基于R软件的主成分分析.doc

基于R软件的主成分分析
基于R软件的主成分分析
基于R软件的主成分分析
软件第二次作业
——鉴于R软件的主成分剖析
ale(sj)#将数据进行标准化
door<=cor(sjt)#求有关矩阵
dcor#输出的结果不是很清晰，故我们对结果做改良
symnum(dcor)#改良有关矩阵的结果
\xb7\xb9\xbb\xc5\xb5\xb3
在岗员工\xc8
非农业人口数
1
工业总产值
,
1
货运总量
+
,
1
批发零售住宿餐饮业从业人数
,
.
.
1
地方政府估算内收入
,
*
+
,
1
城乡居民年末积蓄余额
.
.
.
+.
1
在岗员工人数
,
,
,
,
1
在岗员工薪资总额
+
,
,
+
*
+.
人均居住面积
每万人拥有公共汽车数
.
人均拥有铺装道路面积
.
人均公共绿地面积..
在岗员工\xb9人均\xbe\xc3人均\xd3人均\xb9
非农业人口数
工业总产值
货运总量
批发零售住宿餐饮业从业人数
地方政府估算内收入
城乡居民年末积蓄余额
在岗员工人数
在岗员工薪资总额1
基于R软件的主成分分析
基于R软件的主成分分析
基于R软件的主成分分析
3
基于R软件的主成分分析
基于R软件的主成分分析
基于R软件的主成分分析
人均居住面积
1
每万人拥有公共汽车数
.
1
人均拥有铺装道路面积
.
*1
人均公共绿地面积
.,
1
attr(,"legend")
[1]0‘’‘.’‘,’‘+’‘*’
‘B’1
从输出的改良后的有关矩阵，我们能够看出原始变量之间有较强的有关性，进行因子剖析是合适的。
deig<-eigen(dcor)#求有关矩阵的特点值个特点向量
deig$values#输出特点值
[1]
screeplot(psjt,type="line",main='碎石图',lwd=2)#对数据做碎石图
从碎石图上能够看出，前三个因子波动幅度较大说明他们携带的信息较多，而三个因子此后幅度显然较缓，故提取三个因子最为合适，下面验算一下前三个主成分的累计方差贡献率是否超过80%。
psjt<-princomp(sjt,cor=T)#对数据做主成分剖析
psjt#输出结果，进行察看
Call:
princomp(x=sjt,cor=T)
Standarddeviations:
.
.
12variablesand35obs