电脑桌面
添加小米粒文库到电脑桌面
安装后可以在桌面快捷访问

spss进行主成分分析和得分分析范文

spss进行主成分分析和得分分析范文_第1页
1/10
spss进行主成分分析和得分分析范文_第2页
2/10
spss进行主成分分析和得分分析范文_第3页
3/10
spss 进行主成分分析与得分分析1将数据录入 spss1.2数据标准化:打开数据后选择分析→描述统计→描述,对数据进行标准化,选中将标准化得分另存为变量:2.3进行主成分分析:选择分析→降维→因子分析,3.4设置描述性,抽取,得分和选项:4.5查看主成分分析和分析:相关矩阵表明,各项指标之间具有强相关性。比如指标 GDP 总量与财政收入、固定资产投资总额、第二产业增加值、第三产业增加值、工业增加值的相关系数较大。这说明他们之间指标信息之间存在重叠,适合采纳主成分分析法。(下表非完整呈现)5.6由 Total Variance Explained ( 主 成 分 特 征 根 和 贡 献 率 ) 可 知 , 特 征 根λ1=9.092,特征根 λ2=1.150 前两个主成分的累计方差贡献率达 93.107%,即涵盖了大部分信息。这表明前两个主成分能够代表最初的 11 个指标来分析各个城市经济综合实力的进展水平,故提取前两个指标即可。主成分,分别记作 F1、F2。6.7指标 X1、X2、X3、X4、X5、X6、X7、X8、X9、X10 在第一主成分上有较高载荷,相关性强。第一主成分集中反映了总体的经济总量。X11 在第二主成分上有较高载荷,相关性强。第二主成分反映了人均的经济量水平。但是要注意:这个主成分载荷矩阵并不是主成分的特征向量,也就是说并不是主成分 1 和主成分2 的系数,主成分系数的求法是:各自主成分载荷向量除以各自主成分特征值的算术平方根。7.8成分得分系数矩阵(因子得分系数)列出了强两个特征根对应的特征向量,即各主要成分解析表达式中的标准化变量的系数向量。故各主要成分解析表达式分别为:F1=0.32ZX11+0.33ZX12+0.31ZX13+0.31ZX14+0.32ZX15+0.32ZX16+0.32ZX17+0.32ZX18+0.32ZX19+0.21ZX110+0.15ZX111F2=8.46ZX21+0.02ZX22-0.02ZX23-0.20ZX24-0.23Z25-0.04ZX26-0.15ZX27-0.02ZX28+0.10ZX29+0.47ZX210+0.78ZX2118.9主成分的得分是相应的因子得分乘以相应的方差的算术平方根。即:主成分 1 得分=因子 1 得分乘以 9.092 的算术平方根 主成分 2 得分=因子 2 得分乘以 1.150 的算术平方根例如:主成分因子=FAC1_1*9.092 的算术平方根=3.59386*9.092 的算术平方根=10.83,将各指标的标准化数据带入个主成分解析表达式中,分别计算出 2 个主成分得分(F1、F2),再以个主成分的贡献率为全书对主成分得分进行加权平均,即:H=(82.672*F1+10.497*F2)/93.124,求得主成分综合得分。END经验容仅供参考,假如您需解决具体问题(尤其法律、医学等领域),建议您详细咨询相关领域专业人士。举报作者声明:本篇经验系本人依照真实经历原创,未经许可,绝。

1、当您付费下载文档后,您只拥有了使用权限,并不意味着购买了版权,文档只能用于自身使用,不得用于其他商业用途(如 [转卖]进行直接盈利或[编辑后售卖]进行间接盈利)。
2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。
3、如文档内容存在违规,或者侵犯商业秘密、侵犯著作权等,请点击“违规举报”。

碎片内容

spss进行主成分分析和得分分析范文

确认删除?
VIP
微信客服
  • 扫码咨询
会员Q群
  • 会员专属群点击这里加入QQ群
客服邮箱
回到顶部