spss主成分分析的两个背景是什么

spss主成分分析的两个背景是：数据相关性的背景和变量之间协方差/相关系数的背景。

1、数据相关性的背景：主成分分析通过计算各个变量的协方差/相关系数，找到可以解释大量数据变化的几个主成分，从而减少数据的复杂性和冗余性。

2、变量之间协方差/相关系数的背景：主成分分析基于一些假设，即假设变量之间有相同的方差，这就需要在运行主成分分析之前对变量进行标准化的处理，消除量纲和标准化单位差异的影响。

SPSS主成分分析的背景涉及到数据相关性和变量之间协方差/相关系数，这为进行数据降维和简化多元变量提供了理论基础。

业务上对特征值维度的要求：

统计学模型：3-15个维度，高维度可能导致维度灾难------理论

机器学习模型：50个维度，速度问题------降维

如何降维：

保留重要的特征，剔除不重要的特征

处理流程：

1经验法

2数据分析法(使用yx相关分析，剔除与y无关的变量）

3经验法+数据分析法(x与x相关分析)

4数据分析法+经验法（逐步回归法）

5主成分分析（因为前四步，已经把重要的变量筛选出来了，不重要的删除了，剩下的变量意义很模糊）

下面使用 bankloan_binning (提取码：78uh）做个案例：

1经验法（通过业务判断age_group是重要的）

2数据分析法

3经验法+数据分析法

下面将使用统计学方法对变量做整合

4数据法+经验法（删除变量）

5主成分分析（若变量个数仍大于15，对整个结果进行压缩）

看spss主成分分析结果图方法。

1、分析数据依次单击spss的分析降维因子分析。

2、降维分析接着，将评价员工能力的五个指标变量添加到变量选项框。

3、变量设置接着，进行分析方法的设置。点击描述分析，在弹出的描述分析设置上，勾选相关性矩阵中的系数。

spss如何做主成分分析 主成分分析的主要原理是寻找一个适当的线性变换： •将彼此相关的变量转变为彼此独立的新变量； •方差较大的几个新变量就能综合反应原多个变量所包含的主要信息； •新变量各自带有独特的专业含义。 住成分分析的作用是： •减少指标变量的个数 •解决多重相关性问题 步骤阅读 工具/原料 spss200 方法/步骤 >01 先在spss中准备好要处理的数据，然后在菜单栏上执行：analyse--dimension reduction--factor analyse。打开因素分析对话框 >02 我们看到下图就是因素分析的对话框，将要分析的变量都放入variables窗口中 >03 点击descriptives按钮，进入次级对话框，这个对话框可以输出我们想要看到的描述统计量 >04 因为做主成分分析需要我们看一下各个变量之间的相关，对变量间的关系有一个了解，所以需要输出相关，勾选coefficience，点击continue，返回主对话框 >05 回到主对话框，点击ok，开始输出数据处理结果 >06 你看到的这第一个表格就是相关矩阵，现实的是各个变量之间的相关系数，通过相关系数，你可以看到各个变量之间的相关，进而了解各个变量之间的关系 >07 第二个表格显示的主成分分析的过程，我们看到eigenvalues下面的total栏，他的意思就是特征根，他的意义是主成分影响力度的指标，一般以1为标准，如果特征根小于1，说明这个主因素的影响力度还不如一个基本的变量。所以我们只提取特征根大于1的主成分。如图所示，前三个主成分就是大于1的，所以我们只能说有三个主成分。另外，我们看到第一个主成分方差占所有主成分方差的469%，第二个占275%，第三个占150%。这三个累计达到了895%。