【数模】主成分分析法

目录

文章目录

一、主成分分析

1.基本思想

2.数学模型

3.主成分分析的步骤

二、主成分分析法与因子分析法的转换

---

一、主成分分析

        概念：从原始变量中导出少数几个主分量，使它们尽可能多地保留原始变量的信息，且彼此间互不相关

        常用来寻找判断事物或现象的综合指标，并对综合指标所包含的信息进行适当的解释

目的：

1. 数据的压缩——处理指标与指标间相关性高的数据（剔除冗余的数据）
2. 数据的解释

        数据降维处理可采用 主成分分析法（spss无）、因子分析法

数据处理的典型应用：

• 补全数据（拟合、插值）
• 异常值检测（识别后剔除）
• 数据冗余（效率浪费、结果影响）

1.基本思想

        降维处理、浓缩处理（以两个变量为例）

         长短轴相差越大，降维也就越合理

         找出的新变量是原来变量的线性组合，叫做主成分

 各主成分 累计方差贡献率>80% 或 特征值>1

原来——众多具有一定相关性的变量

重新组合后——一组新的相互无关的综合变量

方差小——信息少

方差最大——第一主成分

两个变量——椭圆

多个变量——椭球

2.数学模型

  主成分分析两大检验（若多个变量相互独立或相关性很小，则不能进行主成分分析）

• KMO检验（Kaiser-Meyer-Olkin）——检验变量之间的偏相关系数是否过小（>0.5）
• Bartlett‘s检验——该检验的原假设是相关矩阵为单位阵（不相关）。若不能拒绝原假设，则不适合进行主成分分析（<0.05）

3.主成分分析的步骤

1. 检验是否可以使用主成分分析法（KMO/Bartlett’s）
2. 对原来的指标进行标准化处理，消除变量在水平和量纲上的影响
3. 根据标准化后的数据矩阵求出相关系数矩阵
4. 求出协方差矩阵的特征根和特征向量
5. 确定主成分，并对各主成分所包含的信息给予适当的解释

---

二、主成分分析法与因子分析法的转换

        SPSS只有因子分析，所以需要进行转换