SPSS应用——主成分分析简析
认识主成分分析
主成分分析（Principal Component Analysis，PCA）是一种数据降维技术，是一种多元统计分析方法。通过对原始向量进行线性变换，将它们转化为新的、互不相关的向量，从而达到降维的目的。主成分分析常用于预处理高维度数据，去除冗余信息，提取重要的特征。在大数据的处理中具有十分重要的作用。主成分分析步骤
主成分分析的流程主要有以下几个步骤： 1.数据的预处理 2.计算协方差矩阵 3.特征值与特征向量的计算 4.确定主成分个数 5.计算主成分系数 6.评估和解释主成分 主成分分析常用于多变量统计分析中，特别是当变量数目超过三个甚至更多时，因为这时候构建模型就需要考虑太多的变量，而引入了很多干扰，数据也不易于处理，这时用主成分分析来代替所有变量，来表述总体的差异性和结构性就显得尤为重要。主成分分析实战
主成分分析的应用领域很广，如社会学、市场调查等。下面以某市场调查数据为例，用SPSS进行主成分分析。 1.数据的准备和导入 在使用SPSS进行主成分分析时，首先需要准备好原始数据，然后导入到SPSS软件中。数据可以以excel表格的形式存储，并以.csv的格式进行存储。 2.进行主成分分析 （1）打开SPSS软件，选择“Analyze”菜单下的“Dimension Reduction”-“Factor…” （2）在“Factor Analysis”窗口中，可以对变量进行选择，可以将变量全部选中，然后点击“Extraction”为主成分提取方式，默认是矩阵提取法。在“Method”选项中，我会选择常见的主成分法：principal components。 （3）进行分析后，可以在“Total Variance Explained”窗口中查看主成分的贡献率，选择保留的主成分个数。根据主成分的贡献率，可以选择保留2-3个主成分。 （4）在“Method”中设置“Maximum Iterations”为100，尽量让其收敛速度较快，设置主成分系数为旋转方式，即Orthogonal Rotation。最后点击“OK”按钮，即可完成主成分分析。结论
主成分分析之所以有价值是因为它能够帮助减少数据维度和降低冗余，同时它还能够提取出数据的前几个主成分，而这些主成分都有着很好的解释性。总的来说，在实际工作中，主成分分析还是很有用的。
