保存因子分析就好,如果用spssau分析前先勾选“因子得分”选项,即可在分析后得到因子得分项。
spss直接把几个因子都已经算出来了,就是duFAC1-1列就是因子F1,同理可以得知F2,F3不用算的,如果问F1怎么来的,就说是F1=0701X1-0549X2+0736X3+0216X4+0112X5-0318X6。
如果进行主成分分析之后又要进行回归分析,应该是用提取出来的主因子作为自变量进行计算的,回归是只能有一个自变量,一个因变量才算回归的,如果不是的话,建议你使用多项式属分析。
把因变量的值还有自变量的值放到EXCEL里,按列排列。然后全部圈起来,找图表选项,绘制散点图,之后对其中的点点击右键,进行数据拟合就可以得出式子。
扩展资料:
标准逐步回归法做两件事情。即增加和删除每个步骤所需的预测。
向前选择法从模型中最显著的预测开始,然后为每一步添加变量。
向后剔除法与模型的所有预测同时开始,然后在每一步消除最小显著性的变量。
这种建模技术的目的是使用最少的预测变量数来最大化预测能力。这也是处理高维数据集的方法之一。
-回归分析
新建一个txt文档,后缀改为SPS,用双击spss打开,把下面的语法文件拷贝进去,把变量/VARIABLES后面的b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11……改为你需要分析主成分的变量,然后全部选中。右击,选择Run Current就可以出结果了/为注解,不会影响语法运行。结果在Total Variance Explained表格中我用的是spss115不同版本语法都差不多的
语法:
/ 主成分分析语法,右击,选择Run Current就有结果了
FACTOR
/VARIABLES b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12 b13 b14 b15 b16 b17 b18 b19 b20 b21 b22 b23 b24 b25 b26 b27 b28 b29 b30 /MISSING LISTWISE /ANALYSIS
b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12 b13 b14 b15 b16 b17 b18 b19 b20 b21
b22 b23 b24 b25 b26 b27 b28 b29 b30
/PRINT INITIAL KMO EXTRACTION ROTATION FSCORE
/FORMAT SORT BLANK(10)
/PLOT EIGEN ROTATION
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/METHOD=CORRELATION
我不知道全局主成分是一个什么概念,但是如果是说是对你所获得的整个面板数据做主成分分析的话,那我可以提供你一些简略的步骤,希望可以帮到你。
第一步:将数据导入到SPSS软件(一般主成分分析可以通过SPSS或者SAS软件进行操作,但是SAS软件较大,而且界面没有SPSS来得直接,他的编程操作更简单,所以一般选择SPSS软件即可。不同版本的SPSS软件可能操作界面有不同,但整体是相似的)
如何导入:1打开SPSS,会跳出一个对话框,可以直接关闭。
2点击文件-打开-数据-选择数据源。如果是excel的,在文件类型里选择excel,然后选择打开,在弹出的对话框中点击继续即可导入数据。
如何进行主成分分析:点击分析(analyze)-数据缩减(data reduction)-将对话框的左边栏选择你需要分析的变量进入右边栏(注意,选择的变量必须是数字变量)-描述(descriptive)-相关矩阵(correlation matrix)-KMO检验(KMO and Bartlett's test of sphericity)-继续-提取(extraction)-方法(method)-主成分(principal components)-分析(analyze)-相关系数矩阵(correlation matrix)(一般选择相关系数矩阵,因为主成分的原理是经过线性变化提取出主要的变量,这个线性变化中希望把相关度高的进行合并,使之最后形成的新的几个主成分之间的相关度不高,便于解释。另一个选项是根据协方差矩阵进行分析,一般不太选择这个)-输出(display)-全勾选-提取(extract)-可选择单位根大于1(eigenvalues over=1)或者自己根据需要指定最后有几个主成分(numbers of factor)-继续-旋转(rotation)(主成分不需要进行旋转,因子分析需要选择该项,并选择根据方差选择)-得分(scores)-保存为变量(save as variables)-继续-OK。
欢迎分享,转载请注明来源:品搜搜测评网