SPSS时序全局主成分分析方法 |
您所在的位置:网站首页 › spss如何分析带有年份的数据 › SPSS时序全局主成分分析方法 |
经典主成分分析法研究的只是由样本和样本指标所组成的截面数据,未加入时间序列,但实证研究中往往需要使用多年的面板数据进行研究,若每张截面一次研究无法及逆行时间上的纵向对比,为克服系统分析的统一性、整体性和可比性的难题,以进行主成分分析,需要将不同时点数据整合未统一的立体时序数据表,而后用经典主成分分析法进行分析,即分两步分析。 第一步:对数据作标准化处理主要是采用0-1标准化处理方式 目的:去除量纲,减小误差。原理:观测值减去平均值再除以标准差,使得到的值服从0-1标准正态分布。 其中,Xi为观测值,u为均值,σ为该列指标数据方差。 第二步:KMO和巴雷特球形检验
若KMO简言之大于0.5,表明各指标之间有较强的相关性,巴雷特球形检验的近似卡方分布值为827.408,自由度为10,显著性小于0.01,表明拒绝单位相关原假设,数据适合作时序全局主成分分析。 第三步:特征根大于1是通常的标准,更多的时候需要根据理论模型来确定总共提取的因子数目,这个是大的前提。 在因子分析中,因子个数需要分析者指定(spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析),而指定的因子数量不同而结果不同。 在主成分分析中,成分的数量是一定的,一般有几个变量就有几个主成分。和主成分分析相比,由于因子分析可以使用旋转技术帮助解释因子,在解释方面更加有优势。 特征值大于1时主成分分析结果:只提取到一个主成分
由于方差1、2的贡献率达到83.972%,因此选择将特征值改为大于0.8,得到主成分分析结果: KMO与巴雷特球形检验与上面相同
以成分1为例: F1=Σ各指标标准化值*{ 各指标成分1成分矩阵得分/sqrt(总方差解释表主成分1特征值) } 总得分则等于主成分1和主成分2按方差贡献率加权求和得出: 即F=67.758/83.972F1+16.214/83.972F2 此即为被观察个体每年的主成分得分值。 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |