主成分提取有哪些方法

A. 如何用spss對面板數據進行主成分分析進而提取到主成分因子

面板數據方法很多，最簡單的是加權平均一下做一個因子分析
1輸入數據。
2點Analyze 下拉菜單，選Data Rection 下的Factor 。
3打開Factor Analysis後,將數據變數逐個選中進入Variables 對話框中。
4單擊主對話框中的Descriptive按扭，打開Factor Analysis: Descriptives子對話框，在Statistics欄中選擇Univariate Descriptives項要求輸出個變數的均值與標准差，在Correlation Matrix 欄內選擇Coefficients項，要求計算相關系數矩陣，單擊Continue按鈕返回Factor Analysis主對話框。
5單擊主對話框中的Extraction 按鈕，打開如下圖所示的Factor Analysis: Extraction 子對話框。在Method列表中選擇默認因子抽取方法——Principal Components，在Analyze 欄中選擇默認的Correlation Matrix 項要求從相關系數矩陣出發求解主成分，在Exact 欄中選擇Number of Factors;6， 要求顯示所有主成分的得分和所能解釋的方差。單擊Continue按鈕返回Factor Analysis主對話框。
6單擊主對話框中的OK 按鈕，輸出結果。
統計專業研究生工作室原創，請勿復雜粘貼

B. 主成分分析的主要步驟包括

主成分分析是指通過將一組可能存在相關性的變數轉換城一組線性不相關的變數，轉換後的這組變數叫主成分。
主成分分析步驟：1、對原始數據標准化，2、計算相關系數，3、計算特徵，4、確定主成分，5、合成主成分。
主成分分析的原理是設法將原來變數重新組合成一組新的相互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總和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，也是數學上處理降維的一種方法。

主成分分析的主要作用
1．主成分分析能降低所研究的數據空間的維數。
2．有時可通過因子負荷aij的結論，弄清X變數間的某些關系。
3．多維數據的一種圖形表示方法。
4．由主成分分析法構造回歸模型。即把各主成分作為新自變數代替原來自變數x做回歸分析。
5．用主成分分析篩選回歸變數。
最經典的做法就是用F1（選取的第一個線性組合，即第一個綜合指標）的方差來表達，即Va（rF1）越大，表示F1包含的信息越多。因此在所有的線性組合中選取的F1應該是方差最大的，故稱F1為第一主成分。

C. 怎樣用spss進行主成分分析 具體步驟

工具/原料

spss20.0
方法/步驟

先在spss中准備好要處理的數據，然後在菜單欄上執行：analyse--dimension rection--factor analyse。打開因素分析對話框

我們看到下圖就是因素分析的對話框，將要分析的變數都放入variables窗口中

點擊descriptives按鈕，進入次級對話框，這個對話框可以輸出我們想要看到的描述統計量

因為做主成分分析需要我們看一下各個變數之間的相關，對變數間的關系有一個了解，所以需要輸出相關，勾選coefficience，點擊continue，返回主對話框

回到主對話框，點擊ok，開始輸出數據處理結果

你看到的這第一個表格就是相關矩陣，現實的是各個變數之間的相關系數，通過相關系數，你可以看到各個變數之間的相關，進而了解各個變數之間的關系

第二個表格顯示的主成分分析的過程，我們看到eigenvalues下面的total欄，他的意思就是特徵根，他的意義是主成分影響力度的指標，一般以1為標准，如果特徵根小於1，說明這個主因素的影響力度還不如一個基本的變數。所以我們只提取特徵根大於1的主成分。如圖所示，前三個主成分就是大於1的，所以我們只能說有三個主成分。另外，我們看到第一個主成分方差占所有主成分方差的46.9%，第二個佔27.5%，第三個佔15.0%。這三個累計達到了89.5%。

D. 如何用spss軟體做主成分分析

老大，首先，你上傳的圖我無法看清。
其次，用SPSS軟體做主成分分析也沒那麼復雜，不過你要鑽研一番。下面的說明及舉例希望可以對你有幫助：
主成分分析法在SPSS中的操作
1、指標數據選取、收集與錄入（表1）

2、Analyze →Data Rection →Factor Analysis，彈出Factor Analysis 對話框：

3、把指標數據選入Variables 框，Descriptives: Correlation Matrix 框組中選中Coefficients,然後點擊Continue, 返回Factor Analysis 對話框，單擊OK。
注意：SPSS 在調用Factor Analyze 過程進行分析時, SPSS 會自動對原始數據進行標准化處理, 所以在得到計算結果後的變數都是指經過標准化處理後的變數, 但SPSS 並不直接給出標准化後的數據, 如需要得到標准化數據, 則需調用Descriptives 過程進行計算。

從表3 可知GDP 與工業增加值, 第三產業增加值、固定資產投資、基本建設投資、社會消費品零售總額、地方財政收入這幾個指標存在著極其顯著的關系, 與海關出口總額存在著顯著關系。可見許多變數之間直接的相關性比較強, 證明他們存在信息上的重疊。
主成分個數提取原則為主成分對應的特徵值大於1的前m個主成分。特徵值在某種程度上可以被看成是表示主成分影響力度大小的指標, 如果特徵值小於1, 說明該主成分的解釋力度還不如直接引入一個原變數的平均解釋力度大, 因此一般可以用特徵值大於1作為納入標准。通過表4( 方差分解主成分提取分析) 可知, 提取2個主成分, 即m=2, 從表5( 初始因子載荷矩陣) 可知GDP、工業增加值、第三產業增加值、固定資產投資、基本建設投資、社會消費品零售總額、海關出口總額、地方財政收入在第一主成分上有較高載荷, 說明第一主成分基本反映了這些指標的信息; 人均GDP 和農業增加值指標在第二主成分上有較高載荷, 說明第二主成分基本反映了人均GDP 和農業增加值兩個指標的信息。所以提取兩個主成分是可以基本反映全部指標的信息, 所以決定用兩個新變數來代替原來的十個變數。但這兩個新變數的表達還不能從輸出窗口中直接得到, 因為「Component Matrix」是指初始因子載荷矩陣, 每一個載荷量表示主成分與對應變數的相關系數。
用表5( 主成分載荷矩陣) 中的數據除以主成分相對應的特徵值開平方根便得到兩個主成分中每個指標所對應的系數。將初始因子載荷矩陣中的兩列數據輸入( 可用復制粘貼的方法) 到數據編輯窗口( 為變數B1、B2) , 然後利用「Transform→Compute Variable」, 在Compute Variable對話框中輸入「A1=B1/SQR(7.22)」[注: 第二主成分SQR後的括弧中填1.235, 即可得到特徵向量A1(見表6)。同理, 可得到特徵向量A2。將得到的特徵向量與標准化後的數據相乘, 然後就可以得出主成分表達式[注: 因本例只是為了說明如何在SPSS 進行主成分分析, 故在此不對提取的主成分進行命名, 有興趣的讀者可自行命名。

標准化：通過Analyze→Descriptive Statistics→Descriptives 對話框來實現: 彈出Descriptives 對話框後, 把X1～X10 選入Variables 框, 在Save standardized values as variables 前的方框打上鉤, 點擊「OK」, 經標准化的數據會自動填入數據窗口中, 並以Z開頭命名。

以每個主成分所對應的特徵值占所提取主成分總的特徵值之和的比例作為權重計算主成分綜合模型, 即用第一主成分F1 中每個指標所對應的系數乘上第一主成分F1 所對應的貢獻率再除以所提取兩個主成分的兩個貢獻率之和, 然後加上第二主成分F2 中每個指標所對應的系數乘上第二主成分F2 所對應的貢獻率再除以所提取兩個主成分的兩個貢獻率之和, 即可得到綜合得分模型:

根據主成分綜合模型即可計算綜合主成分值, 並對其按綜合主成分值進行排序, 即可對各地區進行綜合評價比較, 結果見表8。

具體檢驗還需進一步探討與學習

E. 如何提取主成分

可用SPSSAU，選擇[進階方法]里的>>[主成分]，配合有分析方法的幫助手冊及智能文字分析。

F. 如何進行主成分分析

主成分分析法的基本思想

主成分分析（Principal Component Analysis）是利用降維的思想，將多個變數轉化為少數幾個綜合變數（即主成分），其中每個主成分都是原始變數的線性組合，各主成分之間互不相關，從而這些主成分能夠反映始變數的絕大部分信息，且所含的信息互不重疊.採用這種方法可以克服單一的財務指標不能真實反映公司的財務情況的缺點，引進多方面的財務指標，但又將復雜因素歸結為幾個主成分，使得復雜問題得以簡化，同時得到更為科學、准確的財務信息。

具體的實際操作我也在學習，主要是在實驗室分析，用minitab

網上有很多這方面的資料，你可以自己去詳細地看

希望對你有用

G. 主成分分析法與因子分析法的區別

一、性質不同

1、主成分分析法性質：通過正交變換將一組可能存在相關性的變數轉換為一組線性不相關的變數，轉換後的這組變數。

2、因子分析法性質：研究從變數群中提取共性因子的統計技術。

二、應用不同

1、主成分分析法應用：比如人口統計學、數量地理學、分子動力學模擬、數學建模、數理分析等學科中均有應用，是一種常用的多變數分析方法。

2、因子分析法應用：

（1）消費者習慣和態度研究（U&A）

（2） 品牌形象和特性研究

（3）服務質量調查

（4） 個性測試

（5）形象調查

（6） 市場劃分識別

（7）顧客、產品和行為分類

(7)主成分提取有哪些方法擴展閱讀：

主成分分析的原理是設法將原來變數重新組合成一組新的相互無關的幾個綜合變數，同時，根據實際需要，盡量少取幾個求和變數，以反映原始變數的信息。

這種統計方法被稱為主成分分析或主成分分析，這也是一種處理降維的數學方法。主成分分析（PCA）是試圖用一組新的不相關的綜合指標來代替原來的指標。

因子分析為社會研究的一種有力工具，但不能確定一項研究中有幾個因子。當研究中選擇的變數發生變化時，因素的數量也會發生變化。此外，對每個因素的實際含義的解釋也不是絕對的。

H. 請問您知道怎麼做全局主成分分析嗎謝謝啊！

我不知道全局主成分是一個什麼概念，但是如果是說是對你所獲得的整個面板數據做主成分分析的話，那我可以提供你一些簡略的步驟，希望可以幫到你。
第一步：將數據導入到SPSS軟體（一般主成分分析可以通過SPSS或者SAS軟體進行操作，但是SAS軟體較大，而且界面沒有SPSS來得直接，他的編程操作更簡單，所以一般選擇SPSS軟體即可。不同版本的SPSS軟體可能操作界面有不同，但整體是相似的）
如何導入：1.打開SPSS，會跳出一個對話框，可以直接關閉。
2.點擊文件-打開-數據-選擇數據源。如果是excel的，在文件類型里選擇excel，然後選擇打開，在彈出的對話框中點擊繼續即可導入數據。
如何進行主成分分析：點擊分析（analyze）-數據縮減（data rection)-將對話框的左邊欄選擇你需要分析的變數進入右邊欄（注意，選擇的變數必須是數字變數）-描述（descriptive）-相關矩陣（correlation matrix）-KMO檢驗（KMO and Bartlett's test of sphericity)-繼續-提取（extraction）-方法（method）-主成分（principal components)-分析（analyze)-相關系數矩陣（correlation matrix）（一般選擇相關系數矩陣，因為主成分的原理是經過線性變化提取出主要的變數，這個線性變化中希望把相關度高的進行合並，使之最後形成的新的幾個主成分之間的相關度不高，便於解釋。另一個選項是根據協方差矩陣進行分析，一般不太選擇這個）-輸出（display)-全勾選-提取（extract)-可選擇單位根大於1（eigenvalues over=1)或者自己根據需要指定最後有幾個主成分（numbers of factor)-繼續-旋轉（rotation)(主成分不需要進行旋轉，因子分析需要選擇該項，並選擇根據方差選擇）-得分（scores)-保存為變數（save as variables)-繼續-OK。

I. 在主成分分析里，如何提取主成分

因子分析---選項中有一項是特徵根植大於1 或者說是指定主成分個數，默認是提取的特徵根植為1， 你改成 下面的指定主成分個數那一項就可以了 你想指定幾項都可以 不過要小於所有變數個數

Fp = a1i*ZX1 + a2i*ZX2 + …… + api*ZXp

其中a1i, a2i, ……,api(i=1,……,m)為X的協方差陣Σ的特徵值所對應的特徵向量，ZX1, ZX2, ……, ZXp是原始變數經過標准化處理的值，因為在實際應用中，往往存在指標的量綱不同，所以在計算之前須先消除量綱的影響，而將原始數據標准化，本文所採用的數據就存在量綱影響[註：本文指的數據標准化是指Z標准化。

A = (aij)p×m = (a1,a2,…am,)，

Rai = λiai，

R為相關系數矩陣，λi、ai是相應的特徵值和單位特徵向量, λ1 ≥ λ2 ≥ …≥ λp ≥ 0 。

進行主成分分析主要步驟如下：

1. 指標數據標准化（SPSS軟體自動執行）；

2. 指標之間的相關性判定；

3. 確定主成分個數m；

4. 主成分Fi表達式；

5. 主成分Fi命名；

主成分分析法的計算步驟