当前位置:首页 > 学习方法 > 正文

EVNI主成分分析中第一主成分各成分的数值怎么得到

请问一下如何计算主成分分析法中的主成分得分?

例子:我们简单粗暴直接上例子,我们带着问题看例子,一步一步来。(例子来自《应用多元统计》,王学民老师著)

在制定服装标准的过程中,对128名成年男子的身材进行了测量,每人测得的指标中含有这样六项:身高(x1)、坐高(x2) 、胸围(x3) 、手臂长(x4) 、肋围(x5)和腰围(x6) 。

第一步,对原始数据标准化(减去对应变量的均值,再除以其方差),并计算相关矩阵(或协方差矩阵)

第二步,计算相关矩阵的特征值及特征向量。特征值从大到小排列,特征向量和特征值对应从大到小排列。前三个主成分分别为:

第三步,根据累计贡献率(一般要求累积贡献率达到85%)可考虑取前面两个或三个主成分。

第四步,解释主成分。观察系数发现第一主成分系数多为正数,且变量都与身材大小有关系,称第一主成分为(身材)大小成分;类似分析,称第二主成分为形状成分(或胖瘦成分),称第三主成分为臂长成分。可考虑取前两个主成分。由于λ6非常小,所以存在共线性关系:

第五步,计算主成分得分。即对每一个样本数据标准化后带入第三步的主成分公式中,计算第一主成分得分,第二主成分得分。

第六步,将主成分可画图聚类,将主成分得分看成新的因变量可线性回归。

扩展资料

设有m条n维数据,m个样本,对原始数据标准化(减去对应变量的均值,再除以其方差),每个样本对应p个变量,x=(x∗1,x∗2,⋯,x∗n)′x=(x1∗,x2∗,⋯,xn∗)′。

1、求出自变量的协方差矩阵(或相关系数矩阵);

2、求出协方差矩阵(或性关系数矩阵)的特征值及对应的特征向量;

3、将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵aa(为k*p维);

4、Y=aT∗XaT∗X(Y为k*1维)即为降维到k维后的数据,此步算出每个样本的主成分得分;

5、可将每个样本的主成分得分画散点图及聚类,或将主成分得分看成新的因变量,对其做线性回归等。

主成分分析后怎么得到第一主成分

设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息。 通过第一主成分,把相近主成分归为一组,结果会为2~3组(原来可能有7、8或十几组

在主成分分析里,如何提取主成分

因子分析---选项中有一项是特征根植大于1 或者说是指定主成分个数,默认是提取的特征根植为1, 你改成 下面的指定主成分个数那一项就可以了 你想指定几项都可以 不过要小于所有变量个数





Fp = a1i*ZX1 + a2i*ZX2 + …… + api*ZXp

其中a1i, a2i, ……,api(i=1,……,m)为X的协方差阵Σ的特征值所对应的特征向量,ZX1, ZX2, ……, ZXp是原始变量经过标准化处理的值,因为在实际应用中,往往存在指标的量纲不同,所以在计算之前须先消除量纲的影响,而将原始数据标准化,本文所采用的数据就存在量纲影响[注:本文指的数据标准化是指Z标准化。

A = (aij)p×m = (a1,a2,…am,),

Rai = λiai,

R为相关系数矩阵,λi、ai是相应的特征值和单位特征向量, λ1 ≥ λ2 ≥ …≥ λp ≥ 0 。

进行主成分分析主要步骤如下:

1. 指标数据标准化(SPSS软件自动执行);

2. 指标之间的相关性判定;

3. 确定主成分个数m;

4. 主成分Fi表达式;

5. 主成分Fi命名;



主成分分析法的计算步骤

主成分分析的主要步骤包括

主成分分析是指通过将一组可能存在相关性的变量转换城一组线性不相关的变量,转换后的这组变量叫主成分。 主成分分析步骤:1、对原始数据标准化,2、计算相关系数,3、计算特征,4、确定主成分,5、合成主成分。 主成分分析的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量,同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析,也是数学上处理降维的一种方法。 主成分分析的主要作用 1.主成分分析能降低所研究的数据空间的维数。 2.有时可通过因子负荷aij的结论,弄清X变量间的某些关系。 3.多维数据的一种图形表示方法。 4.由主成分

spss中主成分分析综合评价排名如何得到

综合得分:主要利用成分得分和方差解释率这两项指标,计算得到综合得分,用于综合竞争力对比(综合得分值越高意味着竞争力越强)。

使用在线spssau分析,可直接保存综合得分,不用计算。

排名顺序按照综合得分的大小比较,数值越大排名越靠前。

展开全文阅读