应用统计学因子分析与主成分分析案例解析+SPSS操作分析Word格式.docx
《应用统计学因子分析与主成分分析案例解析+SPSS操作分析Word格式.docx》由会员分享,可在线阅读,更多相关《应用统计学因子分析与主成分分析案例解析+SPSS操作分析Word格式.docx(12页珍藏版)》请在冰豆网上搜索。
货物周转量
居民消费价格指数
商品价格指数
工业总产值
相关
1.000
.267
.951
.187
.617
-.273
-.264
.874
居民消费水平
.426
.716
-.151
-.235
-.593
.363
.396
.431
-.280
-.359
.792
-.357
-.145
-.543
.099
-.253
.022
.659
.763
-.125
-.192
图3-2
KMO和Bartlett的检验
取样足够度的Kaiser-Meyer-Olkin度量。
.620
Bartlett的球形度检验
近似卡方
231.285
df
28
Sig.
.000
图3-3
公因子方差
初始
提取
.945
.799
.902
.873
.857
.957
.928
.904
提取方法:
主成份分析。
图3-4
解释的总方差
成份
初始特征值
提取平方和载入
旋转平方和载入
合计
方差的%
累积%
1
3.754
46.924
3.207
40.092
2
2.203
27.532
74.456
2.217
27.708
67.800
3
1.208
15.096
89.551
1.740
21.752
4
.403
5.042
94.593
5
.214
2.673
97.266
6
.138
1.722
98.988
7
.066
.829
99.817
8
.015
.183
100.000
图3-5
图3-6
成份矩阵a
.911
.163
.213
.884
.385
.120
.822
.429
.210
-.621
.596
.433
.606
-.596
.277
.486
.737
-.279
.465
-.725
.362
-.510
.257
.794
提取方法:
主成份。
a.已提取了3个成份。
图3-7
旋转成份矩阵a
.955
.124
-.131
.944
.109
-.014
.872
.351
-.137
.751
-.507
.048
.925
-.121
.219
.841
-.209
-.135
-.013
.969
-.104
-.496
.819
旋转法:
具有Kaiser标准化的正交旋转法。
a.旋转在5次迭代后收敛。
图3-8
成份转换矩阵
.817
.407
-.408
.548
-.769
.331
.179
.494
.851
图3-9
图3-10
成份得分系数矩阵
.306
.011
.047
.025
.387
.040
.270
.129
.075
-.025
.451
.096
.248
-.319
-.139
.070
.180
.653
.077
-.098
.462
.317
.026
.123
构成得分。
图3-11
成份得分协方差矩阵
(2)因子模型中各统计量的意义
A)因子载荷
:
因子载荷
为第i个变量在第j个因子上的载荷,实际上就是
与
的相关系数,表示变量
依赖因子
的程度,反应了第i个变量
对于第j个因子
的重要性。
B)变量
的变量共同度:
k个公因子对第i个变量方差的贡献,也称为公因子方差比,记为
,公式为:
=
(j=1,2,….,k)
表示全部公因子对变量
的总方差所做出的贡献,也即是变量
的信息能够被k个公因子所描述的程度。
C)公因子
的方差贡献率:
在因子载荷矩阵A中,各列元素
的平方和记为
,表示第j个公因子
对于X所提供方差的总和,它是衡量公因子相对重要性的指标。
方差贡献率越大,表明公因子对X的贡献越大。
(3)基本分析结果
A)KMO和球形Bartlett检验用于因子分析的适用性检验。
KMO检验变量间的偏相关是否较小,Bartlett球形检验是判断相关矩阵是否是单位阵,参见图3-2。
由Bartlett检验可以看出,应拒绝个变量独立的假设,即变量间具有较强的相关性,但是KMO的统计量为0.620,小于0.7,说明个变量间信息的重叠程度可能不是特别的高,有可能做出的因子分析模型不是很完善,但还是值得尝试的。
B)变量共同度Communalities是表示各变量中所含原始信息能被提取的公因子所表示的程度,由图3-3所示的变量共同度可知:
几乎所有变量的共同度都在80%以上,因此提取出的这几个公因子对各变量的解释能力是较强的。
C)碎石图用于显示各因子的重要程度,横轴为因子序号,纵轴表示特征根大小,从中可以非常直观的了解到哪些是最主要的因子,参见图3-5。
本例中可见前三个因子的散点位于陡坡之上,而后五个因子散点成了平台,且特征根均小于1,因此至多考虑前三个公因子即可。
D)图3-4给出的是各成分的方差贡献率和累计贡献率,以及进行因子旋转后的方差贡献率和累计贡献率,前者将在主成分分析中进行说明。
E)图3-6为因子载荷矩阵,在前面已经直接按列的方向将其解释为个成分的系数,实际上严格讲因子载荷矩阵应该是各因子在各变量上的载荷,即是各因子对各变量的影响度。
表示如下:
ZX1=0.884F1+0.385F2+0.120F3+
ZX2=0.606F1-0.596F2-0.277F3+
.
ZX8=0.822F1+0.429F2-0.210F3+
在表达式中各变量已经不是原始变量,而是标准化变量。
表示特殊因子,是除了这3个公因子之外影响该变量的其他因素。
原来设计了8个指标来表示经济发展水平,但是经过因子分析后,只需要三个因子即可描述影响地区经济发展状况。
F)为了使因子载荷矩阵中系数更加显著,可以对初始因子载荷矩阵进行转换,使因子和原始变量间的关系进行重新分配,相关系数向0-1分化,从而更加容易解释。
图3-9是进行因子旋转的空间示意图,值得注意的是旋转前后各变量散点的相对位置保持不变,即旋转并不改变因子分析的整体结果,只是影响各因子在各变量上的载荷分布,并影响各因子的贡献率。
本例中采用的是方差最大正交旋转法进行因子旋转,输出的结果参见图3-4.,由图可知,只有前三个特征根大于1,因此SPSS只提取了前三个公因子。
在旋转后三个公因子的方差累计贡献率均发生了变化,但仍然会保持从大到小的顺序,而且前三个因子的方差贡献率仍为89.55%,和旋转前完全相同,因此选前三个因子已足够描述经济发展的水平。
G)进行方差最大旋转后,旋转后的因子载荷矩阵如图3-7所示,由图可以看出,第一公因子在
、
有较大的载荷,主要从GDP、固定资产投资、货物周转量和工业总产值反映经济发展状况,可以命名为总量因子。
第二公因子在
上有较大载荷,从居民消费水平和职工平均工资方面反映经济发展水平,因此命名为消费因子。
第三公因子在
和
上有较大载荷,表现为居民消费价格指数和水平价格指数方面,因此命名为价格因子。
与未旋转前相比较,旋转后各公因子的意义显然更加明确合理。
H)因子得分:
前面得到了因子结构表达式,可以将各变量表示为公因子的线性形式,但是更多的时候需要将公因子表达为各变量的线性形式。
公因子的得分系数函数不能通过矩阵变换的方法由因子载荷阵得到,只能采用估计的方法求得,本例采用的是回归法。
因子得分系数矩阵如图3-10所示,据此可以直接写出各公因子的得分表达式:
F1=0.306ZX1+0.025ZX2+0.270ZX3-0.025ZX4+0.248ZX5+0.070ZX6+0.077ZX7+0.317ZX8
F2=0.011ZX1+0.387ZX2+0.129ZX3+0.451ZX4-0.319ZX5+0.180ZX6-0.098ZX7+0.026ZX8
F3=0.047ZX1+0.040ZX2+0.075ZX3+0.096ZX4-0.139ZX5+0.653ZX6+0.462ZX7+0.123ZX8
SPSS已经给出三个公因子的得分,保存在fac_1~fac_3中,按各因子对应的方差贡献率为权数计算如下综合统计量:
F=
F1+
F2+
F3
=0.730F1+0.141F2+0.129F3
在SPSS中用程序计算综合因子得分:
Compscore=0.73*fac1_1+0.141*fac2_1+0.129*fac3_1
1.主成分分析
A)由图3-1(各变量相关系数矩阵)可以看出,许多变量之间直接的相关性比较强,的确存在信息上的重叠。
B)由图3-4(具体不再阐述)可知,只有前三个特征根大于1,因此SPSS只提取了前三个主成分,前三个主成分的方差贡献率达到89.55%,因此选前三个主成分已足够描述经济发展的水平。
C)图3-6输出为主成分系数矩阵,从而得到各主成分的表达式,在表达式中各变量已经不是原始变量,而是标准化变量。
F1=0.884ZX1+0.606ZX2+0.911ZX3+0.465ZX4+0.486ZX5-0.51ZX6-0.621ZX7+0.822ZX8
F2=0.385ZX1-0.596ZX2+0.163ZX3-0.725ZX4+0.737ZX5+0.257ZX6-0.596ZX7+0.429ZX8
F3=0.120ZX1+0.277ZX2+0.213ZX3+0.362ZX4-0.279ZX5+0.794X6-0.433ZX7+0.210ZX8
因为各自变量已经过标准化,因此以上三个主成分的均数均为0。
可以证明,各主成分的方差应当为前述特征根
,但这里计算的数值方差均为特征根的平方,即各主成分的原始数值还应该除以一个特征根的平方根才行,但是因为不会对分析结果产生影响,因此在这里不再给出详细计算过程及结果。
在第一主成分中,X1,X2,X3,X8的系数较大,可以看成是反映GDP、固定资产投资、居民消费水平和工业总产值的综合指标。
在第二主成分中,X4H和X5的系数较大,可以看成是反映职工平均工资和货物周转量方面的综合指标。
在第三主成分中,X6系数最大,可以看成是反映居民消费价格指数方面的综合指标。
主成分分析本质上是一种矩阵变换过程。
四、附录
无
广州陶粒,广州陶粒厂5wrVFkK3gXQ2