主成分分析.doc

实验1:-1971年之间雇员情况的数据,共包括474条观测及如下10各变量:ID,gender,Bdate,Educ,Jobcat,Salary,Salbegin,Jobtime,Orevexp,,一起用少数变量来描述该地区居民的雇佣情况。,依次选分析——降维——因子分析点击OK即可,输出为:公因子方差给出了该次分析从每个原始变量中提取的信息,可看出除受教育程度信息损失较大外,主成分几乎包含了各个原始变量至少90%的信息。公因子方差初始提取EducationalLevel(years)(months):主成份分析。解释的总方差显示了各主成分解释原始变量总方差的情况,默认保留特征根大于1的主成分,本例保留3个主成分,%,可见效果比较好。解释的总方差成份初始特征值提取平方和载入合计方差的%累积%合计方差的%累积%%累积%合计方差的%累积%:主成份分析。实际上,主成分解释总方差的百分比也可以由公因子方差表计算得出,即(.754+.896+.916+.999+.968)/5=%,成分矩阵给出了标准化原始变量用求得的主成分线性表示的近似表达式,以currentSalary一行为例,用prin1,prin2,prin3来表示个各主成分,得到:标准化的Salary~*prin1+*prin2+(-02)*(years).846-.194-.-.-.(months)-.:主成份。。在上面的主成分分析中,SPSS默认是从相关矩阵出发求解主成分,且默认保留特征根大于1的主成分,实际上,对主成分的个数,我们可以自己确定,方法为:选择“抽取——因子的固定数量”可以输入别的数值来改变SPSS软件保留特征根的大小。另外,还可以直接确定主成分个数。在实际进行主成分分析时可以先按照默认设置做一次主成分分析,然后根据输出结果确定应保留主成分的个数,用该方法进行设定后重新分析。由成分矩阵中的结果可以得到:第一主成分的方差。又有这恰好与公因子方差表中三个主成分提取Salary变量的信息相等,重做一遍主成分,此次将5个主成分全部保留,得到成份矩阵a成份12345EducationalLevel(years).846-.194-.-.-.077-.183-.-.-.013-.026PreviousExperience(months)-.:主成份。。对上表中结果有如下关系式:还可得到标准化原始变量用各主成分线性表示的精确的表达式:Salary=*prin1+*prin2+(-02)*prin3-*prin4+*prin5由默认选项输出的结果,我们还不能得到用原始变量表示出主成分的表达式,要得到这个结果及其他一些有用的结果,就需要对模块中的设置作调整。方法如下:得分——显示因子得分系数矩阵。输出:成份得分系数矩阵成份123Educati