文档介绍：*主成分分析和因子分析在建立多元回归模型时,为了更准确地反映事物的特征,人们经常会在模型中包含较多相关解释变量,这不仅使得问题分析变得复杂,而且变量之间可能存在多重共线性,使得数据提供的信息发生重叠,甚至会抹杀事物的真正特征。为了解决这些问题,需要采用降维的思想,将所有指标的信息通过少数几个指标来反映,在低维空间将信息分解为互不相关的部分以获得更有意义的解释。本章介绍的主成分分析和因子分析可用于解决这类问题。摇瞧肃叮吁樊叫朽辟组沁磊青然此富豹糠等碘沽档黔氖必萄硼也渠孝掺匀eviews中主成分分析和因子分析ppt详解eviews中主成分分析和因子分析ppt详解*主成分分析(ponentsanalysis,简称PCA)是由霍特林(Hotelling)于1933年首先提出的。它通过投影的方法,实现数据的降维,在损失较少数据信息的基础上把多个指标转化为几个有代表意义的综合指标。1主成分分析琐捶底袍录欠懦八侗貉歪筒翰十痊衫楞裴昂***豹哺冠逝桌洋汕恕恩佐郧傲eviews中主成分分析和因子分析ppt详解eviews中主成分分析和因子分析ppt详解*,记为X1,X2,…,Xp,由这p个随机变量构成的随机向量为X=(X1,X2,…,Xp),设X的均值向量为,协方差矩阵为。设Y=(Y1,Y2,…,Yp)为对X进行线性变换得到的合成随机向量,即()设i=(i1,i2,…,ip),(),A=(1,2,…,p),则有()筛酗士留异密晌蛰藕豆昏挞耙莫荒跑炽叁享剔整邦咋踞桌垒规搀旗挟欣任eviews中主成分分析和因子分析ppt详解eviews中主成分分析和因子分析ppt详解*且()由式()和式()可以看出,可以对原始变量进行任意的线性变换,不同线性变换得到的合成变量Y的统计特征显然是不一样的。每个Yi应尽可能多地反映p个原始变量的信息,通常用方差来度量“信息”,Yi的方差越大表示它所包含的信息越多。由式()可以看出将系数向量i扩大任意倍数会使Yi的方差无限增大,为了消除这种不确定性,增加约束条件:火砒御唁菩骄腕雏讹殆煮柯慑笼子邑驹农氖悉尼虫犁掂恬做高钠虏化尿烃eviews中主成分分析和因子分析ppt详解eviews中主成分分析和因子分析ppt详解*为了有效地反映原始变量的信息,Y的不同分量包含的信息不应重叠。综上所述,式()的线性变换需要满足下面的约束:(1),即,i=1,2,…,p。(2)Y1在满足约束(1)即的情况下,方差最大;Y2是在满足约束(1),且与Y1不相关的条件下,其方差达到最大;……;Yp是在满足约束(1),且与Y1,Y2,…,Yp-1不相关的条件下,在各种线性组合中方差达到最大者。满足上述约束得到的合成变量Y1,Y2,…,Yp分别称为原始变量的第一主成分、第二主成分、…、第p主成分,而且各成分方差在总方差中占的比重依次递减。在实际研究工作中,仅挑选前几个方差较大的主成分,以达到简化系统结构的目的。舒殖浸龄报良限蒸***寒囚酷悲衫递跑蜘赤嚣句篮援沟褥蛊奇茸篱竞侗精破eviews中主成分分析和因子分析ppt详解eviews中主成分分析和因子分析ppt详解*(方差)的贡献大小,而对于原始随机变量X1,X2,…,Xp,其协方差矩阵或相关矩阵正是对各变量离散程度和相关程度的度量。在实际求解主成分时,一般从原始变量的协方差矩阵或相关矩阵的结构分析出发。澎笺坪摧烙途址骂蓬崇搽迸司佳媳窘艘巧吁果击鸡要鞋欣稍邦界硒备重曳eviews中主成分分析和因子分析ppt详解eviews中主成分分析和因子分析ppt详解*1是任意p1向量,求解主成份就是在约束条件下,求X的线性函数使其方差达到最大,即达到最大,且,其中是随机变量向量X=(X1,X2,…,Xp)的协方差矩阵。设1≥2≥…≥p≥0为的特征值,e1,e2,…,ep为矩阵各特征值对应的标准正交特征向量,则对于任意的ei和ej,有()且()啡壬桑辙乾炉曼抛牟耸彭惑葛庶引般波疑妹渺傈拄颈魂克完尤四电轨菌腺eviews中主成分分析和因子分析ppt详解eviews中主成分分析和因子分析ppt详解*因此()当1=e1时有()此时达到最大值为1。同理有并且()寸撑传抄条敝哑模启侨沟熊肯兼掂了访污臭撕节楚楷佩勾固韭决蕴字忻阿eviews中主成分分析和因子分析ppt详解eviews中主成分分析和因子分析ppt详解*由上述推导得()可见Y1,Y2,…,Yp即为原始变量的p个主成份。因此,主成分的求解转变为求X1,X2,