基于SAS的主成份分析——某业务增长原因分析

备注:  本文所有数据都是模拟数据,   已经脱敏

简介：

主成份分析（PCA），把多个指标转化为少数几个综合指标的降维思维。

核心思想是把m个相互存在关系的指标变量，转化为彼此独立的一组新的n个指标，一般n<m 

比如研究儿童发育的指标可能有m个，其中的腿长，胳膊长，身高等指标我们可以汇总成一个新的独立指标x。

当x指标出问题的时候，我们可以推断其身体结构的发育遇到了问题，而不是心理问题，或者教育问题，激素问题等。

主成分分析的数学模型这里不做介绍，感兴趣的可以看一下统计分析相关的内容。

作者八卦一下：在医学和生物实验中，主成分分析非常有用，尤其是通过血常规判断疾病模型方面。

项目1：单一主成份分析

为了方便大家理解主成分分析的作用，用网上某公司全国31个主要省份的每日销售金额作为分析数据源。

已知在某一年连续184天内，这个业务都是持续增长的，我们希望分析业务增长的原因。现在提供一个维度，省份维度的数据作为PCA分析的数据源。

数据源：

其中数据已经被系数化，并非真实数据。

SAS代码

data waimai_23;
input x1-x31;
cards;
143504 2 3 4 5 '''''''''#数据源此处省略，复制excel数据即可
;
proc princomp data=waimai_23 out=out1 outstat=stat1 prefix=z;
var x1-x31;
run;
proc print data=out1;
title 'output:out1';
run;
proc print data=stat1;
title 'output:stat1';
run;

SAS的分析结果

第一部分：所有原始指标变量的简单统计

第二部分：相关矩阵

 

各个变量之间的相关性关系，可以看到因为是同一维度（省份维度）的数据，所以彼此相关性都较高。

第三部分：累计贡献率

 这部分是重点，看懂SAS的输出最重要。

 特征值：特征值越高，该主成分的代表性越大。因为是单一维度，正如我们所料，合成的Z1主成分特别大，其他比较小。

差分：和下一个特征值的差异值，作为绘制陡坡图的标准。

贡献率：重要指标，即该主成分可以解释的原因。前两个主成分Z1,Z2的贡献率加在一起超过90%，我们认为可以代表自变量整体。

第四部分：

特征向量，z1=0.181222X1+0.185431X2+0.1749X3+0.18008X4.....

其中X1是标准指标变量。并不是我们原始数据的变量x1，是x1的标准指标变量.

为了帮助大家区分大小写，我们这里标记为xn1的话，其和我们的原始输出数据x1的转换关系是。

xn1=(x1-x均值)/x_sid 

毫无疑问，该业务线的增长是因为全国各省的增长造成的，各省份的增长100%的解释了因变量，并且是强相关。

如果是弱相关的若干维度指标，PCA分析得到的结论会更有价值。

但是，Z1只解释了87%，和第二主成分加在一起才能超过90%，这表现了各省份的区域特殊性。

项目2：经典主成份分析

某公司的一个业务线在2018年3月到8月出现了连续增长的情况，目前有如下几个指标和业绩增长相关。

动销门店

单均价

单均补贴

日均下单数

集团新

日均门店评分

业务新

试通过主成分进行降维分析。

data pca61;
input x1-x7;
cards;
...
your data
...
;
proc princomp data=pca61 out=out1 outstat=stat1 prefix=z;
var x1-x7;
run;
proc print data=out1;
title 'output:out1';
run;
proc print data=stat1;
title 'output:stat1';
run;

输出结果：

① x的标准差x_std, x均值

② 关系矩阵

③ 贡献率

特征值越大，自变量对因变量的变化贡献率越高，差分用来绘制特征值陡坡图，比例是能解释因变量变化的比例。

可以看到前三个主成分的累积贡献率已经达到94%。

④ 特征向量

特征向量Z相较于标准指标变量X的系数。其中X=(xi-x_)/x_std 也就是标准指标变量=（输入数据x-x均值）/x标准差。

可以看到

Z1=0.408040X1+0.343541X2+0.343980X3+0.273397X4+0.421050X5-0.407482X6+0.423190X7

通过Z1的系数，我们发现Z1是一个和动销门店，集团新客，业务新客高度相关的主成分。说明这三个指标对外卖的增长影响更大，相反看到门店评分几乎无影响，所以在分析外卖增长的时候，这个门店评分基本可以忽略。（例如将这个主成分命名为供给指标）

Z2是一个和单均价，日均下单数高度相关的主成分。

Z3是一个和单均补贴高度相关的主成分。

以此类推。

通过上面的关系，我们解析出Z1,Z2,Z3相较于原始输入数据的函数关系。

Z1=5.84312E-06 x1+4.91949E-06 x2+4.92578E-06 x3+3.91503E-06 x4+6.02942E-06 x5-5.83513E-06 x6+6.06006E-06 x7

Z2=此处略

Z3=此处略

备注x1-x7的业务含义

动销门店	单均价	单均补贴	日均下单数	集团新	日均门店评分	业务新
x1	x2	x3	x4	x5	x6	x7

应用：将某一天或者某一个省份的7个指标带入Z1,Z2,Z3的计算公式，得到Zn1,Zn2,Zn3的值，和上面计算得到的5.15912759 ，0.87403705 ，0.57502177 比对大小，可以得到哪一个主成分贡献了增长。

如Zn1明显大于5.15912759则是供给指标的增长带动了外卖增长。

编者按：主成分分析在生物医药领域应用广泛，比如血常规检测的时候会得到很多的血液指标，假如m个指标。

通过主成分分析，可以浓缩为n个指标，效果好的话，n远小于m。

其中n1可以是代表炎症的指标，由m1（白细胞绝对值）,m2（巨噬细胞数量）,m3（淋巴细胞绝对值）构成。医生看到n1即可快速锁定问题，不需要再去看m。