1、首先打开SPSSAU，右上角上传数据，点击或者拖拽原始数据文件上传。
2、选择进阶方法->主成分，选择需要分析的题目，拖拽到右侧。点击“开始主成分分析”。
3、可以自行设置好要输出的主成分个数，而不是让软件自动识别。
4、完成以上操作后，即可得到分析结果，结果如下：KMO 和 Bartlett 的检验，及智能分析。
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，这你的资料有几组就是)，合并后要重新命名新的分组，并根据新的组，进行解释，得出你的结论。
成分矩阵的结果解读：指成分得分系数矩阵，用来计算公共因子得分，两者综合得出权重。
SPSS中的因子分析有三个矩阵：成份矩阵（未旋转）、旋转后的成份矩阵和成份得分矩阵，前两个就是我们俗称的因子载荷矩阵，只是一个旋转，一个不旋转而已。主成分分析中，没有旋转后的成份矩阵，因此只有成份矩阵和成份得分矩阵。
在主成分分析中，计算主成分得分或因子得分时，需要使用的是第一个矩阵（未旋转的成份矩阵）的系数除以对应成份特征根的平方根作为指标的系数权重。
若矩阵存在个线性无关特征向量，那么可以分解为 。这里是由个特征向量组成的方阵，是由个特征值组成的对角矩阵。
若存在非零向量 ，它使得则称为特征值为特征向量。矩阵代表着对向量进行的线性变换，比如拉伸和旋转。从特征值和特征向量的定义来看，如果矩阵对某个向量只进行了拉伸那么这个向量就是特征向量，拉伸的程度就是特征值。
成分矩阵的特征分解：
当是一个实对称矩阵时，特征分解得到的特征向量正交，对特征向量标准化处理后成为正交矩阵，这时，也可以写成 。
特征值分解只能用于方矩，而奇异值分解可以对形式的矩阵进行分解。若存在矩阵，通过奇异值分解可以表示为 。
1主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在统计分析中也称为变量。因为每个变量都不同程度地反映了所研究问题的某些信息，并且指标之间有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。
2科学研究所涉及的课题往往比较复杂，是因为影响客观事物的因素多，需要考察的变量多。在大部分实际问题中，变量之间是有一定的相关性的，人们自然希望找到较少的几个彼此不相关的综合指标尽可能多地反映原来众多变量的信息
（1）主成分个数远远少于原有变量的个数
原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。
（2）主成分能够反映原有变量的绝大部分信息
因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有 变量信息的大量丢失，并能够代表原有变量的绝大部分信息
（3）主成分之间应该互不相关
通过主成分分析得出的新的综合指标（主成分）之间互不相关，因子参与数据建模能够有效地解决变量信息重叠、多重共线性等给分析应用带来的诸多问题
（4）主成分具有命名解释性
一、对原始数据进行标准化
二、计算相关系数矩阵
三、计算特征值与特征向量
四、计算主成分载荷
五、各主成分的得分
主成分分析有以下几方面的应用：
①对原始指标进行综合：主成分分析的主要作用是在基本保留原始指标信息的前提下，以互不相关的较少个数的综合指标来反映原来指标所提供的信息。
②探索多个原始指标对个体特征的影响：对于多个原始指标，求出主成分后，可以利用因子载荷阵的结构，进一步探索各主成分与多个原始指标之间的相互关系，分析各原始指标对各主成分的影响作用。
③对样本进行分类：求出主成分后，如果各主成分的专业意义较为明显，可以利用各样品的主成分得分来进行样品的分类，可能就会与分类预测算法结合。
我们也可以思考下，每一个数据处理算法都不是孤立存在的，而是相互补充。
欢迎分享，转载请注明来源：品搜搜测评网
微信扫一扫
支付宝扫一扫
