因子分析SPSS数学建模

这篇具有很好参考价值的文章主要介绍了因子分析SPSS数学建模。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、模型介绍

这部分内容参考了文章:数学建模学习:因子分析_ЖSean的博客-CSDN博客_转换因子的解释数学建模

因子分析由斯皮尔曼在1904年首次提出,其在某种程度上可以被看成是主成分分析的推广和扩展。
因子分析法通过 研究变量间的相关系数矩阵,把这些变量间错综复杂的关系归结成少数几个综合因子,由于归结出的因子个数少于原始变量的个数,但是它们又包含原始变量的信息,所以,这一分析过程也称为 降维
由于因子往往比主成分更易得到解释,故因子分析比主成分分析更容易成功,从而有更广泛的应用。

与主成分分析的区别

1.主成分分析只是简单的数值计算,不需要构造一个模型,几乎没什么假定;而因子分析需要构造一个因子模型,并伴随几个关键性的假定。
2.主成分的解是唯一的,而因子可有许多解。
3.对于因子分析,可以使用旋转技术,使得因子更好的得到解释,因此在解释主成分方面因子分析更占优势;
其次因子分析不是对原有变量的取舍,而是根据原始变量的信息进行重新组合,找出影响变量的共同因子,化简数据;
如果仅仅想把现有的变量变成少数几个新的变量(新的变量几乎带有原来所有变量的信息)来进入后续的分析,则可以使用主成分分析,不过一般情况下也可以使用因子分析。

计算步骤

(1)相关性检验,一般采用KMO检验法和Bartlett球形检验法;
(2)计算样本均值和方差,对数据样本做标准化处理;
(3)计算样本的相关系数矩阵R;
(4)求相关系数矩阵R的特征值和特征向量;
(5) 根据系统要求的累计贡献率确定公共因子的个数;
(6)计算因子载荷矩阵A;
(7)对载荷矩阵进行旋转,以求能更好地解释公共因子;
(8)确定因子模型;
(9)根据计算结果,求因子得分,对系统进行分析。

二、案例分析

1、导入数据 选择因子分析

因子分析SPSS数学建模

2、前提条件检验(相关性检验,一般采用KMO检验法和Bartlett球形检验法)

因子分析SPSS数学建模

抽取

因子分析SPSS数学建模

利用旋转使得因子变量更具有可解释性

因子分析SPSS数学建模

因子得分

因子分析SPSS数学建模

缺失值处理

因子分析SPSS数学建模

3、前提条件检验(判断是否适合因子分析)

KMO 和 Bartlett 的检验

取样足够度的 Kaiser-Meyer-Olkin 度量。

.775

Bartlett 的球形度检验

近似卡方

477.607

df

66

Sig.

.000

因为显著性sig是0.000,也就是拒绝变量独立的假设,也就是变量间具有较强的相关性,KMO的度量数是0.775,适合进行因子分析

4、因子分析初始解(公因子方差)

公因子方差

初始

提取

地区生产总值

1.000

.986

资本形成总额

1.000

.912

居民消费支出

1.000

.978

政府消费支出

1.000

.922

居民消费水平绝对数

1.000

.921

就业人数

1.000

.914

私营单位平均工资

1.000

.697

居民消费价格

1.000

.937

商品零售价格

1.000

.831

人均可支配收入

1.000

.944

固定资产投资价格指数

1.000

.326

电力消费量

1.000

.900

提取方法:主成份分析。

我们可以看到,绝大多数变量的共同度都在0.9以上,反映了我们最后确定的3给变量对这些的因子解释的都很好
累计方差贡献率

解释的总方差

成份

初始特征值

提取平方和载入

旋转平方和载入

合计

方差的 %

累积 %

合计

方差的 %

累积 %

合计

方差的 %

累积 %

1

6.226

51.884

51.884

6.226

51.884

51.884

5.560

46.330

46.330

2

2.593

21.612

73.496

2.593

21.612

73.496

2.909

24.238

70.569

3

1.448

12.067

85.563

1.448

12.067

85.563

1.799

14.995

85.563

4

.817

6.808

92.371

5

.406

3.379

95.750

6

.166

1.385

97.136

7

.114

.947

98.083

8

.098

.816

98.898

9

.085

.705

99.604

10

.026

.221

99.824

11

.016

.133

99.958

12

.005

.042

100.000

提取方法:主成份分析。

第一列是标准化之后的变量相关系数矩阵的特征值
累计方差贡献率到85%即可(旋转方差贡献率和原数据是一致的)

5、成分矩阵(计算因子载荷矩阵A)

我们可以看到,第一个因子对前10个变量的解释都还可以,第二个和第三个因子对那些第一个解释度弱的变量解释度都比较强(查漏补缺的作用)

成份矩阵a

成份

1

2

3

地区生产总值

.962

.237

-.056

居民消费支出

.960

.239

.002

政府消费支出

.959

.059

-.013

就业人数

.924

.241

.052

电力消费量

.876

.353

-.092

资本形成总额

.873

.315

-.225

商品零售价格

-.235

.746

.469

人均可支配收入

.591

-.702

.319

居民消费水平绝对数

.633

-.634

.344

私营单位平均工资

.489

-.602

.309

固定资产投资价格指数

.040

.535

.196

居民消费价格

-.181

.309

.899

提取方法 :主成份。

a. 已提取了 3 个成份。

6、对载荷矩阵进行旋转,以求能更好地解释公共因子

旋转之后的(分出侧重点)

旋转成份矩阵a

成份

1

2

3

地区生产总值

.975

.188

-.007

居民消费支出

.964

.215

.043

资本形成总额

.949

.006

-.102

电力消费量

.947

.046

.031

就业人数

.925

.224

.090

政府消费支出

.895

.343

-.064

人均可支配收入

.213

.936

-.150

居民消费水平绝对数

.274

.915

-.096

私营单位平均工资

.162

.814

-.096

居民消费价格

-.177

.151

.940

商品零售价格

.010

-.421

.809

固定资产投资价格指数

.216

-.288

.443

提取方法 :主成份。

旋转法 :具有 Kaiser 标准化的正交旋转法。

a. 旋转在 5 次迭代后收敛。

成分转换矩阵

成份转换矩阵

成份

1

2

3

1

.908

.411

-.087

2

.393

-.756

.524

3

-.149

.510

.847

提取方法 :主成份。

旋转法 :具有 Kaiser 标准化的正交旋转法。

7、确定因子模型

成分得分系数矩阵

成份得分系数矩阵

成份

1

2

3

地区生产总值

.182

-.025

.002

资本形成总额

.198

-.113

-.080

居民消费支出

.176

-.005

.036

政府消费支出

.150

.041

-.009

居民消费水平绝对数

-.039

.348

.064

就业人数

.166

.009

.066

私营单位平均工资

-.052

.317

.052

居民消费价格

-.072

.215

.591

商品零售价格

.030

-.068

.428

人均可支配收入

-.053

.356

.036

固定资产投资价格指数

.066

-.084

.222

电力消费量

.191

-.078

.005

提取方法 :主成份。

旋转法 :具有 Kaiser 标准化的正交旋转法。

构成得分。文章来源地址https://www.toymoban.com/news/detail-430629.html

F1=0.182x1+0.198x2+…
F2=-0.025x1-0.113x2+…
F3=0.002x1-0.080x2+…

8、根据计算结果,求因子得分,对系统进行分析。

这三个因子在哪里?
下面的数据是根据前面的那些个变量标准化之后带入上述算式得到的:
因子分析SPSS数学建模

到了这里,关于因子分析SPSS数学建模的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【数学建模】《实战数学建模:例题与讲解》第十二讲-因子分析、判别分析(含Matlab代码)

    本系列侧重于例题实战与讲解,希望能够在例题中理解相应技巧。文章开头相关基础知识只是进行简单回顾,读者可以搭配课本或其他博客了解相应章节,然后进入本文正文例题实战,效果更佳。 如果这篇文章对你有帮助,欢迎点赞与收藏~ 判别分析是一种统计方法,它根据

    2024年02月04日
    浏览(69)
  • 【数学建模笔记】【第十讲(2)】聚类模型之:系统(层次)聚类及spss实现

    系统(层次)聚类解决了K-均值聚类的一个最大的问题:聚类的个数需要自己给定。 系统聚类的合并算法通过计算两类数据点间的距离,对最为接近的两类数据点进行组合,并反复迭代这一过程,直到将所有数据 点合成一类,并生成 聚类谱系图 。我们可以根据这个图来确定

    2024年02月12日
    浏览(38)
  • 数学建模常用模型(三):层次分析法

    层次分析法(Analytic Hierarchy Process,AHP)是一种用于多准则决策分析的方法,由美国运筹学家托马斯·L·赛蒂(Thomas L. Saaty)于1970年提出。它通过对决策问题进行层次化,将复杂的问题拆分为多个层次和准则,并使用定量化的方法进行比较和权重分配,最终得出综合评价和决

    2024年02月13日
    浏览(44)
  • 数学建模论文写作方法之一(模型分析/检验)

    一、模型的分析 灵敏度分析:步骤:控制其他参数不变的情况下,改变某个重要参数的值,观察模型结果的变化情况。以折线图的形式体现改变参数对结果的影响。如,变量向上向下数据波动x%,结果曲线变化趋势。 误差分析:指分析模型中的误差来源,或者估算模型中存在

    2024年02月11日
    浏览(44)
  • 数学建模—聚类(matlab、spss)K均值 Q型聚类 R型聚类

    聚类三种方法: 【说明】 1、三种方式输入矩阵行为个案,列为变量 量纲不同需要预处理,一般使用zscore() zscore()标准化为对每一列操作减去均值除以标准差 2、k均值需要自己确定k取值。Q、R型聚类需要运行完以后再确定选择 matlab实现 SPSS实现(默认使用kmeans++) 数据预处理

    2024年02月12日
    浏览(37)
  • 数学建模常用模型(十) :数据包络(DEA)分析法

    数据包络分析(DEA)是一种用于评估决策单元(Decision Making Unit,DMU)效率的方法。在DEA中,每个DMU都是一个有多个输入和输出指标的单位,而DEA的目标是找到一个最优的权重组合,使得每个DMU在其输入和输出指标上都能达到最大值,即达到最高的效率。 这是我自己总结的一

    2024年02月05日
    浏览(43)
  • 数学建模常用模型(九) :偏最小二乘回归分析

    偏最小二乘回归(Partial Least Squares Regression,PLS Regression)是一种常用的统计建模方法,用于解决多元线性回归中自变量间高度相关的问题。在偏最小二乘回归中,通过将原始自变量转换为一组新的综合变量(称为主成分或潜在变量),然后再使用这些主成分进行回归分析,从

    2024年02月16日
    浏览(45)
  • 2023华数杯数学建模B题思路模型论文分析

    目录 一.2023华数杯数学建模最新思路:比赛开始后第一时间更新 更新查看文末名片 二.华数杯简介 三.往年华数杯赛题简介分析: 华数杯简介 国赛前的预热”华数杯“第四届正在报名中,看到咨询我们的同学不少,挺多同学都非常感兴趣,但是又不清楚比赛的相关情况,这里

    2024年02月12日
    浏览(43)
  • 数学建模:评价性模型学习——灰色关联分析法(GRA模型)

    目录 前言 一、灰色关联分析 1.什么是灰色关联分析? 2.流程介绍 二、综合评价 1.数据无量纲化处理 2.确定参考序列 3.确定权重 4.计算灰色关联系数  5.计算灰色加权关联度 6.代码 总结          继续学习数学建模涉及的评价性模型,这篇会介绍如何使用灰色关联分析法进

    2024年02月04日
    浏览(171)
  • 【数学建模学习】matlab实现评价模型——层次分析法(AHP)

    目录 1概述  2算法实现流程 3实例  4matlab实现层次分析法 5计算结果 层次分析法,简称AHP,是评价模型中的一种算法,指将与决策总是有关的元素分解成目标、准则、方案等层次,在此基础之上进行定性和定量分析的决策方法。层次分析法的缺陷在于判断矩阵是主观决定的,

    2024年02月04日
    浏览(53)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包