主成分分析解读_主成分分析的基本思想「建议收藏」

主成分分析解读_主成分分析的基本思想「建议收藏」主成分分析是一种浓缩数据信息的方法,可将很多个指标浓缩成综合指标(主成分),并保证这些综合指标彼此之间互不相关

主成分分析是一种浓缩数据信息的方法,可将很多个指标浓缩成综合指标(主成分),并保证这些综合指标彼此之间互不相关。可用于简化数据信息浓缩、计算权重、竞争力评价等。

 

一、研究背景

某研究想要了解各地区高等教育发展水平的综合排名。从中选取30个地区10个评价指标,使用主成分分析进行降维,并计算综合得分。

主成分分析解读_主成分分析的基本思想「建议收藏」

 

二、操作步骤

(1)点击【进阶方法】–【主成分】。

主成分分析解读_主成分分析的基本思想「建议收藏」

 

(2)将分析项拖拽至右侧,勾选[成分得分]、[综合得分]。点击开始分析。

主成分分析解读_主成分分析的基本思想「建议收藏」

 

也可以根据自己的分析需要,主动设置主成分个数。

 

三、分析思路

Step1:判断是否适合进行主成分分析

主成分分析解读_主成分分析的基本思想「建议收藏」

 

上表展示KMO检验和Bartlett 的检验结果,用来看此数据适不适合进行主成分分析。

通常KMO值的判断标准为0.6。大于0.6说明适合进行分析,反之,说明不适合进行分析。同时Bartlett检验对应P值小于0.05也说明适合分析。

SPSSAU输出的结果中会给出智能解读结果,直接查看智能分析:

主成分分析解读_主成分分析的基本思想「建议收藏」

 

Step2:确定主成分个数,及判断主成分与分析项对应关系

确定可以使用主成分分析后,下一步重点确定主成分个数。

方差解释率表格主要用于判断提取多少个主成分合适。以及每个主成分的方差解释率和累计方差解释率情况。方差解释率越大说明主成分包含原数据信息的越多。

主成分分析解读_主成分分析的基本思想「建议收藏」

 

从上表可知:本次共提取了2个主成分。这2个主成分的方差解释率分别是75.024%,15.767%,累积方差解释率为,90.791%。说明两个主成分能够表达10个分析项90.791%的信息量,主成分分析效果很好。

主成分分析解读_主成分分析的基本思想「建议收藏」

碎石图

 

同时可结合碎石图辅助判断主成分提取个数。

当折线由陡峭突然变得平稳时,陡峭到平稳对应的主成分个数即为参考提取主成分个数。实际研究中更多以专业知识,结合主成分与研究项对应关系情况,综合权衡判断得出主成分个数。

主成分分析解读_主成分分析的基本思想「建议收藏」

 

载荷系数表格,主要展示主成分对于研究项的信息提取情况,以及主成分和研究项对应关系。

蓝色数值代表载荷系数绝对值大于0.4,如高等院校数对应的载荷系数(0.958,-0.247)说明这个分析项更适合归于主成分1下。

共同度代表某题项可被提取的信息量,共同度越高说明指标能被主成分解释的程度越高,被提取的信息量越多。一般以0.4作为标准。

从结果中可以看出,主成分1中反映高等院校数X1、毕业生数X2、招生人数X3、在校生数X4、教职工数X5、专职教师数X6、教育经费占国内生产总值比重X9、生均教育经费X10,共八个指标的信息。

主成分2反映高级职称占专职教师的比例X7、院校平均在校生数X8两个指标的信息。共同度均超过0.4,说明各指标均能被2个主成分较好地解释。

 

Step3:利用主成分得到综合得分

根据之前勾选的[综合得分],即可自动得到综合得分结果。

SPSSAU默认命名为CompScore_XXXX。使用【数据处理】→【标题处理】功能可以对题目重命名。

 

主成分分析解读_主成分分析的基本思想「建议收藏」

 

在页面右上角【我的数据】中可以具体查看具体的综合得分。综合得分值越大表示越有竞争力,也就说明该地区高等教育发展水平越发达。

 

主成分分析解读_主成分分析的基本思想「建议收藏」

 

Step4:得到综合排名情况

【数据处理】→【生成变量】里的排名功能。点击“综合得分”,再选择“排名(Rank)”,点击确认处理。

 

主成分分析解读_主成分分析的基本思想「建议收藏」

 

下载后可使用EXCEL对数据进行整理,最终结果如下:

主成分分析解读_主成分分析的基本思想「建议收藏」

 

四、疑问解答

 

问题1:综合得分具体如何计算?

SPSSAU提供一键生成综合得分非常方便,但也会有人有疑问:综合得分是怎么计算得到?如果想描述计算过程应该怎么说?

综合得分实际就等于每个主成分得分乘以各自权重求和所得的结果。

(综合得分=主成分1得分*主成分1权重+主成分2得分*主成分2权重+…..)

“主成分得分”可以通过勾选[成分得分],由SPSSAU自动输出。

主成分分析解读_主成分分析的基本思想「建议收藏」

勾选成分得分

 

本次共提取2个主成分,因此分别生成2个主成分得分。

主成分分析解读_主成分分析的基本思想「建议收藏」

主成分得分

 

有了主成分得分,下面要解决权重问题。如何计算得到每个主成分的权重?

权重是以各主成分对应的方差贡献率除以累计方差贡献率

以本例来说,2个主成分的方差解释率分别是75.024%,15.767%,累积方差解释率为,90.791%。

主成分1的权重:75.024%/90.791%=82.63%

主成分2的权重:15.767%/90.791%=17.37%

主成分分析解读_主成分分析的基本思想「建议收藏」

权重结果在智能分析中也有提供,可以直接使用。

成分得分和权重都得到即可计算综合得分。

F=82.63%*主成分1得分+17.37%*主成分2得分

 

问题2:分析之前是否需要对数据进行标准化处理?

SPSSAU默认就已经进行过标准化处理,因此不需要再对数据处理。当然标准化后的数据再次标准化依旧还是自身没有任何变化,结果均一致。

 

问题3:相关性矩阵在哪里计算?

可使用【通用方法】–【相关】得到相关矩阵。

通过相关矩阵可以看出哪些指标之间相关性较强,哪些指标之间相关性不大。

 

五、其他说明

主成分分析的作用更多侧重于计算权重、计算综合竞争力。不会过多关注主成分与分析项对应关系,不要求每个主成分有明确的含义。如果研究目的侧重于浓缩题项信息,更建议采用因子分析。

 

今天的文章主成分分析解读_主成分分析的基本思想「建议收藏」分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/88868.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注