1. 首頁 > 生活百科 > >

spss主成分分析怎么計算權重 spss主成分分析法

生活百科

我們取educ、salary、salbegin、jobtime、prevexp來進行主成分分析，首先要對數據進行標準化處理，這樣才能較好的比較：點擊分析——-描述統計—–描述在對話框中選入要篩選的變量，然后選擇將標準化值另存為變量這樣數
我們取educ、salary、salbegin、jobtime、prevexp來進行主成分分析，首先要對數據進行標準化處理，這樣才能較好的比較：
點擊分析——-描述統計—–描述
在對話框中選入要篩選的變量，然后選擇將標準化值另存為變量
這樣數據的標準化就完成了，我們得到了5個標準化數據
將數據標準化完成后就可以進行正式分析了
點擊分析—-降維—-因子

spss主成分分析怎么計算權重 spss主成分分析法

文章插圖
【spss主成分分析怎么計算權重 spss主成分分析法】把需要的數據選入，描述部分選擇KMO和巴特利球形檢驗
在提取部分選擇碎石圖
旋轉部分選擇載荷圖
得分部分選擇：保存為變量
最后按確定得出結果，KMO和巴特利球形檢驗部分值要大于0.5才能進行主成分分析
spss主成分分析怎么計算權重 spss主成分分析法

文章插圖
公因子方差部分表示了它的共同度，SPSS提取特征根大于 1的變量的信息，可以看到除了教育部分，其他都提取原始變量差不多90%的信息
PCA目的/作用
主成分分析算法（PCA）是最常用的線性降維方法，它的目標是通過某種線性投影，將高維的數據映射到低維的空間中，并期望在所投影的維度上數據的信息量最大（方差最大），以此使用較少的數據維度，同時保留住較多的原數據點的特性 。
spss主成分分析怎么計算權重 spss主成分分析法

文章插圖
PCA降維的目的，就是為了在盡量保證“信息量不丟失”的情況下，對原始特征進行降維，也就是盡可能將原始特征往具有最大投影信息量的維度上進行投影 。將原特征投影到這些維度上，使降維后信息量損失最小 。
spss主成分分析怎么計算權重 spss主成分分析法

文章插圖
特別提醒：
1. 如果主成分分析中有n個變量，則特征值（或方差）之和就等于n 。
2. 特征向量（或主成分的系數）中各個數值的平方和等于1，否則就不是特征向量，也不是主成分系數 。
3. 步驟3.4中的主成分載荷向量各系數的平方和等于其對應的主成分的方差
4. SPSS沒有專門的主成分分析模塊，是在因子分析模塊進行的 。它只輸出主成
分載荷矩陣和因子得分值，而我們最想得到的主成分的系數（特征向量）和主成分得分則需要另外計算 。
5. 如果計算沒有錯誤，因子1、因子2、主成分1、主成分2和綜合得分Y，它們各自的數值之和都等于0 。
6. 主成分分析應該計算出綜合得分并排序 。

    推薦閱讀