一.原始数据的输入
注意事项:关键注意设置好数据的类型(数值?字符串?等等)以及小数点后保留数字的个数即可。
二.选项操作
1. 打开SPSS的“分析”→“降维”→“因子分析”。
打开“因子分析”对话框(如下图)
2. 把六个变量:食品、衣着、燃料、住房、交通和通讯、娱乐教育文化输入到右边的待分析变量框。
3. 设置分析的统计量
打开最右上角的“描述”对话框,选中“统计量”里面的“原始分析结果”和“相关矩阵”里面的“系数”。(选中原始分析结果,SPSS自动把原始数据标准差标准化,但不显示出来;选中系数,会显示相关系数矩阵。)。然后点击“继续”。
打开第二个的“抽取”对话框:“方法”里选取“主成分”;“分析”、“输出”和“抽取”这三项都选中各自的第一个选项即可。然后点击“继续”。
第三个的“旋转”对话框里,选取默认的也是第一个选项“无”。
第四个“得分”对话框中,选中“保存为变量”的“回归”;以及“显示因子得分系数矩阵”。
第五个“选项”对话框,默认即可。
这时点击“确定”,进行主成分分析。
三.分析结果的解读
根据上图 可以看出一共提取了3个主成分 可是能解释的方差为69.958%软件默认的是提取特征根大于1的主成分 如果加上第四个主成分的话可以解释的变异度为86.26%所以结合专业知识 可以考虑是不是增加一个主成分。
按照SPSS输出结果的先后顺序逐个介绍
1.相关系数矩阵:是6个变量两两之间相关系数大小的方阵。
2.共同度:
给出了这次主成分分析从原始变量中提取的信息,可以看出交通和通讯最
3.总方差的解释:
主成分分析双标图意义,系统默认方差大于1的为主成分,所以只取前两个,前两个主成分累加占到总方差的80.939%。并且第一主成分的方差是3.568,第二主成分的方差是1.288。
4. 主成分载荷矩阵:
应该特别注意:
同理可以求出第2主成分的函数表达式。(同学们自己求解!)
5. 主成分得分系数矩阵
Bartlett's球形检验用于检验相关阵是否是单位阵 P<0.01说明指标间并非独立,取值是有关系的。可以进行因子分析 根据上图 可以看出一共提取了3个主成分 可是能解释的方差为69.958%软件默认的是提取特征根大于1的主成分 如果。
6. 因子得分
在步骤二中,第四个“得分”对话框中,我们选中“保存为变量”的“回归”;以及“显示因子得分系数矩阵”。SPSS的输出结果和原始数据一起显示在数据窗口里面:
特别提醒:
后两列的数据是北京等16个地区的因子1和因子2的得分,不是主成分1和主成分2的得分。主成分的得分是相应的因子得分乘以相应的方差的算术平方根。即:主成分1得分=因子1得分乘以3.568的算术平方根
主成分2得分=因子2得分乘以1.288的算术平方根
四.主成分的得分:
把因子1和因子2的数值分别乘以各自的方差的算术平方根,得出各地区主成分1和主成分2的得分。
后两列就是这16个地区主成分1和主成分2的得分。
五.综合得分及排序:
每个地区的综合得分是按照下列公式计算的:
Y?0.7348*主成分1得分?0.2652*主成分2得分。
按照此公式计算出各地区的综合得分Y为:
按照综合得分Y的大小进行16个地区的排序,结果如下: 9
特别提醒:
1. 如果主成分分析中有n个变量,则特征值(或方差)之和就等于n。
1、选择分析的数据。2、选择菜单【分析】-【降维】-【因子分析】。3、打开对话框,将相关变量选入到变量栏中。4、击得分按钮,选中保存为变量和显示因子得分系数矩阵。5、打开描述选项,选择如下。6、打开选项按钮,选择。
2. 特征向量(或主成分的系数)中各个数值的平方和等于1,否则就不是特征
向量,也不是主成分系数。
3. 步骤3.4中的主成分载荷向量各系数的平方和等于其对应的主成分的方差。
在本例中:0.9252?0.9022?0.8802?0.8782?0.5882?0.0932?3.568
4. SPSS没有专门的主成分分析模块,是在因子分析模块进行的。它只输出主成
分载荷矩阵和因子得分值,而我们最想得到的主成分的系数(特征向量)和主成分得分则需要另外计算。
5. 如果计算没有错误,因子1、因子2、主成分1、主成分2和综合得分Y,它
操作说明 1. 数据标准化 打开数据文件 CJ.sav ,点击 “分析→描述统计→描述” ,打开描述主 对话框 ,将相关变量选进 “变量”,勾选 “将标准化的分另存为变量(Z)”, 点击确定 ,见下图 ; 2. 主成分分析 (
们各自的数值之和都等于0。
6. 主成分分析应该计算出综合得分并排序。 10.
特朗普证实美国正在升级核武器!详细现场视频,尽在“中国网”抖音(787874450)