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