展开全部
得到的方差百分比就是贡献率,累e68a843231313335323631343130323136353331333431366337计百分比就是累计贡献率,成分矩阵用来判定主成分。
贡献率指有效或有用成果数量与资源消耗及占用量之比,即产出量与投入量之比,或所得量与所费量之比。计算公式:贡献率(%)=贡献量(产出量,所得量)/投入量(消耗量,占用量)×100%贡献率也用于分析经济增长中各因素作用大小的程度。
成分矩阵(component matrix)由主成分法得到的因素负荷矩阵。采用同一组被试进行比较时,必须保证两种实验处理之间没有相互影响,同时要平衡位置顺序。
扩展资料
主成分分析的主要作用
1、主成分分析能降低所研究的数据空间的维数。即用研究m维的Y空间代替p维的X空间(m
例如要计算Yl的均值也得使用全部x的均值。在所选的前m个主成分中,如果某个Xi的系数全部近似于零的话,就可以把这个Xi删除,这也是一种删除多余变量的方法。
2、有时可通过因子负荷aij的结论,弄清X变量间的某些关系。
3、多维数据的一种图形表示方法。我们知道当维数大于3时便不能画出几何图形,多元统计研究的问题大都多于3个变量。要把研究的问题用图形表示出来是不可能的。
然而,经过主成分分析后,我们可以选取前两个主成分或其中某两个主成分,根据主成分的得分,画出n个样品在二维平面上的分布况,由图形可直观地看出各样品在主分量中的地位,进而还可以对样本进行分类处理,可以由图形发现远离大多数样本点的离群点。
4、由主成分分析法构造回归模型。即把各主成分作为新自变量代替原来自变量x做回归分析。
5、用主成分分析筛选回归变量。回归变量的选择有着重的实际意义,为了使模型本身易于做结构分析、控制和预报,好从原始变量所构成的子集合中选择最佳变量,构成最佳变量集合。用主成分分析筛选变量,可以用较少的计算量来选择量,获得选择最佳变量子集合的效果。