主成分分析法怎麼解釋?

General 更新 2024-09-30

主成分分析法的主要目的

是希望用較少的變量去解釋原來資料中的大部分變量，將我們手中許多相關性很高的變量轉化成彼此相互獨立或不相關的變量。通常是選出比原始變量個數少，能解釋大部分資料中變量的幾個新變量，即所謂主成分，並用以解釋資料的綜合性指標。由此可見，主成分分析實際上是一種降維方法。

主成分分析和因子分析有什麼區別？

因子分析與主成分分析的異同點:

都對原始數據進行標準化處理; 都消除了原始指標的相關性對綜合評價所造成的信息重複的影響; 構造綜合評價時所涉及的權數具有客觀性; 在信息損失不大的前提下，減少了評價工作量

公共因子比主成分更容易被解釋; 因子分析的評價結果沒有主成分分析準確; 因子分析比主成分分析的計算工作量大

主成分分析僅僅是變量變換，而因子分析需要構造因子模型。

主成分分析:原始變量的線性組合表示新的綜合變量，即主成分；

因子分析：潛在的假想變量和隨機影響變量的線性組合表示原始變量。

主成分分析法怎麼確定第一主成分

按特徵根的大小

主成分分析法有什麼缺點？

spss中的主成分分析方法是什麼意思

1輸入數據。

2點Analyze 下拉菜單，選Data Reduction 下的Factor 。

3打開Factor Analysis後,將數據變量逐個選中進入Variables 對話框中。

4單擊主對話框中的Descriptive按扭，打開Factor Analysis: Descriptives子對話框，在Statistics欄中選擇Univariate Descriptives項要求輸出個變量的均值與標準差，在Correlation Matrix 欄內選擇Coefficients項，要求計算相關係數矩陣，單擊Continue按鈕返回Factor Analysis主對話框。

5單擊主對話框中的Extraction 按鈕，打開如下圖所示的Factor Analysis: Extraction 子對話框。在Method列表中選擇默認因子抽取方法——Principal Components，在Analyze 欄中選擇默認的Correlation Matrix 項要求從相關係數矩陣出發求解主成分，在Exact 欄中選擇Number of Factors;6，要求顯示所有主成分的得分和所能解釋的方差。單擊Continue按鈕返回Factor Analysis主對話框。

6單擊主對話框中的OK 按鈕，輸出結果。

統計專業研究生工作室原創，請勿複雜粘貼

spss主成分分析結果怎麼看？？急求

KMO檢驗用於檢查變量間的偏相關性一般認為該值大於0.9時效果最佳 0.7以上尚可，0.6時效果較差

Bartlett's球形檢驗用於檢驗相關陣是否是單位陣 P<0.01說明指標間並非獨立，取值是有關係的。可以進行因子分析

根據上圖可以看出一共提取了3個主成分可是能解釋的方差為69.958%

軟件默認的是提取特徵根大於1的主成分如果加上第四個主成分的話可以解釋的變異度為86.26%

所以結合專業知識可以考慮是不是增加一個主成分。

SPSS中主成分分析結果問題，急！！！！

因子分析（你這裡使用主成分法做因子分析）的好壞主要就是看看KMO，特徵值方差貢獻率，共同度和因子載荷，如果都比較好（一般就是說KMO值0.8以上，方差貢獻率起碼0.4，共同度起碼也有0.4，因子載荷起碼均在0.4以上），那就OK

KMO值書上（《吳明隆統計實務》）說的最低限度是0.5，方差貢獻率40%是最低的可接受程度，你的67%已經挺高了，關鍵問題是KMO不好，KMO的意義在於檢驗你的這些數據有沒有一定的內部相關，能不能形成一些局部因子，最少一個，因為因子分析就是給數據分類分維度，要是數據都零零散散，任何兩個題目都不相似，就不適合因子分析，KMO就不高，想提高的話，酌情刪除一些題目（主要是看因子載荷，太低的刪，一個題目在兩個因子上載荷接近的也刪），再重新做因子分析看結果，如果還不好，就加題目，加一些你覺得比較好的項目，主要是靠刪除不好的項目，不過要注意，每個維度最好至少留下3個題目