主成分分析匯率spss

❶ 如何用SPSS對一組數據進行主成分分析並進行回歸

主成分
1輸入數據。
2點Analyze 下拉菜單，選Data Rection 下的Factor 。
3打開Factor Analysis後,將數據變數逐個選中進入Variables 對話框中。
4單擊主對話框中的Descriptive按扭，打開Factor Analysis: Descriptives子對話框，在Statistics欄中選擇Univariate Descriptives項要求輸出個變數的均值與標准差，在Correlation Matrix 欄內選擇Coefficients項，要求計算相關系數矩陣，單擊Continue按鈕返回Factor Analysis主對話框。
5單擊主對話框中的Extraction 按鈕，打開如下圖所示的Factor Analysis: Extraction 子對話框。在Method列表中選擇默認因子抽取方法——Principal Components，在Analyze 欄中選擇默認的Correlation Matrix 項要求從相關系數矩陣出發求解主成分，在Exact 欄中選擇Number of Factors;6， 要求顯示所有主成分的得分和所能解釋的方差。單擊Continue按鈕返回Factor Analysis主對話框。
6單擊主對話框中的OK 按鈕，輸出結果。
多元線性回歸
1.打開數據，依次點擊：analyse--regression，打開多元線性回歸對話框。
2.將因變數和自變數放入格子的列表裡，上面的是因變數，下面的是自變數。
3.設置回歸方法，這里選擇最簡單的方法：enter，它指的是將所有的變數一次納入到方程。其他方法都是逐步進入的方法。
4.等級資料，連續資料不需要設置虛擬變數。多分類變數需要設置虛擬變數。
虛擬變數ABCD四類，以a為參考，那麼解釋就是b相對於a有無影響，c相對於a有無影響，d相對於a有無影響。
5.選項裡面至少選擇95%CI。
點擊ok。
統計專業研究生工作室原創，請勿復雜粘貼

❷ 用SPSS做主成分分析

因為對閣下的題目不了解，所以不知道上圖中的結果代表什麼含義。
你的理解是正確的，主成分分析得到的主成分是一個綜合性指標。
從數學的運算來看，主成分分析的過程只是在原來的相關系數矩陣上做了一個正交旋轉。而降維處理應該體現在「選取」二字上（根據特徵值大小篩選）。這是因為特徵值（也就是圖中的貢獻率）反映了對應的主成分包含的信息量，一般都是選累積貢獻率達到85%以內的，換個說法就是選取的主成分含有85%的信息量。
通常由於主成分分析得到的主成分是多個變數的綜合，它們的實際意義很難解釋，我們可以在最後的結果基礎上再做一次旋轉，使每個主成分與一定向量的相關性提高，從而可以更容易地解釋。在SPSS中應該有這么一個選項，通常都是選擇方差最大的旋轉（因為用的是英文版，不清楚中文翻譯是什麼，英文是factor->rotation->varimax）。
你可以試試。

❸ 怎樣用spss進行主成分分析 具體步驟

工具/原料

spss20.0
方法/步驟

先在spss中准備好要處理的數據，然後在菜單欄上執行：analyse--dimension rection--factor analyse。打開因素分析對話框

我們看到下圖就是因素分析的對話框，將要分析的變數都放入variables窗口中

點擊descriptives按鈕，進入次級對話框，這個對話框可以輸出我們想要看到的描述統計量

因為做主成分分析需要我們看一下各個變數之間的相關，對變數間的關系有一個了解，所以需要輸出相關，勾選coefficience，點擊continue，返回主對話框

回到主對話框，點擊ok，開始輸出數據處理結果

你看到的這第一個表格就是相關矩陣，現實的是各個變數之間的相關系數，通過相關系數，你可以看到各個變數之間的相關，進而了解各個變數之間的關系

第二個表格顯示的主成分分析的過程，我們看到eigenvalues下面的total欄，他的意思就是特徵根，他的意義是主成分影響力度的指標，一般以1為標准，如果特徵根小於1，說明這個主因素的影響力度還不如一個基本的變數。所以我們只提取特徵根大於1的主成分。如圖所示，前三個主成分就是大於1的，所以我們只能說有三個主成分。另外，我們看到第一個主成分方差占所有主成分方差的46.9%，第二個佔27.5%，第三個佔15.0%。這三個累計達到了89.5%。

❹ 用spss做主成分分析

關於主成分分析，一般來說，如果前K個主成分的貢獻率達到85%，表明前K個主成分基本包含了全部測量指標所具有的信息，這樣既減少了變數的個數又便於對實際問題的分析和研究。
你做出來的Total Variance Explained的圖，根據Cumulative%的列可以看出，前三個主成分的方差貢獻率達到了90.018%，因此選前三個主成分已足夠描述財務情況。
參考資料：《SPSS統計分析高級教程》，高等教育出版社，張文彤主編，2004年出版。

❺ SPSS主成分分析時，是不是得到的方差百分比就是貢獻率，累計百分比就是累計貢獻率

得到的方差百分比就是貢獻率，累計百分比就是累計貢獻率，成分矩陣用來判定主成分。

貢獻率指有效或有用成果數量與資源消耗及佔用量之比，即產出量與投入量之比，或所得量與所費量之比。計算公式：貢獻率（%）=貢獻量（產出量，所得量）/投入量（消耗量，佔用量）×100%貢獻率也用於分析經濟增長中各因素作用大小的程度。

成分矩陣（component matrix）由主成分法得到的因素負荷矩陣。採用同一組被試進行比較時，必須保證兩種實驗處理之間沒有相互影響，同時要平衡位置順序。

(5)主成分分析匯率spss擴展閱讀

主成分分析的主要作用

1、主成分分析能降低所研究的數據空間的維數。即用研究m維的Y空間代替p維的X空間(m<p)，而低維的Y空間代替高維的x空間所損失的信息很少。即：使只有一個主成分Yl(即 m=1)時，這個Yl仍是使用全部X變數(p個)得到的。

例如要計算Yl的均值也得使用全部x的均值。在所選的前m個主成分中，如果某個Xi的系數全部近似於零的話，就可以把這個Xi刪除，這也是一種刪除多餘變數的方法。

2、有時可通過因子負荷aij的結論，弄清X變數間的某些關系。

3、多維數據的一種圖形表示方法。我們知道當維數大於3時便不能畫出幾何圖形，多元統計研究的問題大都多於3個變數。要把研究的問題用圖形表示出來是不可能的。

然而，經過主成分分析後，我們可以選取前兩個主成分或其中某兩個主成分，根據主成分的得分，畫出n個樣品在二維平面上的分布況，由圖形可直觀地看出各樣品在主分量中的地位，進而還可以對樣本進行分類處理，可以由圖形發現遠離大多數樣本點的離群點。

4、由主成分分析法構造回歸模型。即把各主成分作為新自變數代替原來自變數x做回歸分析。

5、用主成分分析篩選回歸變數。回歸變數的選擇有著重的實際意義，為了使模型本身易於做結構分析、控制和預報，好從原始變數所構成的子集合中選擇最佳變數，構成最佳變數集合。用主成分分析篩選變數，可以用較少的計算量來選擇量，獲得選擇最佳變數子集合的效果。

❻ 如何設置主成分分析在SPSS軟體中的貢獻率

可以調，調過之後沒什麼影響，軟體只是默認特徵值大於1的進行篩選因子個數，但你可以自己根據方差貢獻率來選擇因子個數。

❼ spss主成分分析結果怎麼看急求

KMO檢驗用於檢查變數間的偏相關性 一般認為該值大於0.9時效果最佳 0.7以上尚可，0.6時效果較差

Bartlett's球形檢驗用於檢驗相關陣是否是單位陣 P<0.01說明指標間並非獨立，取值是有關系的。可以進行因子分析

根據上圖 可以看出一共提取了3個主成分 可是能解釋的方差為69.958%

軟體默認的是提取特徵根大於1的主成分 如果加上第四個主成分的話可以解釋的變異度為86.26%
所以結合專業知識 可以考慮是不是增加一個主成分。

(7)主成分分析匯率spss擴展閱讀：

軟體模塊實際上就是將以前單獨發行的SPSS AnswerTree軟體整合進了SPSS平台。筆者幾年前在自己的網站上介紹SPSS 11的新功能時，曾經很尖銳地指出SPSS的產品線過於分散，應當把各種功能較單一的小軟體，如AnswerTree、Sample Power等整合到SPSS等幾個平台上去。

看來SPSS公司也意識到了這一點，而AnswerTree就是在此背景下第一個被徹底整合的產品。

Classification Tree模塊基於數據挖掘中發展起來的樹結構模型對分類變數或連續變數進行預測，可以方便、快速的對樣本進行細分，而不需要用戶有太多的統計專業知識。在市場細分和數據挖掘中有較廣泛的應用。

已知該模塊提供了CHAID、Exhaustive CHAID和C&RT三種演算法，在AnswerTree中提供的QUEST演算法尚不能肯定是否會被納入。

為了方便新老用戶的使用，Tree模塊在操作方式上不再使用AnswerTree中的向導方式，而是SPSS近兩年開始採用的互動式選項卡對話框。但是，整個選項卡界面的內容實際上是和原先的向導基本一致的，另外，模型的結果輸出仍然是AnswerTree中標準的樹形圖，這使得AnswerTree的老用戶基本上不需要專門的學習就能夠懂得如何使用該模塊。

由於樹結構模型的方法體系和傳統的統計方法完全不同，貿然引入可能會引起讀者統計方法體系的混亂。為此，本次編寫的高級教程並未介紹該模塊，而將在高級教程的下一個版本，以及關於市場細分問題的教材中對其加以詳細介紹。

❽ 如何用spss做主成分分析和因子分析

因子分析
1輸入數據。
2點Analyze 下拉菜單，選Data Rection 下的Factor 。
3打開Factor Analysis後,將數據變數逐個選中進入Variables 對話框中。
4單擊主對話框中的Descriptive按扭，打開Factor Analysis: Descriptives子對話框，在Statistics欄中選擇Univariate Descriptives項要求輸出個變數的均值與標准差，在Correlation Matrix 欄內選擇Coefficients項，要求計算相關系數矩陣，單擊Continue按鈕返回Factor Analysis主對話框。
5單擊主對話框中的Extraction 按鈕，打開如下圖所示的Factor Analysis: Extraction 子對話框。在Method列表中選擇默認因子抽取方法——Principal Components，在Analyze 欄中選擇默認的Correlation Matrix 項要求從相關系數矩陣出發求解主成分，在Exact 欄中選擇Number of Factors;6， 要求顯示所有主成分的得分和所能解釋的方差。單擊Continue按鈕返回Factor Analysis主對話框。
6單擊主對話框中的OK 按鈕，輸出結果。
統計專業研究生工作室原創，請勿復雜粘貼

❾ spss怎麼進行主成分分析

1輸入數據。
2點Analyze 下拉菜單，選Data Rection 下的Factor 。
3打開Factor Analysis後,將數據變數逐個選中進入Variables 對話框中。
4單擊主對話框中的Descriptive按扭，打開Factor Analysis: Descriptives子對話框，在Statistics欄中選擇Univariate Descriptives項要求輸出個變數的均值與標准差，在Correlation Matrix 欄內選擇Coefficients項，要求計算相關系數矩陣，單擊Continue按鈕返回Factor Analysis主對話框。
5單擊主對話框中的Extraction 按鈕，打開如下圖所示的Factor Analysis: Extraction 子對話框。在Method列表中選擇默認因子抽取方法——Principal Components，在Analyze 欄中選擇默認的Correlation Matrix 項要求從相關系數矩陣出發求解主成分，在Exact 欄中選擇Number of Factors;6， 要求顯示所有主成分的得分和所能解釋的方差。單擊Continue按鈕返回Factor Analysis主對話框。
6單擊主對話框中的OK 按鈕，輸出結果。
統計專業研究生工作室原創，請勿復雜粘貼