基于spss和matlab对水泥热量值的主成分估计

主成分估计采用的方法是将原来的回归自变量变换到另一组变量，即主成分，选择其中一部分重要的主成分作为新的自变量（此时丢弃了一部分，影响不大的自变量，这实际达到了降维的目的），然后用最小二乘法对选取主成分后的模型参数进行估计，最后再变换回原来的模型求出参数的估计。
例：有一组水泥热量值数据：

降维：(判断标准很多，但有些是相关性很高的，在相关性高的标准中选一即可，即为降维）
Spss软件 分析-降维-因子分析得到初方差解释表，特征值在此处；
成分矩阵表中，成分矩阵中的值，除以该成分的特征值的平方根，才得到该特征值的特征向量（双击可复制表，到主表中。转换-计算变量）
将标准化后数据和特征向量复制至excel表格中，matlab分别读取，记做X0和X1,则主成分表X2即为X0*X1。在工作区打开X2,复制至spss中。

线性回归方程：F即为主成分表X2系数矩阵，y为因变量。在分析-回归-线性中。
再把三个F的表达式带入Y中，形成y与x的主成分回归方程。

此外，还可利用matlab进行计算

syms x1 x2 x3 x4
XX=[x1 x2 x3 x4];
tzxl=xlsread('特征向量.xlsx','A1:C4');
yssj=xlsread('原始数据.xlsx','A1:D13');
qw=[mean(yssj(:,1)) mean(yssj(:,2)) mean(yssj(:,3)) mean(yssj(:,4))];
bzc=[std(yssj(:,1)) std(yssj(:,2)) std(yssj(:,3)) std(yssj(:,4))];
F1=(XX-qw)./bzc*tzxl(:,1);
F2=(XX-qw)./bzc*tzxl(:,2);
F3=(XX-qw)./bzc*tzxl(:,3);
Y=95.423+F1*9.884+0.125*F2+4.56*F3;
digits(5)
vpa(Y)

matlab控制运算精度用的是digits和vpa这两个函数。

digits用于规定运算精度，比如：

digits(20);

这个语句就规定了运算精度是20位有效数字。但并不是规定了就可以使用，因为实际编程中，我们可能有些运算需要控制精度，而有些不需要控制。vpa就用于解决这个问题，凡是用需要控制精度的，我们都对运算表达式使用vpa函数。例如：

digits(5);

a=vpa(sqrt(2));

这样a的值就是1.4142，而不是准确的1.4142135623730950488016887242097…

matlab运行结果