文档介绍：主成分分析实例-不旋转使用默认值进行最简单的主成分分析(默认为主成分分析法:ponents)对美国洛杉矶12个人口调查区的5个经济学变量的数据进行因子分析,菜单:Analyze-DataReduction-FactorVariables:pop,School,employ,Services,house其他使用默认值(ponents,选取特征值>1,不旋转)比较有用的结果:两个主成分(因子)f1,ponentMatrix),根据该表可以写出每个原始变量(标准化值)的因子表达式:Pop+-+--,提取两个因子f1和f2,%。f1和f2前的系数表示该因子对变量的影响程度,也称为变量在因子上的载荷。但每个因子(主成分)的系数(载荷)没有很明显的差别,所以不好命名。因此为了对因子进行命名,可以进行旋转,使系数向0和1两极分化,这就要使用选择项。洛衫矶对12个人口调查区的数据编号总人口中等学校平均 总雇员数专业服务 中等房价nopop校龄School employ项目数Services house1 5700 2500 270 250002 1000 600 10 100003 3400 1000 10 90004 3800 1700 140 250005 4000 1600 140 250006 8200 2600 60 120007 1200 400 10 160008 9100 3300 60 140009 9900 3400 180 1800010 9600 3600 390 2500011 9600 3300 80 1200012 9400 4000 100 13000因子分析实例-旋转Rotation由于系数没有很明显的差别,所以要进行旋转(Rotation:method一般用Varimax方差最大旋转),使系数向0和1两极分化,例子同上菜单:Analyze-DataReduction-FactorVariables:pop,School,employ,Services,houseExtraction:使用默认值(method:ponents,选取特征值>1)Rotation:method选VarimaxScore:Saveasvariables和DisplayfactorscoreCoefficientmatrix比较有用的结果:两个主成分(因子)f1,f2及旋转后的因子载荷矩阵(ponentMatrix),根据该表可以写出每个原始变量(标准化值)的因子表达式:Pop+-++-,专业服务项目,中等房价有绝对值较大的载荷(代表一般社会福利-福利条件因子);而第二主因子对总人口和总雇员数有较大的载荷(代表人口-人口因子).P326比较有用的结果:因子得分fac1_1,fac2_1。其计算公式:因子得分系数和原始变量的标准化值的乘积之和。然后可以利用因子得分进行聚类(Analyze->Classify->HierarchicalCluster)。主成分分析实例P330-不旋转 市场研究中的顾客偏好分析在市场研究中,常常要求分析顾客的偏好和当前市场的产品与顾客偏好之间的差别,从而找出新产品开发的方向。顾客偏好分析时常用到主成分分析方法(因子没有旋转)。例子P330:数据来自SAS公司,1980年一个汽车制造商在竞争对手中选择了17种车型,访问了25个顾客,要求他们根据自己的偏好对17种车型打分。打分范围0~,。data13-02a(17×25:17个case,25个变量V1-V25)菜单:Analyze-DataReduction-FactorVariables:V1-V25Extraction:method:ponents Extract:Numberoffactors:3要三个主成分Score:Saveasvariables比较有用的结果:ponentMatrix):第一主成分和第二主成分的载荷图(Loadingplots)比较有用的结果:因子得分fac1_1,fac2_1,fac3