当前位置：文档之家 › SPSS进行主成分分析报告

SPSS进行主成分分析报告

  • 格式：doc
  • 大小：370.50 KB
  • 文档页数：12

标准实用 文案大全 实验七、利用SPSS进行主成分分析 【例子】 以全国31个省市的8项经济指标为例，进行主成分分析。 第一步：录入或调入数据（图1）。

图1 原始数据（未经标准化） 第二步：打开“因子分析”对话框。 沿着主菜单的“Analyze→Data Reduction→Factor”的路径（图2）打开因子分析选项框（图3）。

图2 打开因子分析对话框的路径 标准实用

文案大全 图3 因子分析选项框 第三步：选项设置。 首先，在源变量框中选中需要进行分析的变量，点击右边的箭头符号，将需要的变量调入变量（Variables）栏中（图3）。在本例中，全部8个变量都要用上，故全部调入（图4）。因无特殊需要，故不必理会“Value”栏。下面逐项设置。

图4 将变量移到变量栏以后 ⒈ 设置Descriptives描述 选项。 单击Descriptives按钮（图4），弹出Descriptives对话框（图5）。 标准实用 文案大全 图5 描述选项框 在Statistics 统计 栏中选中Univariate descriptives复选项，则输出结果中将会给出原始数据的抽样均值、方差和样本数目（这一栏结果可供检验参考）；选中Initial solution复选项，则会给出主成分载荷的公因子方差（这一栏数据分析时有用）。 在Correlation Matrix栏中，选中Coefficients复选项，则会给出原始变量的相关系数矩阵（分析时可参考）；选中Determinant复选项，则会给出相关系数矩阵的行列式，如果希望在Excel中对某些计算过程进行了解，可选此项，否则用途不大。其它复选项一般不用，但在特殊情况下可以用到（本例不选）。 设置完成以后，单击Continue按钮完成设置（图5）。

⒉ 设置Extraction选项。 打开Extraction对话框（图6）。因子提取方法主要有7种，在Method栏中可以看到，系统默认的提取方法是主成分（Principal Components），因此对此栏不作变动，就是认可了主成分分析方法。 在Analyze栏中，选中Correlation matrix复选项，则因子分析基于数据的相关系数矩阵进行分析；如果选中Covariance matrix复选项，则因子分析基于数据的协方差矩阵进行分析。对于主成分分析而言，由于数据标准化了，这两个结果没有分别，因此任选其一即可。 在Display栏中，选中Unrotated factor solution（非旋转因子解）复选项，则在分析结果中给出未经旋转的因子提取结果。对于主成分分析而言，这一项选择与否都一样；对于旋转因子分析，选择此项，可将旋转前后的结果同时给出，以便对比。 选中Scree Plot（“山麓”图），则在分析结果中给出特征根按大小分布的折线图（形如山麓截面，故得名），以便我们直观地判定因子的提取数量是否准确。 在Extract栏中，有两种方法可以决定提取主成分（因子）的数目。一是根据特征根（Eigenvalues）的数值，系统默认的是1c。我们知道，在主成分分析中，主成分得分的方差就是对应的特征根数值。如果默认1c，则所有方差大于等于1的主成分将被保留，其余舍弃。如果觉得最后选取的主成分数量不足，可以将c值降低，例如取9.0c；如果认为最后的提取的主成分数量偏多，则可以提高c值，例如取1.1c

。主成分数目是否合适，要在进行一轮分析以后才能肯定。因此，特征根数值

的设定，要在反复试验以后才能决定。一般而言，在初次分析时，最好降低特征根的临标准实用 文案大全 界值（如取8.0c） ，这样提取的主成分将会偏多，根据初次分析的结果，在第二轮分析过程中可以调整特征根的大小。 第二种方法是直接指定主成分的数目即因子数目，这要选中Number of factors复选项。主成分的数目选多少合适？开始我们并不十分清楚。因此，首次不妨将数值设大一些，但不能超过变量数目。本例有8个变量，因此，最大的主成分提取数目为8，不得超过此数。在我们第一轮分析中，采用系统默认的方法提取主成分。

图6 提取对话框 需要注意的是：主成分计算是利用迭代（Iterations）方法，系统默认的迭代次数是25次。但是，当数据量较大时，25次迭代是不够的，需要改为50次、100次乃至更多。对于本例而言，变量较少，25次迭代足够，故无需改动。 设置完成以后，单击Continue按钮完成设置（图6）。

⒊ 设置Scores设置。 选中Save as variables栏，则分析结果中给出标准化的主成分得分（在数据表的后面）。至于方法复选项，对主成分分析而言，三种方法没有分别，采用系统默认的“回归”（Regression）法即可。

图7 因子得分对话框 标准实用

文案大全 选中Display factor score coefficient matrix，则在分析结果中给出因子得分系数矩阵及其相关矩阵。 设置完成以后，单击Continue按钮完成设置（图7）。

⒋ 其它。 对于主成分分析而言，旋转项（Rotation）可以不必设置；对于数据没有缺失的情况下，Option项可以不必理会。 全部设置完成以后，点击OK确定，SPSS很快给出计算结果（图8）。

图8 主成分分析的结果 第四步，结果解读。 在因子分析结果（Output）中，首先给出的Descriptive Statistics，第一列Mean对应的变量的算术平均值，计算公式为

niijjxnx1

1

第二列Std. Deviation对应的是样本标准差，计算公式为 2/112])(11[nijijjxx

n

第三列Analysis N对应是样本数目。这一组数据在分析过程中可作参考。 标准实用 文案大全 Descriptive Statistics1921.0931474.80603301745.933861.6419330511.5083402.88548305457.6331310.2180530666.1400459.9669930117.28672.0253130114.90671.8980830862.9980584.5872630

国内生产居民消费固定资产职工工资货物周转消费价格商品零售工业产值

MeanStd. DeviationAnalysis N

接下来是Correlation Matrix(相关系数矩阵)，一般而言，相关系数高的变量，大多会进入同一个主成分，但不尽然，除了相关系数外，决定变量在主成分中分布地位的因素还有数据的结构。相关系数矩阵对主成分分析具有参考价值，毕竟主成分分析是从计算相关系数矩阵的特征根开始的。相关系数阵下面的Determinant=1.133E-0.4是相关矩阵的行列式值，根据关系式0)det(RI可知，det(λI)=det(R),从而Determinant=1.133E-0.4=λ1*λ2*λ3*λ4*λ5*λ6*λ7*λ8。这一点在后面将会得到验证。

Correlation Matrixa

1.000.267.951.191.617-.273-.264.874.2671.000.426.718-.151-.235-.593.363.951.4261.000.400.431-.280-.359.792.191.718.4001.000-.356-.135-.539.104.617-.151.431-.3561.000-.253.022.659-.273-.235-.280-.135-.2531.000.763-.125-.264-.593-.359-.539.022.7631.000-.192.874.363.792.104.659-.125-.1921.000

国内生产居民消费固定资产职工工资货物周转消费价格商品零售工业产值

国内生产居民消费固定资产职工工资货物周转消费价格商品零售工业产值

Determinant = 1.133E-04a. 在Communalities中，给出了因子载荷阵的初始主成分方差（Initial）和提取主成分方差（Extraction），后面将会看到它们的含义。

Communalities

1.000.9451.000.8001.000.9021.000.8751.000.8571.000.9571.000.9291.000.903

国内生产居民消费固定资产职工工资货物周转消费价格商品零售工业产值

InitialExtraction

Extraction Method: Principal Component Analysis. 在Total Variance Explained(全部解释方差) 表的Initial Eigenvalues（初始特标准实用 文案大全 征根）中，给出了按顺序排列的主成分得分的方差(Total)，在数值上等于相关系数矩阵的各个特征根λ，因此可以直接根据特征根计算每一个主成分的方差百分比（% of Variance）。由于全部特征根的总和等于变量数目，即有m=∑λi=8，故第一个特征根的方差百分比为λ1/m=3.755/8=46.939，第二个特征根的百分比为λ2/m=2.197/8= 27.459，……，其余依此类推。然后可以算出方差累计值（Cumulative %）。在Extraction Sums of Squared Loadings，给出了从左边栏目中提取的三个主成分及有关参数，提取的原则是满足λ>1，这一点我们在图6所示的对话框中进行了限定。

Total Variance Explained

3.75546.93946.9393.75546.93946.9392.19727.45974.3982.19727.45974.3981.21515.18689.5841.21515.18689.584.4025.03194.615.2132.66097.275.1381.72498.9996.5E-02.81899.8171.5E-02.183100.000

Component12345678Total% ofVarianceCumulative%Total% ofVarianceCumulative%Initial EigenvaluesExtraction Sums of Squared Loadings

Extraction Method: Principal Component Analysis. Scree Plot

Component Number87654321Eigenvalue4

3210

图8 特征根数值衰减折线图（山麓图） 主成分的数目可以根据相关系数矩阵的特征根来判定，如前所说，相关系数矩阵的特

合集下载

2021年SPSS对主成分回归实验报告

2021年SPSS对主成分回归实验报告

《多元统计分析分析》试验汇报年月日学院经贸学院姓名学号试验试验成绩名称一、试验目（一）利用SPSS对主成份回归进行计算机实现.（二）要求熟练软件操作步骤, 关键掌握对软件处理结果解释.二、试验内容以教材例题7.2为试验对象, 应用软件对例题进行操作练习, 以掌握多元统计分析方法应用三、试验步骤（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）: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-X3一般线性回归: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结果: ①点击右上角“统计量（s）”: “回归系数”下选择“估量”; “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”“共线性诊疗”（后两项是做多重共线性检验）。

选完后点击“继续”（见图6）②假如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）, 通常不需要则继续③假如需要将相关结果如因变量估计值、残差等保留则点击“保留”（图8）, 选择要保留项目④假如是逐步回归法或者设置不带常数项回归模型则点击“选项”（图9）其她选项按软件默认。

最终点击“确定”, 运行线性回归, 输出相关结果（见表1-3）图5 图6图7图8图9回归分析输出结果:表1模型汇总b量应该最少代表1个变量信息）, 也能够自选提取因子个数（即第二项）, 本例中做主成份回归, 选择提取全部可能3个主成份, 所以自选个数填3。

选完后点击“继续”进行下一步; ③点击“旋转”（图14）, 按默认“方法”下不旋转（注意, 主成份分析不能旋转! ）其她不用选, 点击“继续”进行下一步; ④点击“得分”, 计算不旋转初始因子得分（图15）, 选中“保留为变量”, “方法”下按默认, 其她不修改, 点击“继续”进行下一步。

用spss做主成分分析例题

用spss做主成分分析例题

用spss做主成分分析例题主成分分析（PrincipalComponentAnalysis，PCA）是一种常用的统计分析方法，它可以将任意数量的变量表示为少量的有意义的新变量，即投影，这样可以大大减少数据量，使研究变得更容易，并且得到更有用的结果。

本文将介绍使用SPSS软件进行主成分分析的一个实例，以便帮助读者更好地理解这种统计技术。

首先，确定数据。

本文将使用来自《美国统计报告》的一些数据，包括人口、收入、就业和犯罪数据。

这些数据将用于分析地区的社会发展情况。

接下来，打开SPSS，在“文件”菜单中选择“新建”，然后从硬盘中加载所需的数据集。

在“数据”菜单中选择“处理变量”，以定义被测变量和控制变量。

接着，在“统计”菜单中选择“主成分分析”，提供必要的参数，如要求的主成分的个数。

然后，选择“运行”，生成结果报表。

这样，就可以计算出数据中不同变量之间的相关性，从而推导出主成分，也就是这些变量之间具有一定关联性的变量组合。

主成分分析的每个主成分都可以用原始数据中的变量组合表示，减少了数据量。

最后，从结果报表中可以查看每个变量与主成分的关联性，以及这些变量组合的贡献率。

因此，可以得出结论，地区的社会发展状况可以归结为人口、收入、就业和犯罪等指标。

利用SPSS软件进行主成分分析，在计算机统计分析领域起着重要作用。

不仅可以把多个变量投影到一个变量上，还可以减少数据量，以便更好地探索各个变量之间的关系，最终得出结论并决定措施。

总之，本文详细讨论了使用SPSS软件进行主成分分析的实例，并且说明了它如何帮助分析变量之间的关系，以便研究论文的作者更好地解释研究数据。

spss主成分分析案例

spss主成分分析案例

spss主成分分析案例SPSS主成分分析案例。

主成分分析（Principal Component Analysis, PCA）是一种常用的数据降维方法，它可以将原始变量转换成一组新的互相无关的变量，这些新变量被称为主成分。

主成分分析可以帮助我们发现数据中的模式和结构，从而更好地理解数据的特性。

本文将以一个实际案例来介绍如何在SPSS软件中进行主成分分析，并解释如何解读分析结果。

案例背景：某公司想要了解员工的工作满意度，为了更全面地了解员工对工作的感受，公司设计了一份包含多个问题的调查问卷，涉及到工作内容、工作环境、薪酬福利等方面。

为了简化分析，公司希望利用主成分分析来提取出最能代表员工工作满意度的几个维度。

数据收集：公司对全体员工进行了调查，共有300份有效问卷。

每份问卷包含了20个问题，涉及到不同方面的工作满意度评价。

这些问题涵盖了工作内容、同事关系、上级领导、薪酬福利等多个方面。

数据分析：首先，我们需要将数据导入SPSS软件中，然后依次点击“分析”-“数据降维”-“主成分”命令。

在弹出的对话框中，我们选择需要进行主成分分析的变量，即员工对不同问题的评分。

在选择了变量后，我们可以点击“选项”按钮，对分析进行进一步设置，比如选择旋转方法、提取条件等。

在进行了上述设置后，我们点击“确定”按钮，SPSS将会为我们生成主成分分析的结果。

在结果中，我们可以看到提取的主成分个数、每个主成分的方差解释比例、成分矩阵等信息。

通过这些信息，我们可以判断提取的主成分是否符合要求，以及每个主成分的解释能力如何。

解读结果：在这个案例中，我们提取了3个主成分，这3个主成分分别解释了总方差的60%、25%和15%。

成分矩阵显示了每个问题对应的主成分载荷，通过分析载荷大小，我们可以判断每个主成分所代表的具体内容。

比如，第一个主成分可能代表工作内容满意度，第二个主成分可能代表同事关系满意度，第三个主成分可能代表薪酬福利满意度。

主成分分析在SPSS中的操作应用

主成分分析在SPSS中的操作应用

主成分分析在SPSS中的操作应用1.数据准备首先，将需要进行主成分分析的变量准备好，确保这些变量是数值型的，并且不含有缺失值。

如果有缺失值，可以选择删除这些观测值或者进行缺失值处理。

2.打开主成分分析对话框在SPSS软件的菜单栏中选择“Analyze”（分析）-> "Dimension Reduction"（降维）-> "Factor"（因子/主成分分析）。

弹出一个主成分分析对话框。

3.选择变量在主成分分析对话框的“Variables”（变量）栏中，选择要进行主成分分析的变量，并将其添加到“Variables”栏中。

可以使用“>”按钮将变量从“Variables”栏中添加到“Selected Variables”（已选择变量）栏中。

4.主成分提取方法5.成分数量在主成分分析对话框的“Extraction”选项卡中，还可以设置要提取的主成分数量。

可以手动设置数量，也可以选择提取具有特定特征值水平的主成分。

6.主成分旋转方法在主成分分析对话框的“Rotation”（旋转）选项卡中，可以选择主成分的旋转方法。

SPSS提供了多种方法，例如方差最大旋转法（Varimax Rotation）和直感旋转法（Quartimax Rotation）等。

选择适当的方法可以使得主成分更易解释。

7.结果解释8.导出结果在主成分分析结果中，可以选择导出一些结果，如旋转后的载荷矩阵，以便在后续分析中使用。

可以使用SPSS软件的导出功能，将结果保存为文本文件或Excel文件等格式。

总之，SPSS软件提供了简便而且强大的主成分分析功能，可以通过上述步骤进行操作应用。

熟悉主成分分析的相关知识，合理选择参数和方法，可以帮助我们更好地理解数据，并有效地进行数据压缩和特征提取。