主成分分析的spss實(shí)現(xiàn)-預(yù)覽頁
【正文】 85% 而造成的二次操作。 （三）指標(biāo)之間的相關(guān)性判定：用 SPSS軟件中表“ Correlation Matrix(相關(guān)系數(shù)矩陣 )”判定。 將 SPSS軟件中表“ Component Matrix”中的第 i 列向量除以第 i個特征根的開根后就得到第 i個主成分函數(shù) Fi 的系數(shù)（將前 m個因子載荷矩陣輸入到數(shù)據(jù)編輯窗口 ,為變量 A1,A2, ?,A m,在“ transform pute”中進(jìn)行計算 Ui=Ai / SQR( ），得到特征向量 Ui， 由此寫出主成分 Fi表達(dá)式。 最后在” transform_rank case” 中選中 Y進(jìn)行排序。 x1：人均糧食支出（元 /人） x2：人均副食支出（元 /人） x3：人均煙、酒、茶支出（元 /人） x4：人均其他副食支出（元 /人） x5: 人均衣著商品支出（元 /人） x6: 人均日用品支出（元 /人 x7: 人均燃料支出（元 /人） x8: 人均非商品支出（元 /人） 指標(biāo)解釋： 城鎮(zhèn)居民消費(fèi)支出的主成分分析 利用 FACTOR 實(shí)現(xiàn)主成分分析時，在確定公共因子個數(shù)（ Numbers of Factor）時，一般直接選擇與原變量數(shù)目相等的個數(shù)，這樣可以避免由于采用默認(rèn)形式后累計方差貢獻(xiàn) 率達(dá)不到 85% 而造成的二次操作。 Rotation 展開相應(yīng)的子對話框可以選擇因子旋轉(zhuǎn)方法。描述統(tǒng)計量分的選擇項(xiàng)為兩組： （ 1） Statistics統(tǒng)計量組，共有兩項(xiàng)供選擇： ① Univariate Descriptives 單變量描述統(tǒng)計量，選擇此項(xiàng)可以輸出參與分析的各原始變量的均值、標(biāo)準(zhǔn)差等。 ③ Determinant 相關(guān)系數(shù)矩陣的行列式。包括偏相關(guān)系數(shù)的負(fù)數(shù)；反映象協(xié)方差陣，包括偏協(xié)方差的負(fù)數(shù)；在一個好的因子模型中除對角線上的系數(shù)較大外，遠(yuǎn)離對角線的元素應(yīng)該比較小。檢驗(yàn)變量間的偏相關(guān)是否很小。 Extraction 因子提取子對話框 Extraction 因子提取子對話框如圖 33所示。該方法假設(shè)變量是因子的純線性組合。 ④ Maximum Likelihoud 最大似然法。 ⑥ Alpha α因子提取法 ⑦ Image 映象因子提取法。 ① Eigenvaluse over 該選擇項(xiàng)指定提取的因子的特征值。用鼠標(biāo)單擊選擇此項(xiàng)后，將指定的數(shù)目鍵人到該選擇項(xiàng)后面的矩形框中。 （ 4） Maximum iterations for Convergence 因子分析收斂的最大迭代次數(shù)。 （ 1） Methd 旋轉(zhuǎn)方法選擇項(xiàng) ① None 不進(jìn)行旋轉(zhuǎn)。 （ 2） Display 有關(guān)輸出顯示的選擇項(xiàng) ① Rotated soltion 旋轉(zhuǎn)結(jié)果。如果有兩個因子，給出各原始變量在 factorl－ factor2坐標(biāo)系中的散點(diǎn)圖，如果多于兩個因子則給出三維因子載荷散點(diǎn)圖。 有關(guān)因子得分的選擇項(xiàng)在 Factor Scorce子對話框中。對每一次分析產(chǎn)生一組新變量，用最后一個數(shù)字字符表示分析的順序號。 （ 2） Method 指定計算因子得分的方法。因子得分均值為 0。 （ 3） Display factor score coefficient matrix 選擇此項(xiàng)將在輸出窗中顯示因子得分系數(shù)矩陣。 初步分析的統(tǒng)計量，分為兩部分。 ④ Eigenvalue各因子的特征值。 初 始 統(tǒng) 計 量 對于初用 SPSS進(jìn)行統(tǒng)計分析的同學(xué)，可以完全使用系統(tǒng)默認(rèn)值進(jìn)行最簡單的
研究報告相關(guān)推薦
鄂ICP備17016276號-1