spss主成分分析报告

1、实验目的：原始数据中每一所高校具有 20 个相关性很高的变量， 利用主成分分析法用较少的变量去解释原来资料中的大部分变异，将手中的众多变量转化成彼此相互独立或不相关的个数较少的变量，即所谓主成分，并用以解释资料的综合性指标，其实质的目的是降维原始数据截屏：操作方法：1. 描述性统计SPSS在调用因子分析过程进行分析时， SPSS会自动对原始数据进行标准化处理，所以在得到计算结果后指的变量都是指经过标准化处理后的变量，但 SPSS不会直接给出标准化后的数据， 然后后期的计算需得到标准化数据，则需调用“描述” 过程进行计算 , 为了看到标准化数据，所以采用描述性统计下的描述操作获得标准化后的变量数

2、据标准化数据：因子分析操作过程：选取变量：X1：科研经费得分X2：国家人文社科重点研究基地得分X3: 院士总数得分X4: 生均图书得分X5: 研究中心数得分X6: 国家重点实验室得分X7: 生均教学科研仪器设备得分X8: 生均教育事业经费得分X9: 精品课程得分X10: 优秀博士生论文总分X11: 人才得分X12: 二级学科建设得分X13: 生均固定资产得分X14: 科研论文得分X15: 博导及相关合计得分X16: 教师中博士学位比重得分X17: 一级学科得分X18: 高级职称比重得分X19: 师资总分X20:SCI 数量这里分析采用相关系数矩阵，输出选择为未旋转的因子解，并选择碎石图，抽取过

3、程选择基于特征值（特征值大于1），最大收敛迭代次数： 25，点击确定。原数据中有较多的缺失值，选择按列表排除个案，点击继续。分析结果：KMO越接近 1，说明变量之间的相关性越强，原有变量适合做因子分析；Bartlett的球度检验值越小于显著性水平0.05 ，越说明变量间存在相关关系。本数据中 KMO值为 0.736 ，sig. 值为 0，符合因子分析条件， 可进行因子分析，并进一步进行主成分分析累计贡献率 79.119%<80%，由反映象相关矩阵中我们可以看出（如下图所示）反映象相关矩阵中对角线上的数值应>0.5, 根据次标准，数据显示生均图书得分变量不适合做因子分析，所以删去，重

4、新做因子分析。去除生均图书得分变量之后的因子分析结果：累计百分比为 81.466%>80%,且特征值均大于1结论：初始特征根： 1=6.901，, 2=4.846 ， 3=3.732主成分贡献率： r1=36.32%,r2=25.506%,r3=19.640%碎石图旋转之后的主成分载荷矩阵，可以看出：SCI 数量，国家重点实验室得分，研究中心数得分，研究中心数得分，科研经费得分，二级学科建设得分，科研论文得分，优秀博士生论文得分，一级学科得分，精品课程得分与主成分1 密切相关，可将其总结归纳为软实力与资源指标；师资总分，博导及相关合计得分，人才得分，院士总数得分，高级职称比重得分，教师中

5、博士学位比重得分与主成分2 密切相关，可将其归纳总结为师资结构指标；生均教学科研仪器设备得分，生均教育事业经费得分，生均固定资产得分与主成分3 密切相关，可将其归纳为学生平均资产指标。根据主成分 1 得分降序排列：由主成分1 可以看出，清华大学，浙江大学，北京大学，华中科技大学，西安交通大学，武汉大学，上海交通大学，中南大学，四川大学，东南大学在论文发表以及国家级实验室得分方面位列前十名，其软实力雄厚；根据主成分 2 得分降序排名：可以看出北京大学，中国人民大学，复旦大学等在师资结构方面排名靠前，说明其在师资力量上占据很大竞争力根据主成分 3 得分降序排名：可以看出清华大学，上海交通大学等前十名大学在学校生均资产方面具有竞争力2> 计算主成分综合得分Z=r1*FAC1+r2*FAC2+r3*FAC3主成分贡献率： r1=36.32%,r2=25.506%,r3=19.640%由综合得分可以看出：清华大学，北京大学，浙江