354344W1574.^0I16.6D114.901^7.3217jjyl.-LIbJ/.川571,6B■<tablu丄uI2L.UL1Ib.bUI22U./218湖南2195.701408.DO422.614797Winri.aoI19.0D115.5084S.SS13廣韋5381.722599.DO1539.838233W655.50\1A.W111.601336.3520廣西1bUt/tIdU.JU6'IUbLU666丄Li118.401lb.1U分13213GJ.171814.DO198.356340JZO232.10113.50111.3064.3322匹川353J.001261.00822.544G45JZO902.30118.50117.001431.3123貴州63C.07912.30150.31￡<75CO3CI.IOI2I.1C117.2032172241200.631261.DO334.0D6149JZO310.JO121.30118.10716.652556.9a1110.DO17.877382JZO4.20117.30114.905.5726innrn：l?riRin3Q027丄：qmm可nunI1Cnr117nnBQ09827r|.需653.351007.00114.81E』33[n5D7.0D119.8D116.604687928165.311445.0047.7B6753m61.60118.00116.301Q6.8029寧亙169751365m21刖5079m■；1FnI'7T115.30114.403083J.571469.0037B.955348m339.00119.7D11B.7D428.76圖1原始數(shù)據(jù)（未經(jīng)標(biāo)準(zhǔn)化）第二步：打開“因子分析”對話框。沿著主菜單的“Analyze—DataReduction^Factor”的路徑（圖2）打開因子分析選項框（圖3）。旨全國3D牛睿帀區(qū)經(jīng):Sf發(fā)展的8項指標(biāo)-5P55DataEditors\里J幻|c|聞6s\里J幻|c|聞6省份國內(nèi)生產(chǎn)1北京1394.E2天津920.13河北2849.EI4山西1092.J5內(nèi)蒙832.E6遼寧2793<FileEditViewDataTransformAnalyzeGraphsUtilitiesWindowHelpReports 卜DescriptiveStatistics卜CompareMeans卜GeneralLinearModel卜Correlate 卜Regression 卜匚lassiFi： 卜DataReduction5cale 卜NonparametricTemIim卜MultipleResponse 卜匚職工工資1B144.0066501.00F日匚thin : ■CT.uu34134.00'94911.00圖2打開因子分析對話框的路徑IFactorAnalysis2d產(chǎn)費產(chǎn)資轉(zhuǎn)格售值生消資工周價零產(chǎn)份內(nèi)民定工物費品業(yè)習(xí)國居固職賃消商T型參步莎莎穢戰(zhàn)步莎Variables：Descriptives... SelectionVariable：

ra IFactorAnalysis2d產(chǎn)費產(chǎn)資轉(zhuǎn)格售值生消資工周價零產(chǎn)份內(nèi)民定工物費品業(yè)習(xí)國居固職賃消商T型參步莎莎穢戰(zhàn)步莎Variables：Descriptives... SelectionVariable：

ra Value...IExtraction...Rotation...Scores...Options...圖3因子分析選項框第三步：選項設(shè)置。首先，在源變量框中選中需要進行分析的變量，點擊右邊的箭頭符號，將需要的變量調(diào)入變量（Variables）欄中（圖3）。在本例中，全部8個變量都要用上，故全部調(diào)入（圖4）。因無特殊需要，故不必理會“Va^e”欄。下面逐項設(shè)置。2S1Variables：SelectionVariable:Value...I產(chǎn)費產(chǎn)資轉(zhuǎn)格售值生消資工周價零產(chǎn)內(nèi)民定工物費品業(yè)國居固職貨消商〒2S1Variables：SelectionVariable:Value...I產(chǎn)費產(chǎn)資轉(zhuǎn)格售值生消資工周價零產(chǎn)內(nèi)民定工物費品業(yè)國居固職貨消商〒Extraction...Rotation... Scores... Options...Extraction...Rotation... Scores... Options...圖4將變量移到變量欄以后設(shè)置Descriptives描述選項。單擊Descriptives按鈕（圖4），彈出Descriptives對話框（圖5）。

FactorAnalysis:DescriptivesStaticcs1^UnivariatedescriptivesFinitialsolution2SJCorrelationMatrix—2SJ皆Coefficients廠Significancelevels磧DeterminantI-InverseI-Inverse廠ReproducedI-Anti-image圖5描述選項框在Statistics統(tǒng)計欄中選中Univariatedescriptives復(fù)選項，則輸出結(jié)果中將會給出原始數(shù)據(jù)的抽樣均值、方差和樣本數(shù)目（這一欄結(jié)果可供檢驗參考）;選中Initialsolution復(fù)選項，則會給出主成分載荷的公因子方差（這一欄數(shù)據(jù)分析時有用）。在CorrelationMatrix欄中，選中Coefficients復(fù)選項，則會給出原始變量的相關(guān)系數(shù)矩陣（分析時可參考）;選中Determinant復(fù)選項，則會給出相關(guān)系數(shù)矩陣的行列式，如果希望在Excel中對某些計算過程進行了解，可選此項，否則用途不大。其它復(fù)選項一般不用，但在特殊情況下可以用到（本例不選）。設(shè)置完成以后，單擊Continue按鈕完成設(shè)置（圖5）。設(shè)置Extraction選項。打開Extraction對話框（圖6）。因子提取方法主要有7種，在Method欄中可以看到，系統(tǒng)默認(rèn)的提取方法是主成分（PrincipalComponents）,因此對此欄不作變動，就是認(rèn)可了主成分分析方法。在Analyze欄中，選中Correlationmatrix復(fù)選項，則因子分析基于數(shù)據(jù)的相關(guān)系數(shù)矩陣進行分析;如果選中Covariancematrix復(fù)選項，則因子分析基于數(shù)據(jù)的協(xié)方差矩陣進行分析。對于主成分分析而言，由于數(shù)據(jù)標(biāo)準(zhǔn)化了，這兩個結(jié)果沒有分別，因此任選其一即可。在Display欄中，選中Unrotatedfactorsolution（非旋轉(zhuǎn)因子解）復(fù)選項，則在分析結(jié)果中給出未經(jīng)旋轉(zhuǎn)的因子提取結(jié)果。對于主成分分析而言,這一項選擇與否都一樣;對于旋轉(zhuǎn)因子分析，選擇此項，可將旋轉(zhuǎn)前后的結(jié)果同時給出，以便對比。選中ScreePlot（“山麓”圖），則在分析結(jié)果中給出特征根按大小分布的折線圖（形如山麓截面，故得名），以便我們直觀地判定因子的提取數(shù)量是否準(zhǔn)確。在Extract欄中，有兩種方法可以決定提取主成分（因子）的數(shù)目。一是根據(jù)特征根（Eigenvalues）的數(shù)值，系統(tǒng)默認(rèn)的是九=1。我們知道，在主成分分析中，主成分得c分的方差就是對應(yīng)的特征根數(shù)值。如果默認(rèn)九=1,則所有方差大于等于1的主成分將被c保留，其余舍棄。如果覺得最后選取的主成分?jǐn)?shù)量不足，可以將九值降低,例如取九=0.9；如果認(rèn)為最后的提取的主成分?jǐn)?shù)量偏多，則可以提高九值，例如取九=1.1。c c c主成分?jǐn)?shù)目是否合適，要在進行一輪分析以后才能肯定。因此，特征根數(shù)值的設(shè)定，要在反復(fù)試驗以后才能決定。一般而言，在初次分析時，最好降低特征根的臨界值（如取

九二0.8），這樣提取的主成分將會偏多，根據(jù)初次分析的結(jié)果，在第二輪分析過程中c可以調(diào)整特征根的大小。第二種方法是直接指定主成分的數(shù)目即因子數(shù)目，這要選中Numberoffactors復(fù)選項。主成分的數(shù)目選多少合適？開始我們并不十分清楚。因此，首次不妨將數(shù)值設(shè)大一些，但不能超過變量數(shù)目。本例有8個變量，因此，最大的主成分提取數(shù)目為8,不得超過此數(shù)。在我們第一輪分析中,采用系統(tǒng)默認(rèn)的方法提取主成分。圖6提取對話框需要注意的是:主成分計算是利用迭代（Iterations）方法，系統(tǒng)默認(rèn)的迭代次數(shù)是25次。但是，當(dāng)數(shù)據(jù)量較大時，25次迭代是不夠的，需要改為50次、100次乃至更多。對于本例而言，變量較少，25次迭代足夠,故無需改動。設(shè)置完成以后，單擊Continue按鈕完成設(shè)置（圖6）。設(shè)置Scores設(shè)置。選中Saveasvariables欄，則分析結(jié)果中給出標(biāo)準(zhǔn)化的主成分得分（在數(shù)據(jù)表的后面）。至于方法復(fù)選項，對主成分分析而言，三種方法沒有分別，采用系統(tǒng)默認(rèn)的“回歸”（Regression）法即可。圖7因子得分對話框選中Displayfactorscorecoefficientmatrix,則在分析結(jié)果中給出因子得分系數(shù)矩陣及其相關(guān)矩陣。設(shè)置完成以后，單擊Continue按鈕完成設(shè)置（圖7）。其它。對于主成分分析而言，旋轉(zhuǎn)項（Rotation）可以不必設(shè)置;對于數(shù)據(jù)沒有缺失的情況下,Option項可以不必理會。全部設(shè)置完成以后，點擊0K確定,SPSS很快給出計算結(jié)果（圖8）。FactorAnalysisDKcrlptiwStatisticsMeanStd.Deviaticn月rial陽5N主K三〒L921.093K74.aC6D330居民消費05.9990GL6419930511.93634D2.aBS^B30P1'■/'5457.6331310.218D530edfi.MCO302.02531II商品零害.9067L.affiDS30丄泊E62P3EO504.5872630CorrdatiotnMatrix刃丄7嚴(yán)同嚴(yán)產(chǎn)職TT占商品頁音一產(chǎn)乍Zu-.LUj- 國內(nèi)生產(chǎn)1.000.267?此1,191-.273-.E&4.374，古土汨非.267i.mo.斗26.710-.151-.235.3E3固竝產(chǎn).951.4261.DC0.4D0.431-.230.792開丁T許.191.710■4CDL.ODO-.356-.135-.53?■1D4覽物周轉(zhuǎn).617-.151■陽1-.3561.000-.253■02Z.&59亠幵li壞-.273-.235?.2圧1-.195-.2531.1X0.763-.1右商品零售-.264-.393-.539.022.763l.nm-.152嚴(yán)?直.874.363.792.104.659-.125-192lJliDHa.DetEfmria-it二1A33E<I4圖8主成分分析的結(jié)果第四步，結(jié)果解讀。在因子分析結(jié)果（0utput）中，首先給出的DescriptiveStatistics,第一列Mean對應(yīng)的變量的算術(shù)平均值，計算公式為X=1Hxjnij

i=1第二列Std.Deviation對應(yīng)的是樣本標(biāo)準(zhǔn)差，計算公式為b=工（X-X）2]1/2jn—1 ij ji=1第三列AnalysisN對應(yīng)是樣本數(shù)目。這一組數(shù)據(jù)在分析過程中可作參考。

DescriptiveStatisticsMeanStd.DeviationAnalysisN國內(nèi)生產(chǎn)1921.0931474.8060330居民消費1745.933861.6419330固定資產(chǎn)511.5083402.8854830職工工資5457.6331310.2180530貨物周轉(zhuǎn)666.1400459.9669930消費價格117.28672.0253130商品零售114.90671.8980830工業(yè)產(chǎn)值862.9980584.5872630接下來是CorreiationMatrix（相關(guān)系數(shù)矩陣），一般而言，相關(guān)系數(shù)高的變量，大多會進入同一個主成分，但不盡然，除了相關(guān)系數(shù)外，決定變量在主成分中分布地位的因素還有數(shù)據(jù)的結(jié)構(gòu)。相關(guān)系數(shù)矩陣對主成分分析具有參考價值,畢竟主成分分析是從計算相關(guān)系數(shù)矩陣的特征根開始的。相關(guān)系數(shù)陣下面的Determinant=l.133E—0.4是相關(guān)矩陣的行列式值，根據(jù)關(guān)系式det@I-R）二0可知，det（〃）=det（R），從而Determinant=1.133E-0.4=2*2*2*2*2*2*2*2。這一點在后面1 2 3 4 5 6 7 8將會得到驗證。CoirelationMatrix國內(nèi)生產(chǎn)居民消費固定資產(chǎn)職工工資貨物周轉(zhuǎn)消費價格商品零售工業(yè)產(chǎn)值國內(nèi)生產(chǎn)1.000.267.951.191.617-.273-.264.874居民消費.2671.000.426.718-.151-.235-.593.363固定資產(chǎn).951.4261.000.400.431-.280-.359.792職工工資.191.718.4001.000-.356-.135-.539.104貨物周轉(zhuǎn).617-.151.431-.3561.000-.253.022.659消費價格-.273-.235-.280-.135-.2531.000.763-.125商品零售-.264-.593-.359-.539.022.7631.000-.192工業(yè)產(chǎn)值.874.363.792.104.659-.125-.1921.000a.Determinant=1.133E-04在Communalities中，給出了因子載荷陣的初始主成分方差（Initial）和提取主成分方差（Extraction），后面將會看到它們的含義。CommunalitiesInitialExtraction國內(nèi)生產(chǎn)1.000.945居民消費1.000.800固定資產(chǎn)1.000.902職工工資1.000.875貨物周轉(zhuǎn)1.000.857消費價格1.000.957商品零售1.000.929工業(yè)產(chǎn)值1.000.903ExtractionMethod:PrincipalComponentAnalysis.

在TotalVarianceExplained(全部解釋方差)表的InitialEigenvalues(初始特征根)中，給出了按順序排列的主成分得分的方差(Tota1),在數(shù)值上等于相關(guān)系數(shù)矩陣的各個特征根久，因此可以直接根據(jù)特征根計算每一個主成分的方差百分比(％ofVariance)。由于全部特征根的總和等于變量數(shù)目，即有m=E2=8,故第一個特征根的方差百分比為人/m=3.755/8=46.939,第二個特征根的百分比為m=2.197/8=27.459,……，其余依此類推。然后可以算出方差累計值(Cumulative%)。在ExtractionSumsofSquaredLoadings，給出了從左邊欄目中提取的三個主成分及有關(guān)參數(shù)，提取的原則是滿足2>1,這一點我們在圖6所示的對話框中進行了限定。eulavnegiExtractionMethod:PrincipalComponentAnalysis.eulavnegiExtractionMethod:PrincipalComponentAnalysis.TotalVArianceExplainedComponentInitialEigenvaluesExtractionSumsofSquaredLoadinqsTotal%ofVarianeeCumulative%Total%ofVarianeeCumulative%13.75546.93946.9393.75546.93946.93922.19727.45974.3982.19727.45974.39831.21515.18689.5841.21515.18689.5844.4025.03194.6155.2132.66097.2756.1381.72498.99976.5E-02.81899.81781.5E-02.183100.000主成分的數(shù)目可以根據(jù)相關(guān)系數(shù)矩陣的特征根來判定,如前所說,相關(guān)系數(shù)矩陣的特征根剛好等于主成分的方差，而方差是變量數(shù)據(jù)蘊涵信息的重要判據(jù)之一。根據(jù)I值決定主成分?jǐn)?shù)目的準(zhǔn)則有三：i只取;>1的特征根對應(yīng)的主成分從TotalVarianceExplained表中可見，第一、第二和第三個主成分對應(yīng)的久值都大于1,這意味著這三個主成分得分的方差都大于1。本例正是根據(jù)這條準(zhǔn)則提取主成分的。ii累計百分比達(dá)到80%~85%以上的2值對應(yīng)的主成分在TotalVarianceExplained表可以看出，前三個主成分對應(yīng)的久值累計百分比達(dá)到89．584％,這暗示只要選取三個主成分,信息量就夠了。iii根據(jù)特征根變化的突變點決定主成分的數(shù)量從特征根分布的折線圖（ScreePlot）上可以看到，第4個久值是一個明顯的折點，這暗示選取的主成分?jǐn)?shù)目應(yīng)有PW4（圖8）。那么，究竟是3個還是4個呢？根據(jù)前面兩條準(zhǔn)則，選3個大致合適（但小有問題）。在ComponentMatrix（成分矩陣）中，給出了主成分載荷矩陣,每一列載荷值都顯示了各個變量與有關(guān)主成分的相關(guān)系數(shù)。以第一列為例，0．885實際上是國內(nèi)生產(chǎn)總值（GDP）與第一個主成分的相關(guān)系數(shù)。將標(biāo)準(zhǔn)化的GDP數(shù)據(jù)與第一主成分得分進行回歸,決定系數(shù)R2=0.783（圖9），容易算出R=0.885，這正是GDP在第一個主成分上的載荷。ComponentMatrbaComponent123國內(nèi)生產(chǎn).885.384.121居民消費.607-.598.271固定資產(chǎn).912.161.212職工工資.466-.722.368貨物周轉(zhuǎn).486.738-.275消費價格-.509.252.797商品零售-.620.594.438工業(yè)產(chǎn)值.823.427.211ExtractionMethod:PrincipalComponentAnalysis.a.3componentsextracted.下面將主成分載荷矩陣拷貝到Excel上面作進一步的處理：計算公因子方差和方差貢獻(xiàn)。首先求行平方和，例如，第一行的平方和為h12=0.88492+0.38362+0.12092=0.9449這是公因子方差。然后求列平方和,例如,第一列的平方和為S]2=0.88492+0.60672+???+0.82272=3.7551這便是方差貢獻(xiàn)（圖10）。在Excel中有一個計算平方和的命令sumsq，可以方便地算出一組數(shù)據(jù)的平方和。顯然，列平方和即方差貢獻(xiàn)。事實上，有如下關(guān)系成立：相關(guān)系數(shù)矩陣的特征根=方差貢獻(xiàn)=主成分得分的方差至于行平方和，顯然與前面Communalities表中的Extraction列對應(yīng)的數(shù)據(jù)一樣。如果我們將8個主成分全部提取，貝性成分載荷的行平方和都等于1（圖11），即有h=1，Sj

=卯到此可以明白:在Communalities中，Initia1對應(yīng)的是初始公因子方差,實際上是全部主成分的公因子方差；Extraction對應(yīng)的是提取的主成分的公因子方差，我們提取了3個主成分,故計算公因子方差時只考慮3個主成分。值總產(chǎn)生內(nèi)國-4第一主成分O543210123---值總產(chǎn)生內(nèi)國-4第一主成分O543210123---圖9國內(nèi)生產(chǎn)總值(GDP)的與第一主成分的相關(guān)關(guān)系(標(biāo)準(zhǔn)化數(shù)據(jù))ACDE5第主成分第一主成分第二主成分公因子方差6國內(nèi)生產(chǎn)0.SS49000.3S36190.12088&0.9448247居艮消費0.606719-0.5981770.2713130.7995348固定資產(chǎn)0.9116S70.1611060.211^970.902071g職工工資0.466222-0.7224100.3&7^380.87461710賀物周轉(zhuǎn)0.4050310.730275-0.2752520.85684511消費價格-0.50S5630.2519090.79&&3S0.95671812商品零售-0.6195090.5943750.4375550.92862713工業(yè)產(chǎn)值0.S227290.4267370.210^700.90349614方差責(zé)就3.7551332.196T041.2148957.166T3315特征根3.7551332.1967041.214S957.166733圖10主成分方差與方差貢獻(xiàn)

ComponentMatriWComponent12345678國內(nèi)生產(chǎn).885.384.121-.203-6.87E-021.143E-022.420E-029.192E-02居民消費.607-.598.271.409-7.61E-02.1575.525E-021.317E-02固定資產(chǎn).912.161.212-.270-7.71E-028.271E-028.113E-02-7.36E-02職工工資.466-.722.368-.164.304-1.64E-02-7.62E-023.949E-03貨物周轉(zhuǎn).486.738-.275.212.3052.254E-026.855E-02-6.02E-03消費價格-.509.252.797.0722.716E-02-.161.1072.435E-03商品零售-.620.594.438-.0273.531E-02.247-9.23E-021.634E-03工業(yè)產(chǎn)值.823.427.211.209-9.38E-02-.137-.157-2.30E-02ExtractionMethod:PrincipalComponentAnalysis.a.8componentsextracted.AECDEFGHIJ112345678公因手方差2國內(nèi)生產(chǎn)U.BB490.3B350.1209-i.-U.UtHY0.0114U.i.uyiy13居商肖費0.G0G7-0.5DQ0.2712C.4005-0.07G10.15CQ0.0552C.013214固定瓷立0.9117n.：ahA.217-0.2705-0.0771門一件70.0011-A.H7415職工工資0.4662-0.722(i.3679-C.16350.30421-0.016-0.075C.003916貨物周轉(zhuǎn)0.4B580.73B3-0.27E0.21184：0.305020.02250.0685-0.00617涓費價格-1).5090.2519(i.736￡0.071760.02716-0.1￡10.1071C.002418-0.620.59440.4376-C.02670.03531Q.24：tS-Q.OSZ0.001619工業(yè)產(chǎn)值0.S2270.<2670.2110.20SSS-0.0C-3S-0.1E7-0.157-0.0231103.75512.19671.21490.402440,21280,1380.06540.0146f?11特征棍3.75512.19671.21490.402440.21280.1380.0654C.01461.133E-D4圖11全部主成分的公因子方差和方差貢獻(xiàn)提取主成分的原則上要求公因子方差的各個數(shù)值盡可能接近，亦即要求它們的方差極小，當(dāng)公因子方差完全相等時，它們的方差為0,這就達(dá)到完美狀態(tài)。實際應(yīng)用中，只要公因子方差數(shù)值彼此接近（不相差太遠(yuǎn)）就行了。從上面給出的結(jié)果可以看出:提取3個主成分的時候，居民消費的公因子方差偏小，這暗示提取3個主成分，居民消費方面的信息可能有較多的損失。至于方差貢獻(xiàn),反映對應(yīng)主成分的重要程度，這一點從方差的統(tǒng)計學(xué)意義可以得到理解。在圖11中，將最后一行的特征根全部乘到一起，得0.0001133,這正是相關(guān)系數(shù)矩陣的行列式數(shù)值（在Exce1中，求一組數(shù)據(jù)的乘積之和的命令是product）。最后說明ComponentScoreCoefficientMatrix（成分得分系數(shù)矩陣）和ComponentScoreCovarianceMatrixC成分得分協(xié)方差矩陣），前者是主成分得分系數(shù)，后者是主成分得分的協(xié)方差即相關(guān)系數(shù)。從ComponentScoreCovarianceMatrix可以看出，標(biāo)準(zhǔn)化主成分得分之間的協(xié)方差即相關(guān)系數(shù)為0（jHk）或1（j=k），這意味著主成分之間彼此正交即垂直。初學(xué)者常將ComponentScoreCoefficientMatrix表中的數(shù)據(jù)當(dāng)成主成分得分或因子得分，這是誤會。成分得分系數(shù)矩陣的數(shù)值是主成分載荷除以相應(yīng)的特征根得到的結(jié)果。在ComponentMatrix表中，將第一列數(shù)據(jù)分別除以2]=3.755，第二列數(shù)值分別除以久2=2.197，…,立即得到ComponentScoreCoefficient；反過來,如果將ComponentScoreCoefficientMatrix表中的各列數(shù)據(jù)分別乘以人=3.755，22=2.197,…，則可將其還原為主成分載荷即ComponentMatrix中

的數(shù)據(jù)。ComponentScoreCoefficientMatrixComponent123國內(nèi)生產(chǎn).236.175.100居民消費.162-.272.223固定資產(chǎn).243.073.174職工工資.124-.329.303貨物周轉(zhuǎn).129.336-.227消費價格-.135.115.656商品零售-.165.271.360工業(yè)產(chǎn)值.219.194.174ExtractionMethod:PrincipalComponentAnalysis.ComponentScores.ComponentScoeCovarianceMatixComponent12311.000.000.0002.0001.000.0003.000.0001.000ExtractionMethod:PrincipalComponentAnalysis.ComponentScores.實際上，主成分得分在原始數(shù)據(jù)所在的SPSS當(dāng)前數(shù)據(jù)欄中給出，不過給出的都是標(biāo)準(zhǔn)化的主成分得分（圖12a）;將各個主成分乘以相應(yīng)的J；即特征根的二次方根可以將其還原為未經(jīng)標(biāo)準(zhǔn)化的主成分得分。

得分1得分1得分2得分訂.42743-1.52320.49020.33935-1.7B001-1.062G4700551.50632■1.19211-.51028.26269-.51B33-.83667.4BB24-.34594.85822.65619-.56565-.19950-.2B604-1.09746.27330.22855-.642881.64990-2.211322.615