marlab中主成分得分怎么求_SPSS操作详解 | 主成分分析PCA(下)

大家好，我是菜鸟君。今天继续解释主成分分析。上篇里，经过SPSS的一系列操作步骤，结果已经出来了，如下图所示。

上篇链接：SPSS操作详解 | 主成分分析PCA(上)

那么，怎样进行主成分分析的结果解释呢？

接下来，让我们来进行主成分分析的结果解读：

• 线性相关关系

在变量比较多的时候，相关矩阵表非常的大。我这个量表10道题，相关矩阵就是10*10。篇幅有限，在这里我就只截图一部分了哦。

这个表主要看相关系数和显著性。如果有一道题跟其他题目相关不显著，相关系数小于0.3，那就说明这道题对于其他变量来说关系不大，不应该把它放到主成分分析之中。

• KMO检验

如果你做过问卷效度分析，或者看过效度分析的相关视频，那么你一定对KMO检验有熟悉的感觉。KMO检验主要就是用来展示主成分提取的数据情况。

KMO检验系数的范围在0到1之间。如果系数值大于0.6，就可以认为样本符合数据结构，比较合理。也有统计学家们认为，从实用性来说，KMO检验系数值需要大于0.8。

咱们这个样本的KMO检验系数是0.652，达到了0.6以上，说明样本的有效性可以接受。

各变量的KMO检验结果，也就是反映像相关性矩阵如下图：

这个表怎么看呢？看对角线，右上角有个小a的结果就行。比如说第一道题，KMO系数就是0.626。

• 总方差解释

根据上表，方差大于1的成分有4个，也就是主成分分析可以提取4个成分，一共解释了总方差的65.989%。

从碎石图上可以看出来，从组件号为4开始有了转折。因此该问卷提取了4个主成分，结果与总方差分析一致。

• 成分矩阵

成分矩阵包含了提取后各主成分与变量之间的所有相关系数。每行最大的那个数，就是该变量属于的那个主成分。比如第一题，最大的系数是0.5，主成分1。所以第一题属于成分1。

• 组件图

如果是有2个主成分，组件图就是二维的。有3个主成分的话，组件图就是三维的。咱们目前这个问卷提取了4个主成分，所以最多也就显示三维图，这么看起来不太明显，只能看出3、8、9题距离比较近，可能属于同一主成分。

• 成分得分系数矩阵

成分得分系数矩阵
	成分
	1	2	3	4
@1	.181	.239	.217	-.380
@2	.235	.224	-.017	-.145
@3	.059	-.263	.396	-.589
@4	.204	.382	-.117	.074
@5	.262	-.218	-.148	.242
@6	.286	-.179	-.053	.104
@7	.225	-.402	-.079	.089
@8	.093	-.031	.545	.218
@9	-.012	.129	.483	.516
@10	.138	.325	-.056	-.037
提取方法：主成分分析法。   组件得分。

这里可以具体看看旋转后的得分。因子载荷大于等于0.3属于显著，按照这个标准给每个因子进行归类，然后给主成分命名。

以上就是详细的主成分分析结果解释啦，还有啥问题可以到QQ群一起交流学习，觉得有帮助的话点个“在看”哦~

QQ群：83837564

B站：谁说菜鸟不会数据分析

参考文献：

https://baike.baidu.com/item/%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90/829840?fr=aladdin

https://zhuanlan.zhihu.com/p/31135479?from_voters_page=true