还剩6页未读,继续阅读
文本内容:
因子分析可以有效降低维度,抽取对观测指标影响最大的几个变量的线性组合,简化研究的过程
九、总结及心得体味有了数据分析软件可以节省大量的数据分析的时间,但是根据数据分析的结果对样本数据进行评估还是需要人员操作,看不懂分析的结果,不懂得分析结果的意思就无法进行接下来的工作,所以我们不仅要熟练掌握数据分析的方法,还要了解其中的原理,这样才干充分发挥软件给我们带来的好处,故意识地利用软件匡助我们进行计算,而不只是模仿教程上面的操作步骤,得出自己也看不懂的分析结果
十、对本实验过程及方法、手段的改进建议可以选取不能进行因子分析的例子,体味因子分析使用的限制较大载荷是将因子矩阵在一个空间里投影,使单个向量的投影在仅在一个变量的方向有较大的值,这样做可以简化分析步骤六计算因子得分计算因子得分是计算在不同样本水平下观测指标的水平的方式计算因子得分需要用到因子得分计算函数,这个计算的结果是无量纲的,仅表示各因子在这个水平下观测指标的值,这也是因子分析的目标,将不可观测的目标观测量用一个函数与可以观测的变量联系起来
四、实验目的理解因子分析的含义,以及数学原理,掌握使用SPSS进行因子分析的方法,并能对SPSS因子分析产生的输出结果进行分析
五、实验容及步骤本次实验包含两个例子实验步骤0问题描述实验一题目要求对我国主要城市的市政基础设施情况进行因子分析实验二题目要求主要城市日照数sav为例,其中的变量包括城市的名称”、各个月份的日照数1实验二步骤执行analyze-diment ionreduct ion-factor-rotat ion如下勾选2执行Ana1yse-Dimention Ruduction,打开分析窗口打开参数设置窗口加入变量⑶点击Descripitives,选择initial solution输出原始分析结果、coefficients输出相关系统阵、勾选进行KMO和bartlett球形检验,完成之后点击continue回到参数设置窗口输出选项4点击Extraction输出碎石图,完成之后点击continue回到参数设置窗口勾选输出碎石图5勾选输出因子得分,完成之后点击continue回到参数设置窗口输出因子得分6选择缺失的值用均值代替,完成之后点击continue回到参数设置窗口均值代替缺失数据
(7)点击OK,输出分析结果
六、实验器材(设备、元器件)计算机、打印机、硒鼓、碳粉、纸
七、实验数据及结果分析
(1)实验一主要结果及分析KMO andBartlett,s Test.856Kaiser-Meyer_01kin Measureof SamplingAdequacy.
281.248BartletV sTest ofSphericity Appro*.Chi-Square15df Sig..000球形检验的结果KMO andBartletts从表里的结果可以看出,KMO的检验值为
0.856,普通KMO值大于
0.9认为适合做因子分析,这个值为
0.856接近
0.9,适合做因子分析Correlation Vatri*污水日处理年末实有道年末实有道路城市排水管道能力(万立路长度(公面积(万城市桥梁长度(公方城市路灯里)平方米)(座)里)米)(盏)年末实有道路长度(公Correlation
1.
000.
983.
783.
939.
896.883里)年末实有道路面积(万.
9831.
000.
738.
940.
853.867平方米)城市桥梁(座).
783.
7381.
000.
759.
873.719城市排水管道长度(公.
939.
940.
7591.
000.
845.916里)城市污水日处理能力.
896.
853.
873.
8451.
000.822(万立方米)城市路灯(盏).
883.
867.
719.
916.
8221.000相关系数矩阵从这个表格中可以看出这六个变量之间有很高的相关度,需要标准化munalitiesInitial Extraction年末实有道路长度(公里)
1.
000.954年末实有道路面积(万平方米)
1.
000.919城市桥梁(座)
1.
000.742城市排水管道长度(公里)
1.
000.924城市污水日处理能力(万立方
1.
000.882米)城市路灯(盏)
1.
000.859Extraction Method:Principal poncntAnalysis.变量共同度表这个表,表示提取公共因子之后各个变量的共同度,就是原始信息的保留度,例如第一个Total VarianceExplainedInitial EigenvaluesEMraction Sumsof SquaredLoadingsponent Total%of VaricinceCumulative%Total%of VarianceCumulative%
5.
28088.
00188.
0015.
28088.
00188.
00112.
3906.
50394.
504.
1622.
70797.
2113.
1041.
73898.
9504.
051.
84999.
7995.
012.
201100.0006变量有
95.4%的信息被保留下来了Extraction Method:Principal ponentAnalysis.主成份表按照之前的设置,保留了一个特征值大于1的因子,这个因子的贡献率为88%特征值和变量的散点图可以看出,除了第一个因子之外其他的因子特征值都很小ponent Matrix,ponent1年末实有道路长度(公里).977年末实有道路面积(万平方米).959城市桥梁(座).862城市排水管道长度(公里).961城市污水日处理能力(万立方米).939城市路灯(盏).927因子负荷矩阵这个可以用来表示因子的线性组合ponent ScoreCoefficient Matri*ponent1年末实有道路长度(公里).185年末实有道路面积(万平方米).182城市桥梁(座).163城市排水管道长度(公里).182城市污水日处理能力(万立方米).178城市路灯(盏).176因子得分系数矩阵用主成份分析方法得出的因子得分系数矩阵,可以计算因子得分函数ponent ScoreCovariance Matri*ponent
111.000因子之间关系的矩阵这个只选择出一个因子,这个实际上没故意义
(2)实验二结果及分析munalitiesE*tIniti ractalion一月日
1.
0.91照时数005二月日
1.
0.91照时数008三月日
1.
0.89照时数006四月日
1.
0.93照时数003五月日
1.
0.88照时数002六月日
1.
0.77照时数008七月日
1.
0.61照时数007八月日
1.
0.87照时数004九月R
1.
0.75照时数004十月日
1.
0.86照时数003十一月
1.
0.84日照时007数十二月
1.
0.85口照时004数变量共同度表*Total VarianceExplainedExtraction RotationSumsInitial Sumsof Squaredof SquaredEigenvaluesLoadings Loadings%%%of Cuof Cuof CuPT Varimul Varimul Varimulne otanc ativ To ancativTome itivnta ee9ta ee%tai ee%
16.
57.
57.
6.
57.
57.
4.
38.
38.
80410418404104158173173451521.
16.
73.
1.
16.
73.
2.
24.
62.
93473889634738888047220626231.
11.
84.
1.
11.
84.
2.
22.
84.
3034421320344216620142124444.
76.
090.
24546655.
33.
293.
98374946.
22.
095.
58583307.
11.
497.
72325618.
1.
8798.
0012649.
0.
6798.
80796010.
0.
5399.
69335511.
0.
3999.
45731712.
0.
2610039.0020Extraction Method:Principal ponentAnalysis.主成份表选取了前三个特征解大于1的值ponent Matrixponent123一月日照时数.852-435-015二月口照时数.854-.419-115三月日照时数.869275-257四月日照时数.805079528五月日照时数.888-033-303六月日照时数.
764.439-038七月日照时数.
364.644-265八月日照时数.
465.
809.066九月日照时数.
794.
295.192十月日照时数.
800.
251.400十一月日照时数.825-
275.300十二月日照时数.562-
164.715因子载荷矩阵显示提取出来的三个因子的线性组合Rotated ponentMatrix.ponent123一月日照时数.837-
014.463二月日照时数.
882.
013.375三月日照时数.
901.
163.241四月日照时数.
903.340-049五月日照时数.
834.
392.179六月日照时数.
405.
730.285七月日照时数.
128.763-134八月日照时数-
031.
917.178九月日照时数.
376.
588.516十月日照时数.
297.
528.704十一月日照时数.
592.
081.700十二月日照时数.
140.
018.913旋转之后的因子载荷矩阵使各因子的载荷再也不集中,可以看出,第一个因子主要由前5个变量决定,中间的因子主要由中间三个因子决定,后面的一个因子主要由后四个因子决定ponent TransformationMatri*ponent
1231.
754.
437.
4912432.892-1313495-
113.861因子转换矩阵
八、实验结论。