spss常用几种分析

一、 主成分分析

1导入数据后，先将数据标准化，消除单位的影响。

图1-1

标准化后的数据见图1-2

图1-2 标准化数据

   2、做主成分分析

操作步骤见图2-1、图2-2

图2-1因子分析图2-2

   3、提取结果，根据特征值大于1提取出了三个主成分。

图3-1特征值图3-2成分矩阵

根据成分矩阵可以写出主成分的表达式

4、根据主成分排序

图4-1 排名前10图4-2排名后10

结论：这三个主成分因该是反应城市的交通运输旅游住宿的水平，所以西部城市排名较后、东部城市靠前。

二、判别分析

目的：为了研究某地区育龄妇女的生育情况，根据生育峰值年龄、一胎生育率、二胎生育率、三胎生育率4项指标，收集到12个样品的分类情况，另收集到3个待判样品情况。 用贝叶斯判别法与费歇尔判别法建立判别规则，并对待判样品进行判断。

1、 组均值检验及协方差检验

（一）组均值同等检验

图11 组平均值的同等检验

由图11可知峰值年龄和二胎生育率平均值不显著，一胎生育率和三胎生育率平均值显著不同。

（二）协方差矩阵的博克斯等同性检验

图12 博克斯等同检验

显著性〈005显著性水平，说明组间协方差阵显著不相等。

2、进行判别

（一） 费歇判别

图 21 费歇标准化判别函数系数

由图21可以写出费歇判别函数y1=0918峰值年龄+1524一胎生育率+0232二胎生育率

（二）贝叶斯判别

图 22 贝叶斯判别式函数

由图22可知贝叶斯判别式函数可写成

从图23可以看出判别的结果，得知误判率等信息。

图 23贝叶斯判别结果

以上。

主成分

1输入数据。

2点Analyze 下拉菜单，选Data Reduction 下的Factor 。

3打开Factor Analysis后,将数据变量逐个选中进入Variables 对话框中。

4单击主对话框中的Descriptive按扭，打开Factor Analysis: Descriptives子对话框，在Statistics栏中选择Univariate Descriptives项要求输出个变量的均值与标准差，在Correlation Matrix 栏内选择Coefficients项，要求计算相关系数矩阵，单击Continue按钮返回Factor Analysis主对话框。

5单击主对话框中的Extraction 按钮，打开如下图所示的Factor Analysis: Extraction 子对话框。在Method列表中选择默认因子抽取方法——Principal Components，在Analyze 栏中选择默认的Correlation Matrix 项要求从相关系数矩阵出发求解主成分，在Exact 栏中选择Number of Factors;6， 要求显示所有主成分的得分和所能解释的方差。单击Continue按钮返回Factor Analysis主对话框。

6单击主对话框中的OK 按钮，输出结果。

多元线性回归

1打开数据，依次点击：analyse--regression，打开多元线性回归对话框。

2将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量。

3设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。

4等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。

虚拟变量ABCD四类，以a为参考，那么解释就是b相对于a有无影响，c相对于a有无影响，d相对于a有无影响。

5选项里面至少选择95%CI。

点击ok。

统计专业研究生工作室原创，请勿复杂粘贴

　　首先、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

　　接着、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

　　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　

　　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

　　回到主对话框，点击ok，开始输出数据处理结果

　　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

　　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%。

主成分分析不是一个独立的统计阶段，而是一个初步结果，其应用有两个方面：

一是主成分评价，另一个是主成分回归。这里，我只给您介绍主成分评价。

主成分评价的步骤：

第一步，对原始数据进行无量纲化处理，公式是减均值比上标准差。

如果用统计软件SPSS操作，则点击菜单“分析---描述统计---描述”，把全部变量选进变量框，勾选“将标准化得分另存为变量”，然后点确定，

第二步， 计算特征根、方差贡献率、累计方差贡献率以及主成分载荷矩阵

在SPSS点击菜单“分析--降维--因子分析”，把标准化后的所有变量调入变量框，确定。得表1和表2。表1给出了两个主成分的特征根，分别是5624和1997（例）。

表1 方差分析表

表2（例）    主成分矩阵

第三步，提取主成分

由表1可知，提取了两个主成分，这两个主成分的累计方差贡献率高达95261%，表明提取前两个主成分可以基本反映全部8个指标所具有的信息。

第四步，计量特征向量

特征向量等于主成分矩阵（表2）除以特征值的平方根。表3即计算出的两个特征向量：

表3 特征向量表

第五步， 计算主成分得分

利用这两个公式可以求出两个主成分F1和F2的得分。

第六步，计算综合得分

表9从略。

主成分分析不需要旋转，因子分析才需要。

 希望能帮上您！刘得意统计服务

1、首先计算协方差矩阵Σ=（sij）p×p。

2、其次求出Σ的特征值λi及相应的正交化单位特征向量。

3、最后即可求出协差阵。协方差矩阵是一个矩阵，其每个元素是各个向量元素之间的协方差。