主成分分析与因子分析.ppt
《主成分分析与因子分析.ppt》由会员分享,可在线阅读,更多相关《主成分分析与因子分析.ppt(31页珍藏版)》请在三一文库上搜索。
1、第13章 主成分分析与因子分析,介绍: 1、主成分分析与因子分析的概念 2、主成分分析与因子分析的过程,主成分分析与因子分析的概念,需要与可能:在各个领域的科学研究中,往往需要对反映事物的多个变量进行大量的观测,收集大量数据以便进行分析寻找规律。多变量大样本无疑会为科学研究提供丰富的信息,但也在一定程度上增加了数据采集的工作量,更重要的是在大多数情况下,许多变量之间可能存在相关性而增加了问题分析的复杂性,同时对分析带来不便。如果分别分析每个指标,分析又可能是孤立的,而不是综合的。盲目减少指标会损失很多信息,容易产生错误的结论。因此需要找到一个合理的方法,减少分析指标的同时,尽量减少原指标包含信
2、息的损失,对所收集的资料作全面的分析。由于各变量间存在一定的相关关系,因此有可能用较少的综合指标分别综合存在于各变量中的各类信息。主成分分析与因子分析就是这样一种降维的方法。 主成分分析与因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法 直线综合指标往往是不能直接观测到的,但它更能反映事物的本质。因此在医学、心理学、经济学等科学领域以及社会化生产中得到广泛的应用。,主成分分析与因子分析的概念(续),由于实测的变量间存在一定的相关关系,因此有可能用较少数的综合指标分别综合存在于各变量中的各类信息,而综合指标之间彼此不相关,即各指标代表的信息不重叠。综合指标称为因子或主成分
3、(提取几个因子),一般有两种方法: 特征值1 累计贡献率0.8,主成分分析实例P316不旋转,使用默认值进行最简单的主成分分析(默认为主成分分析法:Principal components) 例子P316:对美国洛杉矶12个人口调查区的5个经济学变量的数据进行因子分析,data13-01a,数据见下一张幻灯片) 菜单:AnalyzeData ReductionFactor Variables :pop,School,employ,Services, house 其他使用默认值(主成分分析法Principal components,选取特征值1,不旋转) 比较有用的结果:两个主成分(因子)f1,
4、f2及因子载荷矩阵(Component Matrix),根据该表可以写出每个原始变量(标准化值)的因子表达式: Pop0.581f1 + 0.806f2 School 0.767f1 - 0.545f2 employ 0.672f1 + 0.726f2 Services 0.932f1 - 0.104f2 house 0.791f1 - 0.558f2 每个原始变量都可以是5个因子的线性组合,提取两个因子f1和f2,可以概括原始变量所包含信息的93.4%。 f1和f2前的系数表示该因子对变量的影响程度,也称为变量在因子上的载荷。 但每个因子(主成分)的系数(载荷)没有很明显的差别,所以不好命名
5、。因此为了对因子进行命名,可以进行旋转,使系数向0和1两极分化,这就要使用选择项。,洛衫矶对12个人口调查区的数据,编号 总人口 中等学校平均 总雇员数 专业服务 中等房价 no pop 校龄School employ 项目数Services house 1 5700 12.8 2500 270 25000 2 1000 10.9 600 10 10000 3 3400 8.8 1000 10 9000 4 3800 13.6 1700 140 25000 5 4000 12.8 1600 140 25000 6 8200 8.3 2600 60 12000 7 1200 11.4 400 1
6、0 16000 8 9100 11.5 3300 60 14000 9 9900 12.5 3400 180 18000 10 9600 13.7 3600 390 25000 11 9600 9.6 3300 80 12000 12 9400 11.4 4000 100 13000,因子分析实例322旋转Rotation,由于系数没有很明显的差别,所以要进行旋转(Rotation:method一般用Varimax方差最大旋转),使系数向0和1两极分化, 例子同上 菜单:AnalyzeData ReductionFactor Variables :pop,School,employ,Servi
7、ces, house Extraction:使用默认值( method:Principal components,选取特征值1) Rotation:method选Varimax Score:Save as variables 和Display factor score Coefficient matrix 比较有用的结果:两个主成分(因子)f1,f2及旋转后的因子载荷矩阵(Rotated Component Matrix) ,根据该表可以写出每个原始变量(标准化值)的因子表达式: Pop 0.01602 f1 + 0.9946f2 School 0 .941f1 - 0.00882f2 emp
8、loy 0.137f1 + 0.98f2 Services 0.825f1 +0.447f2 house 0.968f1 - 0.00605f2 第一主因子对中等学校平均校龄,专业服务项目,中等房价有绝对值较大的载荷(代表一般社会福利-福利条件因子); 而第二主因子对总人口和总雇员数有较大的载荷(代表人口-人口因子). P326 比较有用的结果:因子得分fac1_1, fac2_1。其计算公式:因子得分系数和原始变量的标准化值的乘积之和(P326)。然后可以利用因子得分进行聚类p327(Analyze-Classify-Hierarchical Cluster)。,主成分分析实例P330 不旋
9、转 市场研究中的顾客偏好分析,在市场研究中,常常要求分析顾客的偏好和当前市场的产品与顾客偏好之间的差别,从而找出新产品开发的方向。顾客偏好分析时常用到主成分分析方法(因子没有旋转)。 例子P330:数据来自SAS公司,1980年一个汽车制造商在竞争对手中选择了17种车型,访问了25个顾客,要求他们根据自己的偏好对17种车型打分。打分范围09.9, 9.9表示最高程度的偏好。data13-02a(1725:17个case,25个变量V1-V25) 菜单:AnalyzeData ReductionFactor Variables :V1-V25 Extraction:method:Principa
10、l components Extract:Number of factors:3 要三个主成分 Score:Save as variables 比较有用的结果:3个主成分及其因子载荷矩阵(Component Matrix):第一主成分和第二主成分的载荷图(Loading plots) 比较有用的结果:因子得分fac1_1, fac2_1 , fac3_1。然后可以利用因子得分进行各种分析:做偏好图: 用fac1_1, fac2_1做散点图(Graphs-Scatter:X- fac1_1 , Y- fac2_1):第一主成分反映了车的产地,第二主成分反映了车的特性(质量、动力、座位数等) 具体
11、见P332-334,补充:主成分分析和因子分析,以下的讲义是吴喜之教授有关主成分分析和因子分析的讲义,我觉得比书上讲得清楚。,主成分分析和因子分析,汇报什么?,假定你是一个公司的财务经理,掌握了公司的所有数据,比如固定资产、流动资金、每一笔借贷的数额和期限、各种税费、工资支出、原料消耗、产值、利润、折旧、职工人数、职工的分工和教育程度等等。 如果让你向上面介绍公司状况,你能够把这些指标和数字都原封不动地摆出去吗? 当然不能。 你必须要把各个方面作出高度概括,用一两个指标简单明了地把情况说清楚。,主成分分析,每个人都会遇到有很多变量的数据。 比如全国或各个地区的带有许多经济和社会变量的数据;各个
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 成分 分析 因子分析
链接地址:https://www.31doc.com/p-2712129.html