资源描述：
《主成分分析在stata中的实现以和理论介绍》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、WORD格式整理第十二章主成分分析主成分分分析也称作主分量分析，是霍特林(Hotelling)在1933年首先提出。主成分分析是利用降维的思想，在损失较少信息的前提下把多个指标转化为较少的综合指标。转化生成的综合指标即称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分互不相关。Stata对主成分分析的主要内容包括：主成分估计、主成分分析的恰当性（包括负偏协方差矩阵和负偏相关系数矩阵、KMO(Kaiser-Meyer-Olkin)抽样充分性、复相关系数、共同度等指标测度）、主成分的旋转、预测、各种检验、碎石图、得分图、载荷图等。
主成
2、分的模型表达式为：其中，a称为得分，b称为载荷。主成分分析主要的分析方法是对相关系数矩阵（或协方差矩阵）进行特征值分析。Stata中可以通过负偏相关系数矩阵、负相关系数平方和KMO值对主成分分析的恰当性进行分析。负偏相关系数矩阵即变量之间两两偏相关系数的负数。非对角线元素则为负的偏相关系数。如果变量之间存在较强的共性，则偏相关系数比较低。因此，如果矩阵中偏相关系数较高的个数比较多，说明某一些变量与另外一些变量的相关性比较低，主成分模型可能不适用。这时，主成分分析不能得到很好的数据约化效果。Kaiser-Meyer-Olkin抽样充分性测度也是用
3、于测量变量之间相关关系的强弱的重要指标，是通过比较两个变量的相关系数与偏相关系数得到的。KMO介于0于1之间。KMO越高，表明变量的共性越强。如果偏相关系数相对于相关系数比较高，则KMO比较低，主成分分析不能起到很好的数据约化效果。根据Kaiser（1974），一般的判断标准如下：0.00-0.49,不能接受（unacceptable）;0.50-0.59,非常差（miserable）；0.60-0.69，勉强接受（mediocre）；0.70-0.79,可以接受（middling）；0.80-0.89，比较好（meritorious）；0.9
4、0-1.00,非常好（marvelous）。SMC即一个变量与其他所有变量的复相关系数的平方，也就是复回归方程的可决系数。SMC比较高表明变量的线性关系越强，共性越强，主成分分析就越合适。成分载荷、KMO、SMC等指标都可以通过extat命令进行分析。多元方差分析是方差分析在多元中的扩展，即模型含有多个响应变量。本章介绍多元（协）方差分析以及霍特林（Hotelling)均值向量T检验。12.1主成分估计Stata可以通过变量进行主成分分析，也可以直接通过相关系数矩阵或协方差矩阵进行。（1）sysuseauto,clearpcatrunkweig
5、htlengthheadroompcatrunkweightlengthheadroom,comp(2)covariance学习参考资料分享WORD格式整理（2）webusebg2,clearpcabg2cost*,vce(normal)12.2Estatestat给出了几个非常有用的工具，包括KMO、SMC等指标。webusebg2,clearpcabg2cost*,vce(normal)estatantiestatkmoestatloadingsestatresidualsestatsmcestatsummarize12.3预测Stata可
6、以通过predict预测变量得分、拟合值和残差等。webusebg2,clearpcabg2cost*,vce(normal)predictscorefitresidualq（备注：q代表残差的平方和）12.4碎石图碎石图是判断保留多少个主成分的重要方法。命令为screeplot。webusebg2,clearpcabg2cost*,vce(normal)screeplot学习参考资料分享WORD格式整理12.5得分图、载荷图得分图即不同主成分得分的散点图。命令为scoreplot。webusebg2,clearpcabg2cost*,vce(
7、normal)scoreplot载荷图即不同主成分载荷的散点图。命令为loadingplot。webusebg2,clearpcabg2cost*,vce(normal)loadingplot学习参考资料分享WORD格式整理12.6旋转对载荷进行旋转的命令格式为rotate。webusebg2,clearpcabg2cost*,vce(normal)rotate例：对中国30个省市自治区经济发展基本情况的八项指标主成分分析，原始数据如下表：省份GDP(亿元）居民消费水平(元）固定资产投资(亿元)职工平均工资（元）货物周转量(亿吨公里)居民消费价
8、格指数(上年100)商品零售价格指数(上年100)工业总产值(亿元)areax1x2x3x4x5x6x7x8北京10488.03203463814.7
