spss主成分分析法(spss主成分分析怎么计算权重)

我们取educ、salary、salbegin、jobtime、prevexp来进行主成分分析，首先要对数据进行标准化处理，这样才能较好的比较：点击分析——-描述统计—–描述在对话框中选入要筛选的变量，然后选择将标准化值另存为变量这样数

我们取educ、salary、salbegin、jobtime、prevexp来进行主成分分析，首先要对数据进行标准化处理，这样才能较好的比较：

点击分析——-描述统计—–描述

在对话框中选入要筛选的变量，然后选择将标准化值另存为变量

这样数据的标准化就完成了，我们得到了5个标准化数据

将数据标准化完成后就可以进行正式分析了

点击分析—-降维—-因子

把需要的数据选入，描述部分选择KMO和巴特利球形检验

在提取部分选择碎石图

旋转部分选择载荷图

得分部分选择：保存为变量

最后按确定得出结果，KMO和巴特利球形检验部分值要大于0.5才能进行主成分分析

公因子方差部分表示了它的共同度，SPSS提取特征根大于 1的变量的信息，可以看到除了教育部分，其他都提取原始变量差不多90%的信息

PCA目的/作用

主成分分析算法（PCA）是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大），以此使用较少的数据维度，同时保留住较多的原数据点的特性。

PCA降维的目的，就是为了在尽量保证“信息量不丢失”的情况下，对原始特征进行降维，也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影。将原特征投影到这些维度上，使降维后信息量损失最小。

特别提醒：

1. 如果主成分分析中有n个变量，则特征值（或方差）之和就等于n。

2. 特征向量（或主成分的系数）中各个数值的平方和等于1，否则就不是特征向量，也不是主成分系数。

3. 步骤3.4中的主成分载荷向量各系数的平方和等于其对应的主成分的方差

4. SPSS没有专门的主成分分析模块，是在因子分析模块进行的。它只输出主成

分载荷矩阵和因子得分值，而我们最想得到的主成分的系数（特征向量）和主成分得分则需要另外计算。

5. 如果计算没有错误，因子1、因子2、主成分1、主成分2和综合得分Y，它们各自的数值之和都等于0。

6. 主成分分析应该计算出综合得分并排序。