主成分分析报告报告材料实验报告材料

1、主成分分析地信 0901 班 陈任翔 0103090312【实验目的及要求 】掌握主成分分析与因子分析的思想和具体步骤。 掌握 SPSS 实现主成分分析与因子分析的具 体操作。【实验原理 】1. 主成分分析的主要目的是希望用较少的变量去解释原来资料中的大部分变异，将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数 少，能解释大部分资料中的变异的几个新变量， 即所谓主成分， 并用以解释资料的综合性指 标。由此可见，主成分分析实际上是一种降维方法。2.因子分析研究相关矩阵或协方差矩阵的内部依赖关系，它将多个变量综合为少数几个因 子，以再现原始变量与因子之间的相

2、关关系。【实验步骤 】1. 数据准备1 ）首先在 Excel 中打开“水样元素成分分析数据” ，删除表名“水样元素成分分析 数据” ,保存数据。2）在 SPSS 中打开保存好的 Excel 数据进行分析。水样元素成分分析数据样号As(ppm)Cd(ppm)Cr(ppm)Cu(ppm)Pb(ppm)Zn(ppm)Hg(ppm)P(ppm)C-W-01-0217.211.775.0822.812.02220.20.573149C-W-02-0217.780.151.034.922.0323.150.151269C-W-03-029.030.061.311.750.5911.330.1574.6C-

3、W-04-029.530.535.197.922.1749.080.152238C-W-05-0148.790.6528.7724.691.1841.590.431912C-W-06-0147.610.14916.176.4539.390.119005X-W-1-0211.650.65.353.191.2324.360.021820X-W-2-0210.740.46.874.613.1137.90.031710Z-W-1-0224.157.294.719.5833.76627.50.352100Z-W-2-0407.71331.64.7315.8331.58483600.74762.32Z-W

4、-3-025.711.5416.0311.811.21169.90.13996Z-W-4-022.380.135.582.90.8923.820.08185.83）数据格式转换。2. 数据描述分析操作1) Descriptives 过程点击 Analyze 下的 Descriptive Statistics 选项，选择该选项下的 Descriptives选中待处理的变量（左侧的 As .Hg 等）；点击 使变量 As .Hg 移至 Variable（s） 中；选中 Save standrdized values as variables点击 Options2）数据标准化标准化处理后的结果2.

5、主成分分析1) 点击 Analyze 下的 Data Reduction 选项，选择该选项下的 Factor 过程。选中待处理的变量，移至 Variables2 ） 点击 Descriptives 判断是否有进行因子分析的必要Coefficients（ 计算相关系数矩阵 ）Significance levels（ 显著水平 ）KMO and Bartlett ' s test of sphericity （ 对相关系数矩阵进行统计学检验 ）Inverse（ 倒数模式） ：求出相关矩阵的反矩阵；Reproduced（ 重制的 ）:显示重制相关矩阵，上三角形矩阵代表残差值，而主对 角线及下

6、三角形代表相关系数；Determinant（ 行列式 ） ：求出前述相关矩阵的行列式值；Anti-image（ 反映像 ） ：求出反映像的共同量及相关矩阵。Univariate descriptive 单变量描述统计量 （输出被选中的各变量的均数与标 准差 ）Initial solution 未转轴之统计量（显示因素分析未转轴前之共同性、特征值、 变异数百分比及累积百分比）3) 点击 Extraction选择主成分分析方法输出未旋转的因子载荷矩阵4) 点击 Rotation5）点击 Scores选中 Save as variables （ 把因子得分作为新变量保存在数据文件中 ）选中 Regr

7、ession（ 回归因子得分 ）点击 Continue6）点击 Options选中 Exclude cases listwise（ 去除所有含缺失数据的样本、再进行分析 ）选中 Sorted by size（ 载荷系数将按照数值大小排列，并构成矩阵 ）点击 Continue3结果分析SPSS 输出的第一个表格列出了标准化后数据的平均值（ Mean ）、标准差（ Std. Deviation ）和分析用到的取值个数 （N）系统输出的第 2 个表格是 8 个原始变量的相关矩阵与单尾显著性检验多个变量之间的相关系数较大， 说明这些变量之间存在着较为显著的相关性， 且其对应的Sig 值普遍较小，根据分

8、析，这些数据有进行因子分析的必要。 )Sphericity ）的KMO 检验法和巴特利特球形检验法( KMO and Bartlett Test of检验结果（Bartlett 球形检验统计量的 Sig<0.01 ，认为各变量之间存在着显著的相关性。一般，KMO 大于 0.9 时效果最佳， 0.7 以上可以接受， 0.5 以下不宜作因子分析。但是相关矩阵和 Bartlett 球形检验统计量的效果都比较好，认为是可以作因子分析）SPSS输出的第四个表格“成分矩阵”是初始的未经旋转的因子载荷矩阵已选出了 3 个主因子 ,以替代原有的 8 个变量所含的信息）SPSS输出的第七个表格“旋转成分矩

9、阵”是经过旋转（转轴法使得因素负荷量易于解释）后的因子载荷矩阵。（旋转后每个公因子上的载荷分配地更清晰，因子变量代表的变量相对集中，比未旋转时更容易解释各因子的意义。载荷绝对值较大的因子与变量的关系更为密切，也更能代表这个变量第 1 公因子代表Cd、Zn 、As、Pb 这几个变量因素第 2 公因子代表Cr、P 两个变量第 3 公因子代表Cu、 Hg 两个变量可以根据实际情况对第 1 公因子、第 2 公因子、第 3 公因子命名我们将第 1 公因子命名为镉类，第 2 公因子命名为铬类，第 3 公因子命名为铜类）SPSS 输出的第八个表格“成分转换矩阵”是正交旋转后因素相关矩阵SPSS 输出的第六个

10、表格表示各因子变量的特征值与累积贡献率（表明m 个主 成分综合原始变量的能力）由于前 3 个特征值累计贡献率达到 91.798% ，根据累计贡献率大于 85% 的原则，故选取前三个特征值）SPSS输出的第五个表格表示变量的共同度（m 个公共因子对第 i个变量 Xi 的 方差贡献 ）As 的共同度为 0.974, 可以理解为 3 个公共因子能够解释 As 的方差的 97.4%;Pb 的共同度为 0.581, 可以理解为 3 个公共因子能够解释 As 的方差的 58.1% 。）回到 Data View 窗口的当前数据集，会看到文件中增加了 3列 FAC1_1（第 1因可以通过第 1 因子得分来了解镉类元素的分布情况，第 2 公因子来了解铬类元素的分布 情况，第 3 公因子来了解铜类元素的分布情况。样号为 Z-W-2-02 的样品 Cd 、 Zn、As、Pb 含量较高，样号为 C-W-06-01 的样品 Cr 、 P 含量较高，样号为 C-W-01-02 的样品重 金属含量较高）21.665%* FAC3_1 。根据综zF（ 综合得分 ） 46.048%* FAC1_1 + 24.085%* FAC2_1 +合得分可以看出