spss软件进行主成分分析的应用例子定稿版.docx
- 文档编号:29187709
- 上传时间:2023-07-21
- 格式:DOCX
- 页数:12
- 大小:25.74KB
spss软件进行主成分分析的应用例子定稿版.docx
《spss软件进行主成分分析的应用例子定稿版.docx》由会员分享,可在线阅读,更多相关《spss软件进行主成分分析的应用例子定稿版.docx(12页珍藏版)》请在冰豆网上搜索。
spss软件进行主成分分析的应用例子定稿版
SpSS软件进行主成分
分析的应用例子精编
WORD版
IBMsystemofficeroom[A0816H-A0912AAAHH-GX8Q8-GNTHHJ8
SPSS软件进行主成分分析的应用例子
2002年16家上市公司4项指标的数据⑸见表2,定量综合贏利能力分析如下:
表22002年16家上市公司4项指标的数据
公司
销售净利率
(XJ
资产净利率
(x2)
净资产收益率
(X3)
销售毛利率
(X4)
歌华有
线
五粮液
用友软
件
太太药
业
浙江阳
光
烟台万
华
方正科
43.31
17.11
21.11
29.55
11.00
17.63
2.73
29.11
20.29
3.99
22.65
7.39
12.13
6.03
8.62
8.41
13.86
4.22
5.44
9.48
4.64
11.13
8.73
17.29
7.00
10.13
11.83
15.41
17.16
6.09
12.97
9.35
14.3
54.89
44.25
89.37
73
25.22
36.44
9.96
56.26
82.23
13.04
50.51
红河光
明
贵州茅
台
中铁二
局
5.40
7.06
19.82
7.26
8.90
2.79
10.53
2.99
12.53
5.24
18.55
6.99
65.5
19.79
42.04
22.72
红星发
展
伊利月殳
份
青岛海
尔
湖北宜
化
雅戈尔
福建南
纸
1•主成分分析的做法
第一,将EXCEL中的原始数据导入到SPSS软件中;
注意:
导人Spss的数据不能出现空缺的现象,如出现可用0补齐。
第二,对四个指标进行标准化处理;
[11“分析”I“描述统计”I“描述”。
[2]弹出“描述统计”对话框,首先将准备标准化的变量移入变量组中,此时,最重要的一步就是勾选“将标准化得分另存为变量”,最后点击确定。
【3】返回SPSS的“数据视图”,此时就可以看到新增了标准化后数据的字段。
所做工作:
么原始数据的标准化处理
数据标准化主要功能就是消除变量间的量纲关系,从而使数据具有可比性,可以
举个简单的例于,一个百分制的变量与一个5分值的变量在一起怎么比较?
只有通过数据标准化,都把它们标准到同一个标准时才具有可比性,一般标准化采用的是Z标
准化,即均值为(),方差为1,当然也有其他标准化,比如()-1标准化等等,可根据自己的研究目的进行选择,这里介绍怎么进行数据的Z标准化。
所的结论:
标准化后的所有指标数据。
注意:
SPSS在调用FactorAnalyze过程进行分析时,SPSS会自动对原始数据进行标准化处理,所以在得到计算结果后的变量都是指经过标准化处理后的变量,但SPSS并不直接给出标准化后的数据,如需要得到标准化数据,则需调用Duscriptivus过程进行计算。
第三,并把标准化后的数据保存在数据编辑窗口中然后利用SPSS的factor程对数据进行因于分析(指标之间的相关性判定略)。
[1]“分析”I““降维”I
“因于分析”选项卡,将要进行分析的变量选入“变
量”列表;
[2]
设置“描述”
“原始分析结果”和“KMC)与Bartlett球形度检验”复
选框;
[3]
设置““抽取”
“碎石图”复选框;
[4]
设置“旋转”
“最大方差法”复选框;
[5]设置““得分”,勾选巴保存为变量”和“因于得分系数”复选框;
[6]查看分析结果。
所做工作:
a.查看KMO和Bxtlett的检验
KMO值接近1.KMO值越接近于1,意味曽变量间的相关性越强,原有变量越适合作因于分析;
Bnrdcu球度度检验的Sig值越小于显着水平0.05,越说明变量之间存在相关关系。
所的结论:
符合因于分析的条件,可以进行因予分析,并进一步完成主成分分析。
注意:
l.KMO(Kaiser-Meyer-Olkin)
KMO统计量是取值在()和1之间。
当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时,KMO值接近1.KMC)值越接近于1,意味着变量间的相关性越强,原有变量越适合作因于分析;当所有变量间的简单相关系数平方和接近0时,KMO值接近O.KMO值越接近于(),意味着变量间的相关性越弱,原有变量越不适合作因于分析。
Kaiser给出了常用的km。
度量标准:
0.9以上表示非常适合;().8表示适台;0.7表示一般;0.6表示不太适合;0.5以下表示极不适合。
2.Bardett球度检验:
巴特利特球度检验的统计量是根据相关系数矩阵的行列式得到的,如果该值较大,且其对应的相伴槪率值小于用户心中的显善性水平,那么应该拒绝零假设,认为相关系数矩阵不可能是单位阵,即原始变量之间存在相关性,适合于做主成份分析;相反,如果该统计量比较小,且其相对应的相伴槪率大于显着性水平,则不能拒绝零假设,认为相关系数矩阵可能是单位阵,不宜于做因于分析。
Bartlett球度检验的原假设为相关系数矩阵为单位矩阵,Sig值为0.()01小于显着水平()・()5,因此拒绝原假设,说明变量之间存在相关关系,适合做因于分析。
所做工作:
b.全部解释方差或者解释的总方差(Tot^lVarianceExplained)
初始特征根(InitialEigmvalucs)大于1,并且累计百分比达到80%~85%以上。
査看相关系数矩阵的特征根及方差贡献率见表3,由于前2个主成分贡献率A85%、结合表4中变量不出现丢失,所以提取的主成分个数
所的结论:
初始特征根:
儿=1.897k2=1.550
主成分贡献率:
“=0.47429门=0.38740注意:
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,相关系数矩阵的特征根刚好尊于主成分的方差,而方差是变量教据蕴涵信息的重要判据之一。
根据X值决定主成分数目的准则有三:
1.只取入>1的特征根对应的主成分
从TotalVarianceExplained表中可见,第一、第二和第三个主成分对应的入值都大于1,这意味善这三个主成分得分的方差都大于1°本例正是根据这条准则提取主成分的。
2•累计百分比达到80%~85%以上的'值对应的主成分
在TotalVarianceExplained表可以看出,前三个主成分对应的k值累计百分比达至§89.584%,这暗示只要选取三个主成分,信息、量就够了。
3.根据特征根变化的突变点决定主成分的数量
从特征根分布的折线图(ScreePlot)上可以看到,第4个入值是一个明显的折点,这暗示选取的主成分数目应有4。
那么,究竟是3个还是4个呢?
根据前面两条准则,选3个大致合适(但小有问题)°
第四,计算特征向量矩阵(主成分表达式的系数)
【1】将初始因于载荷矩阵中的两列数据输入(可用复制粘贴的方法)到数据编辑窗口
(为变量VI、V2);
F严V/SQR(儿)
[21然后利用“转换”|“计算变量”,打开“计算变量”对话框,在“目标变量”
文本框中输入“巧”,然后在数字表达式中输入“Vi/SQRg”[注入=1.897],即可得到特征
向量耳;
【3】然后利用“转换”|“计算变量”,打开“计算变量”对话框,在“目标变量”
文本框中输入宅”,然后在数字表达式中输入“W/SQR()y[注入=1.550],即可得到特征
向量电;
[4]最后得到特征向量矩阵(主成分表达式的系数)。
所做工作:
a.成分矩阵或者初始因子载荷矩阵(ComponentMatrix)
初始因于载荷矩阵见上图,通过初始因于载荷矩阵还不能得出主成分的表达式,还需要把初始因于载荷矩阵中的每列的系数(主成分的载荷)除以其相应主成分的特征根的平方根后才能得到主成分系数向量(主成分的得出系数);
所的结论:
1.用于计算主成分表达式系数的初始因于载荷矩阵中每个指标的载荷。
2•计算后,得到的主成分表达式的系数矩阵。
注意:
1・主成分表达式的系数
提取岀来的全部主成分可以基本反映全部指标的信息,但这些新变量(主成分)的表达却不能从输出窗口中直接得到,即:
主成分中每个指标所对应的系数不是初始因于载荷矩阵中的对应指标的载荷,因为“CompmmtMatrix”是指初始因于载荷矩阵,每一个载荷量表示主成分与对应变量的相关系数。
2•主成分表达式系数的计算方法
初始因于载荷矩阵或主成分载荷矩阵(CmpmmMwix)中的数据除以主成分相对应的特征根(或特征值)开平方根便得到两个主成分中每个指标所对应的系数。
F产Vi/SQRg)
3.主成分的指标划分与命名
初始因于载荷矩阵或主成分载荷矩阵(CompmztWtrix)中每列表示相应主成分与对应变量的相关系数,每个主成分所反映的原始指标各有不同,为进一步明确每个主成分侧重反应的具体原始指标,需要对原始指标在每个主成分上的载荷进行比较,其中载荷越大,其对应的主成分反映该原始指标的信息量越大,反之亦然;如果某一原始指标在几个主成分的载荷绝对值不相上下,归类比较含混,导致主成分的原始指标划分不清。
说明有必要作进一步的因于分析。
从ComponentMatrix即主成分载荷表中可看出,哪一原始指标在哪一主成分上载荷绝对值较大,亦即与该主成分的相关系数较高【注:
相关分为正负相关】。
第五,计算主成分得分矩阵(主成分得分)
[1]将得到的特征向量与标准化后的数据相乘,然后就可以得出主成分函数的表达
式;
Zi=Fii*zXt+F12*zX2+Fn*zX3+F14*2X4
Z2=F21*zX(+F^zX,+F23*zXs+F24*2X4(其中,z±为标准化后的数据)
12]然后利用“转换”|“计算变量”,打开“计算变量”对话框,在“目标变量”文本框中输入N”,然后在数字表达式中输入“().531*Z(销售净利率)+().594*Z(资产净利率)+0.261*Z(净资产收益率)+().546*Z(销售毛利率)”[注:
巧=0.531,0.594,().261,0.546],即可得到特征向量乙;
[3]同理[ft:
F2=-0.412,0.404,0.720,-0.383],可得到特征向量Z?
;
[4]求出16家上市公司的主成分值。
所做工作:
仏对原始数据标准化后的数据
标准化后的数据;
所的结论:
1•用于计算主成分表达式系数的初始因于载荷矩阵中每个指标的载荷。
注竄:
1•特征向量矩阵载荷的用运
Zl吋心已3性$+F/z工
乙=C比S+比2性3+F23性FJzX(其中,NS为标准化后的数据)
第六,最后利用主成分函数、综合主成分公式:
[1]将得到的特征向量与标准化后的数据相乘,然后就可以得出主成分表达式;
Z=r1*Z1+r2*Z2
[2]然后利用“转换”|“计算变量”,打开“计算变量”对话框,在“目标变量”文本框中输入“Z”,然后在数字表达式中输入bZ+r?
也2”[注:
“=().47429,「2=0.3874],即可得到综合主成分;
[31综合主成分(贏利能力)值。
所做工作:
z对原始数据标准化后的数据
标准化后的数据;
所的结论:
1•用于计算主成分表达式系数的初始因于载荷矩阵中每个指标的载荷。
注意:
1.综合主成分得分的计算方法
Z=r汁乙+r£Z2(Z:
综合主成分得分;匚:
主成分贡献率;乙:
主成分i得分)
表5•主成分.综合主成分(赢利能力)值
公司
Z1
Z2
Z
烟台万
1.21
1.46
1.14
华
1.16
1.46
1.12
五粮液
1.03
1.41
1.03
雅戈尔
1.20
0.53
0.77
红星发
1.41
-0.31
0.55
展
0.21
0.35
0.24
贵州茅
台
131
-1.08
0.20
青岛海
-0.83
1.06
0.02
尔
-0.56
0.60
-0.03
太太药
1.23
-1.69
-0.07
业
-1.72
1.52
-0.23
伊利股
0.62
-1.89
-0.44
份
浙江阳
光
歌华有
线
方正科
技
用友软
件
红河光
明
中铁二
局
福建南
纸
湖北宜
0.09
-2.00
-2.07
-2.29
-1.88
0.15
-0.72
-0.99
-0.69
-0.89
-1.26
-1.47
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- spss 软件 进行 成分 分析 应用 例子 定稿
![提示](https://static.bdocx.com/images/bang_tan.gif)