在STATA中开展主成分分析.docx
《在STATA中开展主成分分析.docx》由会员分享，可在线阅读，更多相关《在STATA中开展主成分分析.docx（15页珍藏版）》请在冰豆网上搜索。
在STATA中开展主成分分析
主成分分分析也称作主分量分析，是霍特林（Hotelling）在1933年首先提出。
主成分分析是利用降维的思想，在损失较少信息的前提下把多个指标转化为较少的综合指标。
转化生成的综合指标即称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分互不相关。
Stata对主成分分析的主要内容包括：
主成分估计、主成分分析的恰当性（包括负偏协方差矩阵和负偏相关系数矩阵、KMO（Kaiser-Meyer-Olkin）抽样充分性、复相关系数、共同度等指标测度）、主成分的旋转、预测、各种检验、碎石图、得分图、载荷图等。
主成分的模型表达式为：
其中，a称为得分，b称为载荷。
主成分分析主要的分析方法是对相关系数矩阵（或协方差矩阵）进行特征值分析。
Stata中可以通过负偏相关系数矩阵、负相关系数平方和KMO值对主成分分析的恰当性进行分析。
负偏相关系数矩阵即变量之间两两偏相关系数的负数。
非对角线元素则为负的偏相关系数。
如果变量之间存在较强的共性，则偏相关系数比较低。
因此，如果矩阵中偏相关系数较高的个数比较多，说明某一些变量与另外一些变量的相关性比较低，主成分模型可能不适用。
这时，主成分分析不能得到很好的数据约化效果。
Kaiser-Meyer-Olkin抽样充分性测度也是用于测量变量之间相关关系的强弱的重要指标，是通过比较两个变量的相关系数与偏相关系数得到的。
KMO介于0于1之间。
KMO越高，表明变量的共性越强。
如果偏相关系数相对于相关系数比较高，则KMO比较低，主成分分析不能起到很好的数据约化效果。
根据Kaiser（1974），一般的判断标准如下：
0.00-0.49,不能接受（unacceptable）;0.50-0.59,非常差（miserable）；0.60-0.69，勉强接受（mediocre）；0.70-0.79,可以接受（middling）；0.80-0.89，比较好（meritorious）；0.90-1.00,非常好（marvelous）。
SMC即一个变量与其他所有变量的复相关系数的平方，也就是复回归方程的可决系数。
SMC比较高表明变量的线性关系越强，共性越强，主成分分析就越合适。
成分载荷、KMO、SMC等指标都可以通过extat命令进行分析。
多元方差分析是方差分析在多元中的扩展，即模型含有多个响应变量。
本章介绍多元（协）方差分析以及霍特林（Hotelling）均值向量T检验。
12.1主成分估计
Stata可以通过变量进行主成分分析，也可以直接通过相关系数矩阵或协方差矩阵进行。
（1）sysuseauto,clear
pcatrunkweightlengthheadroom
pcatrunkweightlengthheadroom,comp
（2）covariance
（2）webusebg2,clear
pcabg2cost*,vce（normal）
12.2Estat
estat给出了几个非常有用的工具，包括KMO、SMC等指标。
webusebg2,clear
pcabg2cost*,vce（normal）
estatanti
estatkmo
estatloadings
estatresiduals
estatsmc
estatsummarize
12.3预测
Stata可以通过predict预测变量得分、拟合值和残差等。
webusebg2,clear
pcabg2cost*,vce（normal）
predictscorefitresidualq（备注：
q代表残差的平方和）
12.4碎石图
碎石图是判断保留多少个主成分的重要方法。
命令为screeplot。
webusebg2,clear
pcabg2cost*,vce（normal）
screeplot
12.5得分图、载荷图
得分图即不同主成分得分的散点图。
命令为scoreplot。
webusebg2,clear
pcabg2cost*,vce（normal）
scoreplot
载荷图即不同主成分载荷的散点图。
命令为loadingplot。
webusebg2,clear
pcabg2cost*,vce（normal）
loadingplot
12.6旋转
对载荷进行旋转的命令格式为rotate。
webusebg2,clear
pcabg2cost*,vce（normal）
rotate
例：
对中国30个省市自治区经济发展基本情况的八项指标主成分分析，原始数据如下表：
省份
GDP（亿元）
居民消费水平（元）
固定资产投资（亿元）
职工平均工资（元）
货物周转量（亿吨公里）
居民消费价格指数（上年100）
商品零售价格指数（上年100）
工业总产值（亿元）
area
x1
x2
x3
x4
x5
x6
x7
x8
北京
10488.03
20346
3814.7
56328
758.9
105.1
104.4
10413
天津
6354.38
14000
3389.8
41748
2703.4
105.4
105.1
12503
河北
16188.61
6570
8866.6
24756
5925.5
106.2
106.7
23031
山西
6938.73
6187
3531.2
25828
2562.2
107.2
107.2
10024
内蒙古
7761.8
8108
5475.4
26114
3658.7
105.7
104.7
8740.2
辽宁
13461.57
9625
10019.1
27729
7033.9
104.6
105.3
24769
吉林
6424.06
7591
5038.9
23486
1157.8
105.1
106.2
8406.9
黑龙江
8310
7039
3656
23046
1690.9
105.6
105.8
7624.5
上海
13698.15
27343
4823.1
56565
16029.8
105.8
105.3
25121
江苏
30312.61
11013
15300.6
31667
4300.9
105.4
104.9
67799
浙江
21486.92
13893
9323
34146
4974.9
105
106.3
40832
安徽
8874.17
6377
6747
26363
5843.2
106.2
106.3
11162
福建
10823.11
10361
5207.7
25702
2396.2
104.6
105.7
15213
江西
6480.33
5753
4745.4
21000
2285.5
106
106.1
8499.6
山东
31072.06
9573
15435.9
26404
10107.8
105.3
104.9
62959
河南
18407.78
5877
10490.6
24816
5165.1
107
107.5
26028
湖北
11330.38
7406
5647
22739
2526.4
106.3
106.3
13455
湖南
11156.64
7145
5534
24870
2349.8
106
105.6
11553
广东
35696.46
14390
10868.7
33110
4428.4
105.6
106
65425
广西
7171.58
6103
3756.4
25660
2079
107.8
107.6
6072
海南
1459.23
6550
705.4
21864
597.7
106.9
106.7
1103.1
重庆
5096.66
9835
3979.6
26985
1490.3
105.6
105
5755.9
四川
12506.25
6072
7127.8
25038
1578.7
105.1
105.3
14762
贵州
3333.4
4426
1864.5
24602
805.3
107.6
107.2
3111.1
云南
5700.1
4553
3435.9
24030
821.3
105.7
106.1
5144.6
西藏
395.91
3504
309.9
47280
35.5
105.7
103.9
48.19
陕西
6851.32
6290
4614.4
25942
2027
106.4
106.9
7480.8
甘肃
3176.11
4869
1712.8
24017
1594.9
108.2
107.9
3667.5
青海
961.53
5830
583.2
30983
335.7
110.1
110.6
1103.1
宁夏
1098.51
7193
828.9
30719
703.6
108.5
108.5
1366.5
新疆
4203.41
5542
2260
24687
1273
108.1
108.5
4276.1
数据：
来源于2009年《中国统计年鉴》
程序：
clear
*定义变量的标签
labelvararea省份
labelvarx1"GDP（亿元）"
labelvarx2"居民消费水平（元）"
labelvarx3"固定资产投资（亿元）"
labelvarx4"职工平均工资（元）"
labelvarx5"货物周转量（亿吨公里）"
labelvarx6"居民消费价格指数（上年100）"
labelvarx7"商品零售价格指数（上年100）"
labelvarx8"工业总产值（亿元）"
describe
pcax1-x8/*主成分估计*/
estatkmo/*KMO检验，越高越好*/
estatsmc/*SMC检验，值越高越好*/
screeplot/*碎石图（特征值等于1处的水平线标示保留主成分的分界点）*/
predictscorefitresidualq/*预测变量得分、拟合值和残差以及残差的平方和*/
predictf1f2f3
predictq1q2q3
scoreplot,mlabel（area）yline（0）xline（0）/*得分图1*/
scoreplot,xtitle（"经济社会总量"）ytitle（"人民生活水平"）///
mlabel（area）yline（0）xline（0）/*得分图*/
scatterf2f3,xtitle（"人民生活水平"）ytitle（"物价水平"）///
mlabel（area）yline（0）xline（0）/*得分图*/
scoreplot,factors（3）mlabel（area）/*得分图*/
scoreplot,combinedfactors（3）mlabel（area）yline（0）xline（0）/*得分图*/
loadingplot,yline（0）xline（0）/*载荷图*/
loadingplot,combinedfactors（3）yline（0）xline（0）/*载荷图*/
rotate/*旋转*/
分析：
先对数据进行标准化处理后，接着进行主成分分析，可以得到：
表：
R的特征值和特征向量
主成分
特征值
方差贡献率
累计贡献率
1
4.25488
2.50258
0.5319
2
1.75229
.537538
0.7509
3
1.21475
.760916
0.9027
4
.453839
.260701
0.9595
5
.193137
.124141
0.9836
6
.0689962
.0273464
0.9922
7
.0416498
.0211945
0.9974
8
.0204553
.
1.0000
从表中看到，前3个特征值累计贡献率已达90.27%，说明前3个主成分基本包含了全部指标具有的信息，我们取前3个特征值。
通过对载荷矩阵进行旋转，可得到，相应的特征向量，见下表：
第一、第二、第三特征值向量
第一特征向量
第二特征向量
第三特征向量
x1_s
0.4249
0.3064
0.1079
x2_s
0.3217
-0.4467
0.3101
x3_s
0.4057
0.3855
-0.0181
x4_s
0.1856
-0.6100
0.2536
x5_s
0.3520
-0.0510
0.3714
x6_s
-0.3444
0.1427
0.5784
x7_s
-0.3118
0.2767
0.5769
x8_s
0.4209
0.2938
0.1495
因而前三个主成分为：
第一主成分:
F1＝0.4249x1+0.3217x2_s+0.4057x3_s+0.1856x4_s
+0.3520x5_s-0.3444x6_s-0.3118x7_s+0.4209x8_s
第二主成分:
F2＝0.3064x1-0.4467x2_s+0.3855x3_s-0.6100x4_s
-0.0510x5_s+0.1427x6_s+0.2767x7_s+0.2938x8_s
第三主成分:
F3＝0.1079x1+0.3101x2_s-0.0181x3_s+0.2536x4_s
+0.3714x5_s-0.5784x6_s+0.5769x7_s+0.1495x8_s
在第一主成分的表达式中第一、第三、第八项指标的系数较大，这三项指标起主要作用，我们可以把第一主成分看成是由国内生产总值、固定资产投资、工业总产值所刻划的反映经济社会总量的综合指标；
在第二主成分中，第二、第三、第四项指标的影响大，且第二、第四项的影响较大，因此可以把第二主成分看成是由居民消费水平、职工平均工资表示的反映人民生活水平的综合指标；
在第三主成分中，第六、第七项指标大于其余的指标，可看成是受居民消费价格指数、商品零售价格指数的影响，反映物价水平的综合指标。
在这次的主成分分析里面，我们可以进行些检验以验证我们分析的效果，通过KMO检验和SMC检验，得到了下面的检验值：
变量的KMO、SMC值表
变量
KMO值
SMC值
x1_s
0.7423
0.9656
x2_s
0.5361
0.8366
x3_s
0.7706
0.9276
x4_s
0.4737
0.7647
x5_s
0.6794
0.6515
x6_s
0.5467
0.8837
x7_s
0.5482
0.8627
x8_s
0.7692
0.9591
合计
0.6447
---
Kaiser-Meyer-Olkin抽样充分性测度也是用于测量变量之间相关关系的强弱的重要指标，是通过比较两个变量的相关系数与偏相关系数得到的。
KMO介于0于1之间。
KMO越高，表明变量的共性越强。
如果偏相关系数相对于相关系数比较高，则KMO比较低，主成分分析不能起到很好的数据约化效果。
根据Kaiser（1974），一般的判断标准如下：
0.00-0.49,不能接受（unacceptable）;0.50-0.59,非常差（miserable）；0.60-0.69，勉强接受（mediocre）；0.70-0.79,可以接受（middling）；0.80-0.89，比较好（meritorious）；0.90-1.00,非常好（marvelous）。
SMC即一个变量与其他所有变量的复相关系数的平方，也就是复回归方程的可决系数。
SMC比较高表明变量的线性关系越强，共性越强，主成分分析就越合适。
根据KMO越高，表明变量的共性越强和SMC比较高表明变量的线性关系越强，共性越强，主成分分析就越合适。
从上表可以看出，在该例中，各变量基本符合要求。
通过碎石图，我们可以很直观的看出各个特征值的大小。
在该图中，特征值等于1处的水平线标示了保留主成分分析的分界点，同时再次强调了本例中的成分4到8并不重要。
碎石图
通过predict我们可以得出各个观察变量的所对应的各个主成分的线性组合（即得分）。
在得分图里，我们可以看到不同地区在第一、第二主成分里各自的得分情况。
得分图
通过载荷图，我们可以直观看出各个变量对主成分影响的大小。
载荷图
运行rotate进行旋转后，我们将旋转后的结果和旋转前的结果进行比较，可以发现每一个观察变量独自构成一个主成分，方差贡献相等，都为12%。
升级会员 