熱線電話：13121318867

登錄
首頁精彩閱讀SPSS實現主成分分析與因子分析實例討論（二）
SPSS實現主成分分析與因子分析實例討論（二）
2016-12-23
收藏

SPSS實現主成分分析與因子分析實例討論（二）

SPSS沒有提供單獨的主成分分析方法，而是混在因子分析當中，下面通過一個例子來討論主成分分析與因子分析的實現方法及相關問題。
一、問題提出
男子十項全能比賽包含100米跑、跳遠、跳高、撐桿跳、鉛球、鐵餅、標槍、400米跑、1500米跑、110米跨欄十個項目，總分為各個項目得分之和。為了分析十項全能主要考察哪些方面的能力，以便有針對性的進行訓練，研究者收集了134個頂級運動員的十項全能成績單，將通過因子分析來達到分析目的。
二、分析過程
變量視圖：
 
數據視圖（部分）：

菜單選擇（分析->降維->因子分析）：

打開因子分析的主界面，將十項成績選入”變量“框中（不要包含總分），如下：

點擊”描述“按鈕，打開對話框，選中”系數“和”KMO和Bartlett球形度檢驗“：

上圖相關解釋：
”系數“：為變量之間的相關系數陣列，可以直觀的分析相關性。
”KMO和Bartlett球形度檢驗“：用于定量的檢驗變量之間是否具有相關性。
點擊”繼續“，回到主界面，點擊”抽取“，打開對話框。
”方法“ =>”主成分“，”輸出“=>”未旋轉的因子解“和”碎石圖“，”抽取“=>”基于特征值“，其余選擇默認。

解釋：
①因子抽取的方法：選取默認的主成分法即可，其余方法的計算結果可能有所差異。
②輸出：”未旋轉的因子解”極為主成分分析結果。碎石圖有助于我們判斷因子的重要性（詳細介紹見后面）。
③抽?。簽槌槿≈鞒煞郑ㄒ蜃樱┑姆椒?，一般是基于特征值大于1，默認即可。
點擊”繼續“，回到主界面，點擊”確定“，進入分析。
輸出的主要表格如下：
（1）相關性檢驗
因子分析要求變量之間有相關性，所以首先要進行相關性檢驗。首先輸出的是變量之間的相關系數矩陣：

可以直觀的看到，變量之間有相關性。但需要檢驗，接著輸出的是相關性檢驗：

上圖有兩個指標：第一個是KMO值，一般大于0.7就說明不了之間有相關性了。第二個是Bartlett球形度檢驗，P值<0.001。綜合兩個指標，說明變量之間存在相關性，可以進行因子分析。否則，不能進行因子分析。
（2）提取主成分和公因子
接下來輸出主成分結果：

這就是主成分分析的結果，表中第一列為10個成分；第二列為對應的”特征值“，表示所解釋的方差的大??；第三列為對應的成分所包含的方差占總方差的百分比；第四列為累計的百分比。一般來說，選擇”特征值“大于1的成分作為主成分，這也是SPSS默認的選擇。
在本例中，成分1和2的特征值大于1，他們合計能解釋71.034%的方差，還算不錯。所以我們可以提取1和2作為主成分，抓住了主要矛盾，其余成分包含的信息較少，故棄去。
下面，輸出碎石圖，如下：
 
碎石圖來源于地質學的概念。在巖層斜坡下方往往有很多小的碎石，其地質學意義不大。碎石圖以特征值為縱軸，成分為橫軸。前面陡峭的部分特征值大，包含的信息多，后面平坦的部分特征值小，包含的信息也小。
由圖直觀的看出，成分1和2包含了大部分信息，從3開始就進入平臺了。
接下來，輸出提取的成分矩陣：


上表中的數值為公因子與原始變量之間的相關系數，絕對值越大，說明關系越密切。公因子1和9個運動項目都正相關（注意跑步運動運動的計分方式，時間越短，分數越高），看來只能稱為“綜合運動”因子了。公因子2與鐵餅、鉛球正相關，與1500米跑、400米跑負相關，這究竟代表什么意思呢？看來只能成為“不知所云”因子了。
（三）因子旋轉
前面提取的兩個公因子一個是大而全的“綜合因子”，一個不知所云，得到這樣的結果，無疑是分析的失敗。不過，不要灰心，我們可以通過因子的旋轉來獲得更好的解釋。在主界面中點擊“旋轉”按鈕，打開對話框，“方法”=>“最大方差法”，“輸出”=>“旋轉解”。

點擊“繼續”，回到主界面點擊“確認”進行分析。輸出結果如下：

這是選擇后的成分矩陣。經過旋轉，可以看出：
公因子1得分越高，所有的跑步和跨欄成績越差，而跳遠、撐桿跳等需要助跑類項目的成績也越差，所以公因子1代表的是奔跑能力的反向指標，可稱為“奔跑能力”。
公因子2與鐵餅和鉛球的正相關性很高，與標槍、撐桿跳等需要上肢力量的項目也正相關，所以該因子可以成為“上肢力量”。
經過旋轉，可以看出公因子有了更合理的解釋。
（四）結果的保存
在最后，我們還要將公因子儲存下來供后續使用。點擊“得分”按鈕，打開對話框，選中“保存為變量”，方法采用默認的“回歸”方法，同時選中“顯示因子得分系數矩陣”。

SPSS會自動生成2個新變量，分別為公因子的取值，放在數據的最后。同時會輸出一個因子系數表格：

由上圖，我們可以寫出公因子的表達式（用F1、F2代表兩個公因子，Z1~Z10分別代表原始變量）：

F1 = -0.16*Z1+0.161*Z2+0.145*Z3+0.199*Z4-0.131*Z5-0.167*Z6+0.137*Z7+0.174*Z8+0.131*Z9-0.037*Z10
F2同理，略去。數據分析培訓
注意，這里的變量Z1~Z10，F1、F2不再是原始變量，而是標準正態變換后的變量。



CDA數據分析師考試相關入口一覽（建議收藏）：

? 想報名CDA認證考試，點擊>>>   “CDA報名” 了解CDA考試詳情；

? 想學習CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；

? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；

? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；

特征 降維 數據分析

數據分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

上一篇圖論在大數據分析中的作用！
下一篇CDA認證再升一檔！與國家共同推進大數據人才培養標準教育事業！
數據分析師考試動態
CDA報考指南
數據分析學習
數據分析師資訊
更多

CDA教育閉環

常見問題

關于我們

CDA數據分析師公眾號

  • CDA數據分析師公眾號

CDA考試中心小程序

  • CDA考試中心服務號

CDA數據分析師App下載

  • CDA數據分析師App下載
Copyright © 2015-2021, www.ruiqisteel.com All Rights Reserved. CDA數據分析師(北京國富如荷網絡科技有限公司) 版權所有 京ICP備11001960號-9 京公網安備 11010802034615號 經營許可證編號：京B2-20210330
聯系電話：13321103290 (微信同號)

OK
客服在線
立即咨詢
日韩人妻系列无码专区视频,先锋高清无码,无码免费视欧非,国精产品一区一区三区无码
客服在線
立即咨詢