版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1第七章§7.2样本的主成分
应用例子7.2.1
例7.2.1
学生身体各指标的主成分分析.
随机抽取30名某年级中学生,测量其身高(X1)、体重(X2)、胸围(X3)和坐高(X4),数据见书中P277表7.4(或以下SAS程序的数据行).试对中学生身体指标数据做主成分分析.
解
(1)以下SAS程序首先生成包括30名学生身体指标数据的SAS数据集d721(其中变量NUMBER记录识别学生的序号),然后调用SAS/STA软件中的PRINCOMP过程进行主成分分析.2第七章§7.2样本的主成分
例7.2.1的输出结果
学生身体指标数据的描述统计量和相关阵3第七章§7.2样本的主成分
例7.2.1的输出结果
输出7.2.1相关阵的特征值和特征向量4第七章§7.2样本的主成分
例7.2.1的结果分析
PRINCOMP过程由相关阵出发进行主成分分析.由输出7.2.1中相关阵的特征值可以看出,第一主成分的贡献率已高达88.53%;且前二个主成分的累计贡献率已达96.36%.因此只须用两个主成分就能很好地概括这组数据.
另由第三和四个特征值近似为0,可以得出这4个标准化后的身体指标变量(Xi*,i=1,2,3,4)有近似的线性关系(即所谓共线性),如
0.505747X1*
-0.690844X2*
+0.461488X3*-0.232343X4*≈c(常数).5第七章§7.2样本的主成分
例7.2.1的结果分析
由最大的两个特征值对应的特征向量可以写出第一和第二主成分:
Z1=0.4970X1*+0.5146X2*+0.4809X3*+0.5069X4*
Z2=-0.5432X1*+0.2102X2*
+0.7246X3*-0.3683X4*
第一和第二主成分都是标准化后变量Xi*(i=1,2,3,4)的线性组合,且组合系数就是特征向量的分量.6第七章§7.2样本的主成分
例7.2.1的结果分析
利用特征向量各分量的值可以对各主成分进行解释.
第一大特征值对应的第一个特征向量的各个分量值均在0.5附近,且都是正值,它反映学生身材的魁梧程度.身体高大的学生,他的4个部位的尺寸都比较大;而身体矮小的学生,他的4个部位的尺寸都比较小.因此我们称第一主成分为大小因子.7第七章§7.2样本的主成分
例7.2.1的结果分析
第二大特征值对应的特征向量中第一(即身高X1的系数)和第四个分量(即坐高X4的系数)为负值,而第二(即体重X2的系数)和第三个分量(即胸围X3的系数)为正值,它反映学生的胖瘦情况,故称第二主成分为胖瘦因子.
8第七章§7.2样本的主成分
例7.2.1的输出结果
输出7.2.2第二主成分得分对第一主成分得分的散布图9第七章§7.2样本的主成分
例7.2.1的结果分析
输出7.2.2是PLOT过程产生的输出图形,从图中可以直观地看出,按学生的身体指标尺寸,这30名学生大约应分成三组(以第一主成分得分值为-1和2为分界点).
每一组包括哪几名学生由每个散点旁边的序号可以得知.更详细的信息可从PRINT过程产生的输出数据列表中得到.
10第七章§7.2样本的主成分
例7.2.1的输出结果
按第一主成分得分排序后的主成分得分和原始数据11第七章§7.2样本的主成分
例7.2.1的结果分析
以上输出列表中把30个观测按第一主成分从小到大重新排序后的输出结果.从这里可以得到分为三组时各组学生的更多的信息如下:G1={11,15,29,10,28,6,24,14,2,27,18}G2={4,30,22,1,16,26,23,21,8,9,7,17}G3={20,13,19,12,5,3,25}
若考虑用Z1,Z2进行聚类,这就是主成分聚类方法.12第七章§7.3主成分分析的应用
主成分分析方法把p维数据简化为m(m
p)维数据后,进一步地可用于变量的分类,样品的分类,对样品进行排序或对系统进行评估,以及主成分回归,主成分聚类,多维正态数据的主成分检验等方面。13第七章§7.3主成分分析的应用
指标(变量)分类
考察m维空间的p个点Qi,其坐标为
Qi=(
i1,
i2,...,
im)(i=1,2,…,p).按距离最近准则对p个点进行分类.
当m=2时,p个点可在平面上点出来,利用散布图可直观地给出指标的分类.14第七章§7.3主成分分析的应用
指标(变量)分类---例子7.3.1
例7.3.1
服装定型分类问题
为解决服装定型分类问题,对128个成年男子的身材进行测量,每人各测得16项指标:身高(X1)、坐高(X2)、胸围(X3)、头高(X4)、裤长(X5)、下档(X6)、手长(X7)、领围(X8)、前胸(X9)、后背(X10)、肩厚(X11)、肩宽(X12)、袖长(X13)、肋围(X14)、腰围(X15)和腿肚(X16).16项指标的相关阵R见表7.5(因相关阵为对称阵,只给出相关阵的上三角部分).试从相关阵R出发用PRINCOMP过程进行主成分分.15第七章§7.3主成分分析的应用
指标(变量)分类---例子7.3.1
16第七章§7.3主成分分析的应用
指标(变量)分类---例子7.3.1的输出结果
17第七章§7.3主成分分析的应用
指标(变量)分类---例子7.3.1的输出结果
18第七章§7.3主成分分析的应用
指标(变量)分类---例子7.3.1的结果分析
1.前三个主成分说明的方差比例已在70%以上;2.由最大特征值对应的特征向量(即列标题为
PRIN1的列)可得出第一主成分:
PRINT1=0.3446X1+0.2662X2+…+0.1634X16各指标的系数都为正,数值均在0.1至0.3之间.这个主成分一般称为魁梧因子(或大小因子);3.由次大特征值对应的特征向量(即列标题为
PRIN2的列)可得出第二主成分:
PRINT2=-0.1968X1-0.1473X2+0.3137X3+…+0.3599X1619第七章§7.3主成分分析的应用
指标(变量)分类---例子7.3.1的结果分析
各指标的系数有正有负,负系数对应的变量
(X1,X2等)都是反映人体高低的变量;正系数对应的变量(X3,X1
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 十五五数据要素:智能体重秤个人健康数据资产化与流通机制
- 双碳约束下智能台灯:能效标准升级与ESG合规指南
- 十五五智能传感器网络:2.0时代从单机智能到集群协同跃迁
- 十五五智能报警联动灯光系统:零售门店的精准引流逻辑
- 湖北省武汉市5G重点中学联合体2026-2027学年上学期高二年级11月期中考试地理试题 含答案
- 2024-2025学年高中英语阶段综合检测1含解析新人教版选修6
- 2026年集采行业绿色物流发展报告
- 2026年化妆品行业绿色办公发展前景分析报告
- 2026年美容行业私享服务市场分析报告
- 2026年皮革制品行业白牌、品牌、高端产品市场竞争格局报告
- 2026福建福州旗山供水有限公司招聘2人考试模拟试题及答案解析
- 北京市朝阳区2026-2027学年度第一学期期中质量检测高三英语试卷(含答案)
- 2026山东省防疫安全协管员招聘考试(畜牧兽医)历年参考题库含答案详解
- 2026年南京大学辅导员考试真题及答案
- 临终关怀和疼痛管理
- 2026年四川省成都市技能人才评价考评员考试题库(附答案)
- 正大集团人才评估行测题目
- UL 9540A 2026 储能电池热失控传播测试标准中文版 模组防火试验规范
- 物业服务履约评价报告
- 光伏组件拆除方案
- 2026年出版社招聘考试面试题及参考答案
评论
0/150
提交评论