关于spss的主成分分析

1对于主成分分析，判断大小是根据绝对值大小来判断，而不是看它正负大小。

2主成分分析的目的就是降元，即找到主要的影响因子，排除影响较小的因子。分析因子负荷，看每个因子的负荷值，一般绝对值>07的因子，才能称为主要因子。对于你分析出的因子负荷值，可以看出，主成分1中，打工时间是主要影响因子，主成分2为寝る时间和移动时间，主成分3为外出时间，因此，将打工时间、寝る时间、移动时间和外出时间是主要影响因子，而重要程度依次降低。

补充：没分，就只能回答这些，有分可以更加详细。

可以进行主成分分析的

至于你的数据只提取了一个主成分,有可能是数据有问题,当然也有可能的确是这些变量之间本身就存在很强的相关性,所以主成分分析只提取一个主成分就能够代表你目前的这些变量了,没必要太奇怪,你可以做一下这些变量之间的简单相关,看相关性如何

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。

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）

(1)首先将数据标准化，这是考虑到不同数据间的量纲不一致，因而必须要无量纲化。

(2)对标准化后的数据进行因子分析(主成分方法)，使用方差最大化旋转。

(3)写出主因子得分和每个主因子的方程贡献率。 Fj =β1jX1 +β2jX2 +β3jX3 + ……+ βnjXn ; Fj 为主成分(j=1、2、……、m)，X1、X2 、X3 、……、Xn 为各个指标，β1j、β2j、β3j、……、βnj为各指标在主成分Fj 中的系数得分，用ej表示Fj的方程贡献率。

(4)求出指标权重。 ωi=[(m∑j)βijej]/[(n∑i)(m∑j)βijej]，ωi就是指标Xi的权重。

扩展资料

产品特点

1、操作简便

界面非常友好，除了数据录入及部分命令程序等少数输入工作需要键盘键入外，大多数操作可通过鼠标拖曳、点击“菜单”、“按钮”和“对话框”来完成。

2、编程方便

具有第四代语言的特点，告诉系统要做什么，无需告诉怎样做。只要了解统计分析的原理，无需通晓统计方法的各种算法，即可得到需要的统计分析结果。

对于常见的统计方法，SPSS的命令语句、子命令及选择项的选择绝大部分由“对话框”的操作完成。因此，用户无需花大量时间记忆大量的命令、过程、选择项。

3、功能强大

具有完整的数据输入、编辑、统计分析、报表、图形制作等功能。自带11种类型136个函数。SPSS提供了从简单的统计描述到复杂的多因素统计分析方法，比如数据的探索性分析、统计描述、列联表分析、二维相关、秩相关、偏相关、方差分析、非参数检验、多元回归、生存分析、协方差分析、判别分析、因子分析、聚类分析、非线性回归、Logistic回归等。

-spss

KMO检验用于检查变量间的偏相关性 一般认为该值大于09时效果最佳 07以上尚可，06时效果较差

Bartlett's球形检验用于检验相关阵是否是单位阵 P<001说明指标间并非独立，取值是有关系的。可以进行因子分析

根据上图 可以看出一共提取了3个主成分 可是能解释的方差为69958%

软件默认的是提取特征根大于1的主成分 如果加上第四个主成分的话可以解释的变异度为8626%

所以结合专业知识 可以考虑是不是增加一个主成分。

扩展资料：

软件模块实际上就是将以前单独发行的SPSS AnswerTree软件整合进了SPSS平台。笔者几年前在自己的网站上介绍SPSS 11的新功能时，曾经很尖锐地指出SPSS的产品线过于分散，应当把各种功能较单一的小软件，如AnswerTree、Sample Power等整合到SPSS等几个平台上去。

看来SPSS公司也意识到了这一点，而AnswerTree就是在此背景下第一个被彻底整合的产品。

Classification Tree模块基于数据挖掘中发展起来的树结构模型对分类变量或连续变量进行预测，可以方便、快速的对样本进行细分，而不需要用户有太多的统计专业知识。在市场细分和数据挖掘中有较广泛的应用。

已知该模块提供了CHAID、Exhaustive CHAID和C&RT三种算法，在AnswerTree中提供的QUEST算法尚不能肯定是否会被纳入。

为了方便新老用户的使用，Tree模块在操作方式上不再使用AnswerTree中的向导方式，而是SPSS近两年开始采用的交互式选项卡对话框。但是，整个选项卡界面的内容实际上是和原先的向导基本一致的，另外，模型的结果输出仍然是AnswerTree中标准的树形图，这使得AnswerTree的老用户基本上不需要专门的学习就能够懂得如何使用该模块。

由于树结构模型的方法体系和传统的统计方法完全不同，贸然引入可能会引起读者统计方法体系的混乱。为此，本次编写的高级教程并未介绍该模块，而将在高级教程的下一个版本，以及关于市场细分问题的教材中对其加以详细介绍。

参考资料：

结果分析

（1）KMO与巴特利特球形检验

由表可以知，巴特利特球形检验的统计量值为3960473，相应的概率P值为0。在显著性水平下，应拒绝原假设，认为相关系数矩阵与单位矩阵存在显著差异。同时KMO值为0844，根据Kaiser给出的度量KMO的标椎可知问卷题项适合做因子分析。

（2）公因子方差

提取值表示每个变量被公因子表达的多少，一般认为，大于07就说明变量被公因子很好地表达。由表可以看出，绝大多数变量的提取值大于085，变量能被公因子很好地表达。

（3）解释总方差

提取方法：主成分分析法

（4）旋转成分矩阵

提取方法：主成分分析法

（5）计算因子得分:因子分析是基于研究各题项之间的内部依赖关系，将一些信息重叠、相关性高的变量指标归结为几个不相关的综合因子的多重统计方法。通过SPSS230得出的成分得分系数矩阵，见表，可得到、、、、公因子的得分表达式为：

其中、、、、公因子分别代表基础技能，创新能力，资源运用，合作精神，创新思维。