Jefe, antes que nada, no puedo ver claramente la imagen que subiste.
En segundo lugar, utilizar el software SPSS para realizar análisis de componentes principales no es tan complicado, pero hay que estudiarlo. Espero que las siguientes explicaciones y ejemplos le sean útiles:
Funcionamiento del método de análisis de componentes principales en SPSS
1 Selección, recopilación e ingreso de datos del indicador (Tabla 1)
p> p>
2. Analizar →Reducción de datos →Análisis factorial, aparece el cuadro de diálogo Análisis factorial:
3. Seleccione los datos del indicador en el cuadro Variables, seleccione Coeficientes en Descriptivos: Correlación. grupo de cuadros Matriz y luego haga clic en Continuar, regrese al cuadro de diálogo Análisis factorial y haga clic en Aceptar.
Nota: Cuando SPSS llama al proceso de Análisis Factorial para el análisis, SPSS estandarizará automáticamente los datos originales, por lo que las variables después de obtener los resultados del cálculo se refieren a las variables estandarizadas, pero SPSS no. Los datos estandarizados no dado directamente. Si necesita obtener datos estandarizados, debe llamar al proceso Descriptivos para el cálculo.
Se puede ver en el Cuadro 3 que existe una relación extremadamente significativa entre el PIB y el valor agregado industrial, el valor agregado de la industria terciaria, la inversión en activos fijos, la inversión en infraestructura, las ventas minoristas totales de bienes de consumo y las finanzas locales. Los ingresos brutos tienen una relación significativa con las exportaciones aduaneras totales. Se puede ver que la correlación directa entre muchas variables es relativamente fuerte, lo que demuestra que existe una superposición de información.
El principio para extraer el número de componentes principales es el de los primeros m componentes principales cuyos valores propios correspondientes a los componentes principales sean mayores que 1. Hasta cierto punto, el valor propio puede considerarse como un indicador de la influencia del componente principal. Si el valor propio es menor que 1, significa que el poder explicativo del componente principal no es tan fuerte como el poder explicativo promedio de la introducción directa. una variable original. Por lo tanto, generalmente se puede utilizar valores propios mayores que 1 como criterio de inclusión. Del Cuadro 4 (análisis de extracción de componentes principales de descomposición de la varianza), podemos saber que se extraen 2 componentes principales, es decir, m=2. Del Cuadro 5 (matriz de carga factorial inicial), podemos saber que PIB, valor agregado industrial, terciario. el valor agregado de la industria, la inversión en activos fijos, la inversión en infraestructura, las ventas minoristas totales de bienes de consumo, las exportaciones aduaneras totales y los ingresos fiscales locales tienen cargas más altas en el primer componente principal, lo que indica que el primer componente principal básicamente refleja la información de estos indicadores por; Los indicadores del PIB per cápita y del valor agregado agrícola se encuentran en el segundo. Hay cargas altas en el componente principal, lo que indica que el segundo componente principal refleja básicamente la información de los dos indicadores del PIB per cápita y el valor agregado agrícola. Por lo tanto, extraer dos componentes principales puede reflejar básicamente la información de todos los indicadores, por lo que decidimos utilizar dos nuevas variables para reemplazar las diez variables originales. Sin embargo, las expresiones de estas dos nuevas variables no se pueden obtener directamente desde la ventana de salida, porque "Matriz de componentes" se refiere a la matriz de carga factorial inicial, y cada carga representa el coeficiente de correlación entre el componente principal y la variable correspondiente.
Divida los datos de la Tabla 5 (matriz de carga de componentes principales) por la raíz cuadrada de los valores propios correspondientes a los componentes principales para obtener el coeficiente correspondiente a cada indicador en los dos componentes principales. Ingrese las dos columnas de datos en la matriz de carga de factores inicial (puede copiar y pegar) en la ventana de edición de datos (para las variables B1 y B2), luego use "Transformar → Calcular variable" e ingrese "A1 = B1" en la ventana Calcular. Cuadro de diálogo variable /SQR(7.22)” [Nota: Complete los corchetes después del segundo componente principal SQR con 1.235 para obtener el vector de características A1 (consulte la Tabla 6). De la misma forma se puede obtener el vector propio A2. Multiplique el vector de características obtenido con los datos estandarizados y luego podrá obtener la expresión del componente principal [Nota: debido a que este ejemplo es solo para ilustrar cómo realizar el análisis de componentes principales en SPSS, los componentes principales extraídos no se nombrarán aquí. pueden nombrarlo ellos mismos.
Estandarización: realizada a través del cuadro de diálogo Analizar → Estadísticas descriptivas → Descriptivos: después de que aparezca el cuadro de diálogo Descriptivos, seleccione X1 ～ X10 en el cuadro Variables, marque la casilla frente a Guardar valores estandarizados como variables y haga clic en "Aceptar", los datos estandarizados se completarán automáticamente en la ventana de datos y se nombrarán comenzando con Z.
La proporción de los valores propios correspondientes a cada componente principal con respecto a la suma de los valores propios totales de los componentes principales extraídos se utiliza como peso para calcular el modelo integral de componentes principales, es decir, utilizando cada indicador en el primer componente principal F1 El coeficiente correspondiente se multiplica por la tasa de contribución correspondiente al primer componente principal F1, se divide por la suma de las dos tasas de contribución de los dos componentes principales extraídos, y luego se suma al coeficiente correspondiente a cada uno indicador en el segundo componente principal F2 multiplicado por La tasa de contribución correspondiente al segundo componente principal F2 se divide por la suma de las dos tasas de contribución de los dos componentes principales extraídos y se puede obtener el modelo de puntuación integral:
La puntuación integral se puede calcular de acuerdo con el modelo integral del componente principal. Los valores de los componentes principales y, al clasificarlos según el valor del componente principal integral, se puede realizar una evaluación integral y una comparación de varias regiones. Los resultados se muestran en la Tabla 8. .
Las inspecciones específicas requieren mayor discusión y estudio