spss8-主成分分析与因子分析

意的 i, j (1 ≤ i ≤ m,1 ≤ j ≤ n) , Cov(xi , x j ) 都存在，则称矩阵
, yn ) 是 n 维随机向量. 若对任
⎛ Cov(x1, y1) Cov(x1, y2 )
⎜ ⎜
Cov(
x2
,
y1
)
Cov(x2 , y2 )
⎜
⎜ ⎝ Cov(xm , y1) Cov( xm , y2 )
⎟ ⎟
⎟
xpn ⎟⎟⎠
(σ ij ) p× p
， F = AX
Cov(F) = Cov(AX, AX) = ACov(X)A′ V (F)
由于 Cov(X) 是非负定对称矩阵，所以存在正交矩阵 U ，使得
⎡λ1 0
0⎤
U−1Cov(X)U
=
⎢ ⎢ ⎢
0
λ2
0
⎥ ⎥
⎥
⎢ ⎣
0
0
λ
p
⎥ ⎦
其中 λ1, λ2, ,λp 为 Cov(X) 的特征根，不妨假设 λ1 ≥ λ2 ≥
（5）若 X 是随机向量， Cov(X) 存在，则 Cov(X) 是非负定矩阵.
后面的推导过程中用到两个线性代数中的 2 个重要结论. 定理 7-2 （1）若 A 是 p 阶实对称阵，则一定可以找到正交阵 U ，使
⎡λ1 0
0⎤
U−1AU
=
⎢ ⎢ ⎢
0
λ2
0
⎥ ⎥
⎥
⎢ ⎣
0
0
λp
⎥ ⎦
其中 λi ,i = 1.2. p 是 A 的特征根.
（3）对任何向量 a = (a1, a2 , , am )′ ， b = (b1,b2 , , bn )′ ，有 Cov(a′X, b′Y) = a′Cov(X, Y)b . （4）对任何 p × m 阶矩阵 A ， q × n 阶矩阵 B ，有 Cov(AX, BY) = ACov(X, Y)B′

参考文献
6、甘肃省区域综合经济实力变动分析 作者：魏奋子《开发研究》2003年第3期P43~45 7、江苏省区域经济实力的综合评价与实证分析 作者：门可佩《江苏统计》2001年第12期P15~17 8、数理统计方法在河南经济发展水平和分区研究中
的应用 作者：刘钦普《数理统计与管理》 2002年第3期
X1
cos2 sin2 1
(
sin
)
2
cos2
1
cos ( sin ) sin cos 0
Y1 Y2
cos sin
s in cos
X1 X2
U
X
§8.1.2主成分分析的基本概念
主成分分析(Principle Component Analysis) 也称主分量分析,是一种将多个指标化为少数几个综合指 标的统计分析方法。
2.Y1是X1、X2、…、X p的一切线性组合中方差最大的； Y2是与Y1不相关的X1、X2、…、X p的一切线性组合 中方差最大的；（ Y2的方差小于Y1的方差）； Y p是与Y1、Y2、…、Yp-1都不相关的X1、X2、…、X p的一切线性组合中方差最大的（ Y p的方差小于 Y1 、Y2 、 … 、 Yp-1的方差)。 这样确定的综合指标就称为原变量的第一主成分, 第二主成分,第p主成分。
二、几个重要的概念
1．因子载荷
在因子分析模型中，a i j称为因子载荷，它反应了第i个原始 变量Xi在第j个公因子F j上的相对重要性。可以证明原始 变量Xi与公因子F j之间的相关系数等于a i j ，即
rYk ,Xi aij k eki
k, i 1,2,, p
a i j的绝对值越大，表示原始变量Xi与公因子F j之间 关系越密切。

基于SPSS的主成分分析与因子分析的辨析一、本文概述随着统计学的快速发展和广泛应用，主成分分析（Principal Component Analysis, PCA）和因子分析（Factor Analysis, FA）作为两种重要的降维和变量整合技术，在社会科学、医学、经济学等众多领域得到了广泛应用。

SPSS作为一款强大的统计分析软件，为这两种分析方法提供了便捷的操作平台和丰富的功能支持。

然而，尽管PCA和FA在理论上具有一定的相似性，但它们的核心理念、适用场景、解释方式等方面都存在显著差异。

因此，本文旨在通过辨析基于SPSS的主成分分析与因子分析的不同点，帮助研究者更加准确地理解和运用这两种方法，以便更有效地提取信息、简化数据结构，并提升研究的科学性和准确性。

本文首先将对主成分分析和因子分析的基本概念进行简要介绍，明确它们各自的核心思想和理论基础。

随后，将重点分析这两种方法在SPSS软件中的实现过程，包括数据准备、参数设置、结果解读等关键步骤。

在此基础上，文章将详细比较PCA和FA在SPSS应用中的不同点，包括适用范围、前提条件、分析结果解释等方面。

本文还将结合实例分析，展示如何在具体研究问题中选择合适的方法，并对分析结果进行有效解读和应用。

通过本文的辨析和讨论，期望能够帮助研究者更深入地理解主成分分析和因子分析的基本原理及其在SPSS中的应用方法，从而为实证研究提供有力的统计工具和方法支持。

二、主成分分析（PCA）主成分分析（Principal Component Analysis，简称PCA）是一种广泛应用的多元统计方法，其目标是通过降维技术来揭示数据中的内部结构。

PCA通过将多个原始变量转换为少数几个主成分，这些主成分能够最大限度地保留原始数据中的变异信息，并且彼此之间互不相关。

PCA的基本原理是通过对原始变量的协方差矩阵或相关矩阵进行特征值分解，得到一系列的主成分。

每个主成分都是原始变量的线性组合，其权重由特征向量决定。

实验课：因子分析实验目的理解主成分（因子）分析的基本原理，熟悉并掌握SPSS中的主成分（因子）分析方法及其主要应用。

因子分析一、基础理论知识1 概念因子分析（Factor analysis）：就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。

从数学角度来看，主成分分析是一种化繁为简的降维处理技术。

主成分分析（Principal component analysis）：是因子分析的一个特例，是使用最多的因子提取方法。

它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。

选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。

两者关系：主成分分析（PCA）和因子分析（FA）是两种把变量维数降低以便于描述、理解和分析的方法，而实际上主成分分析可以说是因子分析的一个特例。

2 特点（1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。

（2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。

（3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。

（4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。

在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。

显然，在一个低维空间解释系统要比在高维系统容易的多。

3 类型根据研究对象的不同，把因子分析分为R 型和Q 型两种。

当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。

但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。