主成分分析使用的資料庫

『壹』 spss主成分分析

用 KMO and bartlette』s test檢驗你的數據是不是能使用主成分分析，KMO值越接近1越好，你現在都沒這個值，說明是不可以用主成分分析的 。因此，這個結果是不能使用的

『貳』 用SPSS主成分分析數據

你有幾個指標啊

『叄』 用主成分分析法找出主成分後，要怎麼知道這一個主成分中包含了哪些原始變數在線等，非常感謝！

主成分的解釋，根據主成分系數矩陣得到各主成分的表達式，然後按照各變數對主成分的影響結合實際意義進行解釋，得分越高越好，如果其中的某些變數對主成分的影響是反向的，需要事先對其數據進行正向化處理，這樣就可以。

(3)主成分分析使用的資料庫擴展閱讀：

在用統計分析方法研究多變數的課題時，變數個數太多就會增加課題的復雜性。人們自然希望變數個數較少而得到的信息較多。在很多情形，變數之間是有一定的相關關系的，當兩個變數之間有一定相關關系時，可以解釋為這兩個變數反映此課題的信息有一定的重疊。

主成分分析是對於原先提出的所有變數，將重復的變數（關系緊密的變數）刪去多餘，建立盡可能少的新變數，使得這些新變數是兩兩不相關的，而且這些新變數在反映課題的信息方面盡可能保持原有的信息。

設法將原來變數重新組合成一組新的互相無關的幾個綜合變數，同時根據實際需要從中可以取出幾個較少的綜合變數盡可能多地反映原來變數的信息的統計方法叫做主成分分析或稱主分量分析，也是數學上用來降維的一種方法。

『肆』 哪類數據適合主成分分析，有沒有具體的例子。最好是關於經濟的。

國家綜合競爭力的比較、全國各省市綜合經濟實力的比較等等，這些指標容易選取

『伍』 主成分分析在數學建模中的應用及詳細的步驟

分析步驟：

1. 數據標准化;求相關系數矩陣;

2. 一系列正交變換，使非對角線上的數置0，加到主對角上;

3. 得特徵根系（即相應那個主成分引起變異的方差),並按照從大到小的順序把特徵根排列;

4. 求各個特徵根對應的特徵向量;

5. 用下式計算每個特徵根的貢獻率Vi;Vi=xi/(x1+x2+........)

6. 根據特徵根及其特徵向量解釋主成分物理意義。

主成分分析也稱主分量分析，旨在利用降維的思想，把多指標轉化為少數幾個綜合指標。在實際問題研究中，為了全面、系統地分析問題，我們必須考慮眾多影響因素。這些涉及的因素一般稱為指標，在多元統計分析中也稱為變數。因為每個變數都在不同程度上反映了所研究問題的某些信息，並且指標之間彼此有一定的相關性，因而所得的統計數據反映的信息在一定程度上有重疊。在用統計方法研究多變數問題時，變數太 多會增加計算量和增加分析問題的復雜性，人們希望在進行定量分析的過程中，涉及的變數較少，得到的信息量較多。

參考：http://ke..com/view/855712.htm

『陸』 spss主成分分析步驟是什麼

spss主成分分析法詳細步驟：

1、打開SPSS軟體，導入數據後，依次點擊分析，降維，因子分析。如圖1所示：

(6)主成分分析使用的資料庫擴展閱讀：

SPSS是世界上最早採用圖形菜單驅動界面的統計軟體，它最突出的特點就是操作界面極為友好，輸出結果美觀漂亮。它將幾乎所有的功能都以統一、規范的界面展現出來，使用Windows的窗口方式展示各種管理和分析數據方法的功能，對話框展示出各種功能選擇項。

用戶只要掌握一定的Windows操作技能，精通統計分析原理，就可以使用該軟體為特定的科研工作服務。SPSS採用類似EXCEL表格的方式輸入與管理數據，數據介面較為通用，能方便的從其他資料庫中讀入數據。

其統計過程包括了常用的、較為成熟的統計過程，完全可以滿足非統計專業人士的工作需要。輸出結果十分美觀，存儲時則是專用的SPO格式，可以轉存為HTML格式和文本格式。對於熟悉老版本編程運行方式的用戶，SPSS還特別設計了語法生成窗口。

『柒』 主成分分析，因子分析是應用於總體數據還是樣本數據

主成分分析和因子分析有十大區別
1.原理不同
主成分分析基本原理：利用降維（線性變換)的思想，在損失很少信息的前提下把多個指標轉化為幾個不相關的綜合指標（主成分),即每個主成分都是原始變數的線性組合,且各個主成分之間互不相關,使得主成分比原始變數具有某些更優越的性能（主成分必須保留原始變數90%以上的信息），從而達到簡化系統結構，抓住問題實質的目的。
因子分析基本原理：利用降維的思想，由研究原始變數相關矩陣內部的依賴關系出發，把一些具有錯綜復雜關系的變數表示成少數的公共因子和僅對某一個變數有作用的特殊因子線性組合而成。就是要從數據中提取對變數起解釋作用的少數公共因子（因子分析是主成分的推廣，相對於主成分分析，更傾向於描述原始變數之間的相關關系）
2.線性表示方向不同
因子分析是把變數表示成各公因子的線性組合；而主成分分析中則是把主成分表示成各變數的線性組合。
3.假設條件不同
主成分分析：不需要有假設(assumptions),
因子分析：需要一些假設。因子分析的假設包括：各個共同因子之間不相關，特殊因子（specific factor）之間也不相關，共同因子和特殊因子之間也不相關。
4.求解方法不同
求解主成分的方法：從協方差陣出發（協方差陣已知），從相關陣出發（相關陣R已知），採用的方法只有主成分法。
（實際研究中，總體協方差陣與相關陣是未知的，必須通過樣本數據來估計）
注意事項：由協方差陣出發與由相關陣出發求解主成分所得結果不一致時，要恰當的選取某一種方法；一般當變數單位相同或者變數在同一數量等級的情況下，可以直接採用協方差陣進行計算；對於度量單位不同的指標或是取值范圍彼此差異非常大的指標，應考慮將數據標准化，再由協方差陣求主成分；實際應用中應該盡可能的避免標准化，因為在標准化的過程中會抹殺一部分原本刻畫變數之間離散程度差異的信息。此外，最理想的情況是主成分分析前的變數之間相關性高，且變數之間不存在多重共線性問題(會出現最小特徵根接近0的情況)；
求解因子載荷的方法：主成分法，主軸因子法，極大似然法，最小二乘法，a因子提取法。
5.主成分和因子的變化不同
主成分分析：當給定的協方差矩陣或者相關矩陣的特徵值唯一時，主成分一般是固定的獨特的；
因子分析：因子不是固定的，可以旋轉得到不同的因子。
6.因子數量與主成分的數量
主成分分析：主成分的數量是一定的，一般有幾個變數就有幾個主成分（只是主成分所解釋的信息量不等），實際應用時會根據碎石圖提取前幾個主要的主成分。
因子分析：因子個數需要分析者指定（SPSS和SAS根據一定的條件自動設定，只要是特徵值大於1的因子主可進入分析），指定的因子數量不同而結果也不同；
7.解釋重點不同：
主成分分析：重點在於解釋各變數的總方差，
因子分析：則把重點放在解釋各變數之間的協方差。
8.演算法上的不同：
主成分分析：協方差矩陣的對角元素是變數的方差；
因子分析：所採用的協方差矩陣的對角元素不在是變數的方差，而是和變數對應的共同度（變數方差中被各因子所解釋的部分）
9.優點不同：
因子分析：對於因子分析，可以使用旋轉技術，使得因子更好的得到解釋，因此在解釋主成分方面因子分析更占優勢；其次因子分析不是對原有變數的取捨，而是根據原始變數的信息進行重新組合，找出影響變數的共同因子，化簡數據；
主成分分析：
第一：如果僅僅想把現有的變數變成少數幾個新的變數（新的變數幾乎帶有原來所有變數的信息）來進入後續的分析，則可以使用主成分分析，不過一般情況下也可以使用因子分析；
第二：通過計算綜合主成分函數得分，對客觀經濟現象進行科學評價；
第三：它在應用上側重於信息貢獻影響力綜合評價。
第四：應用范圍廣，主成分分析不要求數據來自正態分布總體，其技術來源是矩陣運算的技術以及矩陣對角化和矩陣的譜分解技術，因而凡是涉及多維度問題，都可以應用主成分降維；
10.應用場景不同：
主成分分析：
可以用於系統運營狀態做出評估，一般是將多個指標綜合成一個變數，即將多維問題降維至一維，這樣才能方便排序評估；
此外還可以應用於經濟效益、經濟發展水平、經濟發展競爭力、生活水平、生活質量的評價研究上；
主成分還可以用於和回歸分析相結合，進行主成分回歸分析，甚至可以利用主成分分析進行挑選變數，選擇少數變數再進行進一步的研究。
一般情況下主成分用於探索性分析，很少單獨使用，用主成分來分析數據，可以讓我們對數據有一個大致的了解。