【正文】 子分析 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 2 主要內(nèi)容 主成分分析和因子分析簡介 主成分分析 因子分析 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 3 基本概念和主要用途 （ 1） 基本概念 主成分分析 就是考慮各指標之間的相互關系 ， 利用降維的方法將多個指標轉換為少數(shù)幾個互不相關的指標 ， 從而使進一步研究變得簡單的一種統(tǒng)計方法 。因此一般可以用特征值大于 1作為納入標準。 第 2步 計算相關系數(shù)矩陣 。 第 3步 主成分分析的設置： 按“分析 → 降維 → 因子分析”順序打開“因子分析”對話框，將 x1～ x15這 15個變量移入“變量”對話框中，并按如下所示的圖形進行設置。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 18 主成分分析 第四步 因子分析的結果： ?旋轉前的因子載荷矩陣 成分 1 2 3 x1 .407 .805 .268 x2 .596 .209 x3 .016 .821 x4 .895 x5 .614 .763 .028 x6 .826 x7 .273 .184 x8 .636 .703 .041 x9 .619 .703 .008 x10 .552 .766 .196 x11 .654 .172 x12 .666 .166 x13 .863 x14 .728 .144 x15 .579 .760 .005 提取方法 :主成分。計算因子得分和模型為： 11j j jp pF X X??? ? ?j=1,2,…,m SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 24 因子分析 SPSS實例分析 【 例 102】 為了研究幾個省市的科技創(chuàng)新力問題，現(xiàn)取了 2020年 8個省市的 15個科技指標數(shù)據(jù)，試分析一個省的科技創(chuàng)新能力主要受哪些潛在因素的影響？ 省市 x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 北京 229 天冿 87 遼寧 44 上海 104 2 江蘇 50 浙江 53 山東 30 廣東 35 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 25 因子分析 第 1步 分析： 如題所述，要分析一個省的科技創(chuàng)新能力受哪些潛在因素的影響，可用因子分析法進行分析。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 28 因子分析 ?旋轉后的因子載荷矩陣 是按照前面設定的“方差極大法”對因子載荷矩陣旋轉的結果。 ?因子得分及綜合因子得分情況 省市 F1 F2 F3 F 綜合排序 山東 8 浙江 7 江蘇 6 廣東 5 遼寧 4 天冿 3 上海 2 北京 1 1 2 F F F? ? ?SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 30 The End SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 31 第十一章 時間序列分析 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 32 主要內(nèi)容 時間序列的建立和平穩(wěn)化 指數(shù)平滑法 ARIMA模型 時序序列的季節(jié)性分解 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 33 時間序列的建立和平穩(wěn)化 填補缺失值 時間序列分析中的缺失值不能采用通常刪除的辦法來解決，因為這樣會導致原有時間序列周期性的破壞，而無法得到正確的分析結果。指數(shù)平滑法的思想是以無窮大為寬度，各歷史值的權重隨時間的推移呈指數(shù)衰減，這樣就解決了移動平均的兩個難題。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 42 指數(shù)平滑法 第 3步 定義日期變量： 按 “年份”定義為日期變量。 ?觀測值與預測值的時序圖 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 47 指數(shù)平滑法 ?數(shù)據(jù)文件中保存情況 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 48 主要內(nèi)容 時間序列的建立和平穩(wěn)化 指數(shù)平滑法 ARIMA模型 時序序列的季節(jié)性分解 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 49 ARIMA模型 基本概念及統(tǒng)計原理 （ 1）基本概念 在預測中，對于平穩(wěn)的時間序列，可用自回歸移動平均（ AutoRegres sive Moving Average, ARMA）模型及特殊情況的自回歸（ AutoRegressive, AR）模型、移動平均（ Moving Average, MA）模型等來擬合，預測該時間序列的未來值，但在實際的經(jīng)濟預測中，隨機數(shù)據(jù)序列往往都是非平穩(wěn)的，此時就需要對該隨機數(shù)據(jù)序列進行差分運算，進而得到 ARMA模型的推廣 —— ARIMA模型。用變通的 ARIMA模型處理這種季節(jié)性趨勢會導致參數(shù)過多，模型復雜。一個識別良好的模型應該有兩個要素：一是模型的殘差為白噪聲序列，需要通過殘差白噪聲檢驗，二是模型參數(shù)的簡約性和擬合優(yōu)度指標的優(yōu)良性（如對數(shù)似然值較大， AIC和 BIC較?。┓矫嫒〉闷胶猓€有一點需要注意的是，模型的形式應該易于理解。 從上左圖可以看出，自相關函數(shù)呈現(xiàn)出比較典型的拖尾性，說明數(shù)據(jù)自相關性隨時間間隔下降。單擊“方法”右邊的“條件（ C） …” 按鈕，打開“時間序列建模器： ARIMA條件”對話框，并按如下圖所示進行設置。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 61 ARIMA模型 ? ARIMA模型參數(shù)表 可以看出，殘差的自相關和偏自相關函數(shù)都是 0階截尾的，因而殘差是一個不含相關性的白噪聲序列。這種升降不是雜亂無章的，和季節(jié)或月份的季節(jié)因素有關。 可以看到趨勢、季節(jié)性影響、隨機影響等已被成功分開。 顯示了模型的名稱、類型及季節(jié)性期間的長度等信息 序列名稱 :銷售額 期 間 季節(jié)性因素 1 .97223 2 3 4 5 6 7 8 9 10 11 12 由于季節(jié)性的影響，各月份的銷售額有很大不同，可看出 11月、 12月、3～ 5月的季節(jié)性因子為負值，這幾個月的銷售情況比較差， 12月最差。（參見數(shù)據(jù)文件： 。 SPSS 19(中文版 )統(tǒng)計分析實用教程 電子工業(yè)出版社 60 ARIMA模型 ? “統(tǒng)計量”選項卡的設置：“統(tǒng)計量”選項卡如圖 119所示，將“按模型顯示擬合度量、 LjungBox統(tǒng)計量和離群值的數(shù)量”、“ R方”、“標準化的BIC”、“擬合優(yōu)度”、“參數(shù)估計”勾上。 綜合該序列自相關函數(shù)和偏自相關函數(shù)的性質(zhì)，根據(jù)前表的模型識別規(guī)則，可以擬合模型為 AR(1)，即 ARIMA(1, 0, 0)。 按“分析 → 預測 → 序列圖”的順序打開“序列圖”對話框，將“油料量”設置為變量，并將所生成的日期新變量“ DATE_”設為時間標簽軸，生成如下圖所示的時序圖。如是月度資料，要描述年度特征，則 sd = 12；如是日志資料，要描述每周特征，則 sd = 7。根據(jù) BoxJenkins提出