当前位置：文档之家 › 主成分调查报告

主成分调查报告

  • 格式：doc
  • 大小：26.54 KB
  • 文档页数：6

竭诚为您提供优质文档/双击可除

主成分调查报告

篇一：主成分分析报告

实验名称：主成分分析

一、实验目的和要求

通过上机操作，完成spss软件的主成分分析二、实验内容和步骤6.8

如图所示点击

analyze-datareduction-factor

将6个变量选入变量框中

分别点击descriptiverotation选项，进行以下操作

点击extraction进行以下分析

点击

options

结果如下所示

上表为相关矩阵，给出了6个变量之间的相关系数主对角线的值均为1，绝大大部分小于0.01，因此可以说明因子之间相关性不是特别的大。

上表为Kmo和Bartlett检验表，Km(:主成分调查报告)o检验是对变量是否适合做因子分析的检验，根据Kaiser常用度量标准，因为此时Kmo=0.434,表示此事不适合做因子分析，所以我们用主成分分析。

上表额为公因子方差，给出了盖茨分析中从每个原始变量中提取的信竭诚为您提供优质文档/双击可除

息，从表中可以看出除了人均城市道路面积X4（平方米），主成分几乎都包含了其余各个变量至少80%的信息。

上表为特征根于方差贡献表，给出了个主成分解释原始变量总方差的情况，从表中可以看出，本例中保留了3个主成分，集中了原始变量总信息的78.649%

上图为碎石土，分析碎石土看出因子1与因子2与因子3特征值差值比较大，而其

篇二：主成分分析实验报告

主成分分析

地信0901班陈任翔0103090312

【实验目的及要求】

掌握主成分分析与因子分析的思想和具体步骤。掌握SPSS实现主成分分析与因子分析的具体操作。

【实验原理】

1.主成分分析的主要目的是希望用较少的变量去解释原来资料中的大部分变异，将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解释大部分资料中的变异的几个新变量，即所谓主成分，并用以解释资料的综合性指标。由此可见，主成分分析实际上是一种降维方法。

2.因子分析研究相关矩阵或协方差矩阵的内部依赖关系，它将多个变量综合为少数几个因子，以再现原始变量与因子之间的相关关系。

【实验步骤】1.数据准备 竭诚为您提供优质文档/双击可除

1）首先在Excel中打开“水样元素成分分析数据”，删除表名“水样元素成分分析数据”,

保存数据。

2.

3）数据格式转换。

数据描述分析操作1）descriptives过程

点击analyze下的descriptiveStatistics选项，选择该选项下的descriptives?选中待处理的变量（左侧的as…..Hg等）；

点击使变量as…..Hg移至Variable(s)中；

选中Savestandrdizedvaluesasvariables；?点击options

2）数据标准化

标准化处理后的结果

2.主成分分析

1）点击analyze下的dataReduction选项，选择该选项下的Factor过程。选中待处理

的变量，移至

Variables

2）点击descriptives判断是否有进行因子分析的必要

coefficients(计算相关系数矩阵)?Significancelevels(显著水平)

KmoandBartlett’stestofsphericity(对相关系数矩阵进行统计学检验)?inverse(倒数模式）：求出相关矩阵的反矩阵；

Reproduced(重制的):显示重制相关矩阵，上三角形矩阵代表残差值，竭诚为您提供优质文档/双击可除

而主对角

线及下三角形代表相关系数；

determinant(行列式)：求出前述相关矩阵的行列式值；?anti-image(反映像)：求出反映像的共同量及相关矩阵。

Univariatedescriptive单变量描述统计量(输出被选中的各变量的均数与标准

差)

initialsolution未转轴之统计量（显示因素分析未转轴前之共同性、特征值、

变异数百分比及累积百分比）

3）点击Extraction：

选择主成分分析方法

输出未旋转的因子载荷矩阵

4）点击

Rotation

5）点击Scores

选中Saveasvariables(把因子得分作为新变量保存在数据文件中)?选中Regression(回归因子得分)?点击continue6）点击options

选中Excludecaseslistwise(去除所有含缺失数据的样本、再进行分析)?选中Sortedbysize(载荷系数将按照数值大小排列，并构成矩阵)?点击continue

3．结果分析 竭诚为您提供优质文档/双击可除

SPSS输出的第一个表格列出了标准化后数据的平均值（mean）、标准差

（Std.deviation）和分析用到的取值个数(n)

系统输出的第2个表格是8个原始变量的相关矩阵与单尾显著性检验

（多个变量之间的相关系数较大，说明这些变量之间存在着较为显著的相关性，且其对应的

Sig值普遍较小，根据分析，这些数据有进行因子分析的必要。）

Kmo检验法和巴特利特球形检验法（KmoandBartlettTestofSphericity）的检验

结果

（Bartlett球形检验统计量的Sig和Bartlett球形检验统计量的效果都比较好，认为是可以作因子分析）

SPSS输出的第四个表格“成分矩阵”是初始的未经旋转的因子载荷矩阵

篇三：主成分分析实验报告

《系统工程》主成分分析实验报告

1

2

3

4

5 竭诚为您提供优质文档/双击可除

合集下载

主成分分析、因子分析实验报告--SPSS

主成分分析、因子分析实验报告--SPSS

对2009年我国88个房地产上市公司的因子分析

分析结果：

表1 KMO 和 Bartlett 的检验

取样足够度的 Kaiser-Meyer-Olkin 度量。 .637

Bartlett 的球形度检验 近似卡方 398.287

df 45

Sig. .000

由表1可知，巴特利特球度检验统计量的观测值为398.287，相应的概率p值接近0，小于显著性水平(取0.05)，所以应拒绝原假设，认为相关系数矩阵与单位矩阵有显著差异。同时，KMO值为0.637，根据Kaiser给出的KMO度量标准(0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合)可知原有变量不算特别适合进行因子分析。

表2 公因子方差

初始 提取

市盈率 1.000 .706

净资产收益率 1.000 .609

总资产报酬率 1.000 .822

毛利率 1.000 .280

资产现金率 1.000 .731

应收应付比 1.000 .561

营业利润占比 1.000 .782

流通市值 1.000 .957

总市值 1.000 .928

成交量（手） 1.000 .858

提取方法：主成份分析。

表2为公因子方差，即因子分析的初始解，显示了所有变量的共同度数据。第一列是因子分析初始解下的变量共同度，它表明，对原有10个变量如果采用主成分分析方法提取所有特征根(10个)，那么原有变量的所有方差都可被解释，变量的共同度均为1(原有变量标准化后的方差为1)。事实上，因子个数小于原有变量的个数才是因子分析的目标，所以不可提取全部特征根；第二列是在按指定提取条件(这里为特征根大于1)提取特征根时的共同度。可以看到，总资产报酬率、成交量、流通市值、总市值的绝大部分信息可被因子解释，这些变量的信息丢失较少。但毛利率这一变量的信息丢失相当严重(近70%)，净资产收益率、应收应付比率两个变量的信息丢失较为严重(近40%)。因此本次因子提取的总体效果并不理想。

工作报告之统计学调查报告案例

工作报告之统计学调查报告案例

统计学调查报告案例

【篇一：统计学手机调查报告】

实习报告

学 院：＿＿＿贵州大学明德学院＿＿＿＿＿

专 业 ：＿＿＿工商管理＿＿＿＿＿

班 级：＿工商13151＿＿＿＿＿

学 号：＿＿＿1320030432 1320030423＿＿＿＿＿

学生姓名：＿容行、刘世全＿＿＿＿＿＿＿

指导教师：＿＿＿欧美＿＿＿＿＿

实习地点：＿＿＿贵州大学明德学院＿＿

目录

调查背景——————————————3

调查目的——————————————3

调查对象——————————————4

调查时间——————————————4

调查过程——————————————4

数据处理——————————————5

数据分析——————————————8

——描述性

——推断性

结论—————————————————19

建议—————————————————19

问题————————————————20

小组心得——————————————21

12.附件————————————————22

——调查问卷及spss分析截图

13.附录（实习鉴定表与实习日志）—————23

调查背景 由于经济迅速发展，人们生活水平不断提高，社会信息化进程加快，高新科技产品成为了消费热点，手机作为一种方便快捷通讯工具已经逐步走进了现代生活的各个领域，也随之遍布了大学校园的角角落落，走在校园中，随处可见同学们一边走路一边拿着款式不同的手机打电话或者发信息，这是一种新的潮流，新的时尚，也是新时代生活方式，大学生使用手机已经成了一种新的消费理念。于是我们就针对于大学生手机品牌使用选好进行了调查。 但是在市场中的手机品种多，各个企业的竞争大，服务全面而且手机性能高越来越高，那么他们是如何吸引消费者的购买，特别是如何吸引大学生，如何满

足大学生需求的，我们小组对此进行研究。

调查目的

SPSS对主成分回归实验报告

SPSS对主成分回归实验报告

第 1 页 《多元统计分析分析》实验报告

2012 年 月 日

学院 经贸学院 姓名 学号

实验

名称 实验成绩

一、实验目的

（一）利用SPSS对主成分回归进行计算机实现.

（二）要求熟练软件操作步骤，重点掌握对软件处理结果的解释.

二、实验内容

以教材例题7.2为实验对象，应用软件对例题进行操作练习，以掌握多元统计分析方法的应用

三、实验步骤（以文字列出软件操作过程并附上操作截图）

1、数据文件的输入或建立：(文件名以学号或姓名命名)

将表7.2数据输入spss：点击“文件”下“新建”——“数据”见图1：

图1

点击左下角“变量视图”首先定义变量名称及类型：见图2：

图2：

然后点击“数据视图”进行数据输入（图3）：

第 2 页 图3

完成数据输入

2、具体操作分析过程 ：

（1）首先做因变量Y与自变量X1-X3的普通线性回归：

在变量视图下点击“分析”菜单，选择“回归”-“线性”（图4）：

图4

将因变量Y调入“因变量”栏，将x1-x3调入“自变量”栏（图5）：

然后选择相关要输出的结果：①点击右上角“统计量（s）”：“回归系数”下选择“估计”；“残差”下选择“D.W”；在右上角选择输出“模型拟合度”、“部分相关和偏相关”“共线性诊断”（后两项是做多重共线性检验）。选完后点击“继续”（见图6）②如果需要对因变量与残差进行图形分析则需要在“绘制”下选择相关项目（图7），一般不需要则继续③如果需要将相关结果如因变量预测值、残差等保存则点击“保存”（图8），选择要保存的项目④如果是逐步回归法或者设置不带常数项的回归模型则点击“选项”（图9）

其他选项按软件默认。最后点击“确定”，运行线性回归，输出相关结果（见表1-3）

第 3 页 图5

主成分分析报告1

主成分分析报告1

实验名称：主成分分析

一、实验目的和要求

通过上机操作，完成spss软件的主成分分析

二、实验内容和步骤

6.8

如图所示点击analyze-data reduction-factor

将6个变量选入变量框中

分别点击descriptive rotation选项，进行以下操作

点击extraction进行以下分析

点击options

结果如下所示

Correlation Matrix

X1 X2 X3 X4 X5 X6

Correlation X1

1.000 .711 .420 .182 .081 -.166

X2 .711 1.000 .141 .275 .302

-.051

X3 .420 .141 1.000 .028 -.142 .353

X4 .182 .275 .028 1.000 .384 .042

X5 .081 .302 -.142 .384 1.000 .104

X6 -.166 -.051 .353 .042 .104 1.000

上表为相关矩阵，给出了6个变量之间的相关系数主对角线的值均为1，绝大大部分小于0.01，因此可以说明因子之间相关性不是特别的大。

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .434

Bartlett's Test of Sphericity Approx. Chi-Square 45.919

df 15

Sig. .000

上表为KMO和Bartlett检验表，KMO检验是对变量是否适合做因子分析的检验，根据Kaiser常用度量标准，因为此时KMO=0.434,表示此事不适合做因子分析，所以我们用主成分分析。

Communalities

Initial Extraction

X1 1.000 .911

X2 1.000 .785 X3 1.000 .835