主成分分析结果成分不显著_主成分分析结果

相关矩阵表

各个变量之间存在着较强的相关关系，

如果直接对其进行分析的话，

有可能产生严重的共线

性的问题，所以，就有必要对其进行主成分分析。上面表中的空格表明自身相关系数为

1

，

它的不相关的显著性概率为

0

，也就不再显示出来了。

变量共同度

上面表中所显示出来的变量的共同度对所有的变量都是

1

，

说明这个模型解释了每一个变量

的全部的方差，然而就不需要特殊因子了，也就是说特殊因子的方差为

0

。

解释总方差表

根据上面解释总方差表的显示，

我们可以知道表中所列出的所有的主成分，

他们是按照特征

根从大到小的顺序排列的。可以得知，第一个主成分的特征根是

4.625

，它解释了总变异的

77.084%

；

第二个主成分的特征根是

0.793

，

虽然它解释了总变异的

13.220%

，

但是由于它的

特征根

0.793

远小于

1

，这就说明了第二主成分的解释力度还不如直接引进原始的变量大。

所以，根据主成分的个数的确定原则，也就是累积方差贡献率达到

80%~85%

以上并且要求特

征值要大于

1

这两个原则才可以，就确定了这

6

个变量所需要提取一个主成分。

碎石图

碎石图其实就是按照特征根大小排列的主成分散点图，

如上图所示的，

第一主成分的特征根

大于

1

，从第二个主成分开始特征根都比较偏低，然而特征根小于

1

，就可以看做第一个主

成分能够概括绝大部分的信息。

因子载荷矩阵

从上面表中的因子载荷矩阵可以看出，

标准化的原始的变量可以利用求得的主成分来线性表

示出来，

它的近似的表示可以根据上面表中的数据写出来。

以

price

为例，

现在本实验中只

有一个主成分，可以用

prin

来表示这个主成分，得到如下所示的表达式子：

Price=0.958prin

另外，

运用以上的系数矩阵，

可以得到利用各个原始变量写出来的因子表达式，

方法就是运

用上面表中第

i

列向量除以第

i

个特征根的算术平方根以后，

得到的第

i

个主成分的变量系

数向量，具体写出来的表达式如下所示：

Prin=0.445*zprice+0.448*zpay+0.357*zincome+0.381*zdensity+0.422*zcost+0.389*zpu

rchase