主成分分析和因子分析(參考版)
2025-05-06 08:58本頁面
【正文】 謝謝聆聽！ THANK YOU VERY MUCH! 。 從上面結(jié)果看出 ， 只有 第一 個因子特征值大于 1 ， 選取 該 主要因子 ， 累積貢獻率達% 用主成分分析法得到一個因子，因子載荷如表中所示。 檢驗是否適合做因子分析： 上述結(jié)果 表明了原始變量間有較強的相關(guān)性，因而進行因子分析是合適的。 (11)棉紗產(chǎn)量 x11 共 11個指標 。 (9)硫酸產(chǎn)量 x9。 (7)機械工業(yè)總產(chǎn)值 x7。 (5)原煤產(chǎn)量 x5。 (3)鋼材產(chǎn)量 x3。 第 5題 影響電的需求量的指標有： (1)鋼的產(chǎn)量 x1。 因子 1可以替代國民總產(chǎn)出隱含平減指數(shù)（ x1）、國民總產(chǎn)出（ x2）、 14歲以上及非慈善機構(gòu)人口數(shù)（ x5）的作用，因子 2替代失業(yè)人數(shù)（ x3）、武裝力量人數(shù)（ x4）和 時間變量 （ x6）的作用。 可以看出除 X6對特殊因子依賴性較大外 ， 其余因子都對公共因子依賴性較大 。 因子分析： 因子矩陣 主成分分析方法得到兩個因子。 試利用探索性因子分析方法分析可能存在的公共因子并命名 。 旋轉(zhuǎn)空間中的成分圖 旋轉(zhuǎn)后的載荷矩陣圖可以看作是旋轉(zhuǎn)后的載荷矩陣的圖形的表示。從表中可以看出，因子 1可以替代 X X3的作用，因子 2替代 X X X5的作用。第二個因子與原始變量的相關(guān)程度相對小，對原始變量解釋效果不太明顯。 成分矩陣和旋轉(zhuǎn)后成分矩陣 成分矩陣給出了每一個變量在因子上載荷。第一個因子的特征值為 ，解釋了 5個原始變量總方差的 %，第二個因子的特征值為 ，解釋了 5個原始變量總方差的 %，累積方差貢獻率為 %，也就是兩個因子解釋了所有變量的 %。表中每個變量的共同度都高于 80%，變量丟失信息較少。 同時 ， KMO值為 ， 根據(jù)度量標準可知 ， 原變量適合做因子分析 。 十章第 3題 某主管局管轄 20個工廠 ,現(xiàn)要對每個工廠作經(jīng)濟效益分析 ,經(jīng)研究確定從所取得的生產(chǎn)成果同所消耗的人力 ,物力 ,財力的比率 ,選取五個指標作分析 x1固定資產(chǎn)產(chǎn)值率 , X2凈產(chǎn)值勞動生產(chǎn)率 , X3百元產(chǎn)值流動資金占用率 , X4百元產(chǎn)值利潤率 , X5百元資金利潤率 . 試利用探索性因子分析方法分析可能存在的公共因子并命名 。從旋轉(zhuǎn)后的矩陣表中， 根據(jù)這些變量的原始意義可以對兩個因子進行命名。 （ 2）旋轉(zhuǎn)成份矩陣 表中各變量根據(jù)負荷量的大小進行了排列。 （ 4）未旋轉(zhuǎn)成份矩陣 如果一個變量在某個因子上有較大的負荷，就說明可以把這個變量納入該因子，但是，常常會有很多變量同時在幾個未旋轉(zhuǎn)的因子上有較大的負荷，比如百元銷售收入實現(xiàn)利稅 X5這一變量在因子 1和因子 2上同時有較大的負荷，這就使得解釋起來比較困難，因此查看旋轉(zhuǎn)以后的結(jié)果能較好地解決這個問題。 （ 3）碎石圖 從碎石圖可以看出，從第 2個因子開始，曲線變得比較平緩，最后接近一條直線。 構(gòu)造因子變量 （ 1）公因子方差 這是因子分析的共同度，第二列顯示了初始的共同度，全部為 1；第三列是提取特征根的共同度，表中大部分變量的共同度都高于 80%，變量丟失信息較少， 因子分析的效果較好 。 Spss 操作：分析 —— 因子分析 —— 降維 分析結(jié)果： 因子分析的前提條件判斷 ——KMO和 Bartlett的檢驗 Bartlett球度檢驗的概率 P值為 ， 即拒絕原假設(shè) ， 即相關(guān)矩陣不是單位矩陣 ， 代表母群體的相關(guān)矩陣間有共同因素存在 ， 適合進行因素分析 。因子 1可命名為資產(chǎn)類，因子 2可命名為產(chǎn)能類。旋轉(zhuǎn)后的因子矩陣與旋轉(zhuǎn)前的因子矩陣有明顯的差異。 利用因子旋轉(zhuǎn)，使因子更具有命名可解釋性 （ 1）旋轉(zhuǎn)后總的解釋方差 與旋轉(zhuǎn)前相比，旋轉(zhuǎn)后的特征值有所變化，最大特征值與最小特征值之間的差距變得相對集中，但是，旋轉(zhuǎn)前、后的總特征值沒
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1