SPSS主成分分析

原始数据

点击分析(analyze)——降维(dimension reduction)——因子分析(factor)，将需要参与分析的各个原始变量放入变量框，

如图所示

点击描述

点击得分

点击抽取

点击选项

点击确定，结果如下

相关性矩阵

KMO和Bartlett球形检验结果：

KMO为0.6，说明适合做因子分析；
bartlett球形检验的显著性P值为0.000<0.05，亦说明数据适合做因子分析。

公因子方差表，展示了变量的共同度，提取下面各个共同度的值都大于0.5，说明提取的主成分对原始变量的解释程度比较高，本表在主成分分析中用处不大，此处列出来仅供参考。

总方差分解表，由下表可以看出，提取了特征值大于1的两个主成分，两个主成分的方差贡献率分别是37.667%和15.691%，累计方差贡献率为53.359%；两个特征值λ分别是2.637和1.098

因子载荷矩阵

新版本计算方法如下

如图所示，为两个主成分因子得分，，主成分为响应的因子得分乘以相应的方差算术平方根，即F1 = FAC1_1 / SQRT(2.637), F2 = FAC2_1 / SQRT(1.098)，

计算得到的主成分结果如下：

老版本计算方法如下：

根据数理统计的相关知识，主成分分析的变换矩阵亦即主成分载荷矩阵U、因子载荷矩阵A及特征值λ的数学关系如下：

将上述因子载荷矩阵的两列复制到一个新的SPSS文件中，这个为A，下面计算U（主成分载荷矩阵）
点击转换——计算变量

U1和U2分别为两个特征向量
下面是矩阵相乘运算，即原始数据×特征向量即可得到两个主成分FAC1和FAC2。
需要注意的是，在计算变量之前，需要对原始数据进行标准化处理。
点击分析——描述统计——描述

将原始数据导入，勾选下面的“将标准化得分另存为变量(Z)”，点击确定

结果如图所示

为简便计算，用MATLAB进行矩阵相乘运算，将数据导入Excel表中，标准化原始数据和特征向量分别如下：

matlab计算代码如下：

>> [raw,info] = xlsread('E:\水质参数反演处理流程\专利\数据\PCA.xls','标准化原始数据');
>> [U,U_info] = xlsread("E:\水质参数反演处理流程\专利\数据\PCA.xls","特征向量");
>> F = raw * U

计算结果如下

1、2分别为两个主成分。其结果和新版本计算结果一致。

后续补充MATLAB版本和每一步原理（待更。。。。）