用SAS主成分分析,相关矩阵的数据里有这种形式的,-.1136,-.0849...这是什么原因呢

lzulin2022-10-04 11:39:541条回答

已提交，审核后显示！提交回复

只提取出一个主成分说明什么?这个主成分贡献率只有64%,这样还能进行主成分分析吗? 只提取出一个主成分说明什么?这个主成分贡献率只有64%,这样还能进行主成分分析吗? 那么什么情况下才能提取出一个主成分呢？这是不是也与变量个数有关，是不是变量个数太少？（我现在用的纵坐标只有3个变量） zzzzzzhk1年前1: xxxjin017 共回答了21个问题 | 采纳率90.5%

1、
只提取出一个主成分,说明这个因子对综合评分影响很大.
2、
i.这个,不大好吧.64%有点低,一般提取的主成分贡献率之和大于85%比较好,我当时做建模题（你应该是在问数学建模的SPSS应用吧?）,我们老师甚至要求我设成95%.
ii.理论上是可以进行主成分分析的,只是结果偏差会相对大一些.只提取出一个主成分,可能跟你的设置有关.贡献率之和是可以通过改变参数来控制的,比如你要求贡献率之和不小于100%,那么最后提取的主成分必然为所有的原始因子.
唉,表达能力有限,没说明白,将就着看吧
回答补充：
跟变量个数没有太大关系,前面我也说过了（果然我表达不清楚让你看不懂了~>_

1年前查看全部

什么是主成分分析方法? 23条1年前1: 五百年轮回谁是谁共回答了26个问题 | 采纳率88.5%

　　主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标.
　　在统计学中,主成分分析（principal components analysis,PCA）是一种简化数据集的技术.它是一个线性变换.这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上,依次类推.主成分分析经常用减少数据集的维数,同时保持数据集的对方差贡献最大的特征.这是通过保留低阶主成分,忽略高阶主成分做到的.这样低阶成分往往能够保留住数据的最重要方面.但是,这也不是一定的,要视具体应用而定.

1年前查看全部

求数理统计高手帮忙分析主成分分析（PCA）图,急用! 求数理统计高手帮忙分析主成分分析（PCA）图,急用! 我最近看到一篇文献,是用PCA技术（Principal Component Analysis）进行分析的,得到一个图.求高手指教,感激不尽! youyu10181年前1: 蛀不到策的虫共回答了17个问题 | 采纳率94.1%

这应该是定性分析软件比如NVINO 做的图吧.
实际上就是看这些termS 之间是否有关联. 如果把这些components 分成3个catalogues 3类型,那么有些是有关联的,因为都在一个维面上或说可以分在一类. 有些既可以在第一类又可以在第二类, 旁边那些百分比是给个大概的印象,比如pc1 0.61 那么可以基本认可在这一个维面上的这个term 是可以属于一个principle component 的. 如果0,05这么小的概率的话,那么原来分的那些terms 可能需要重新归类,因为有些链接太紧密了.因为component下面都是terms 来定义的嘛

1年前查看全部

为什么主成分分析特征值要大于1在做主成分分析或者因子分析,提取主成分的时候,大部分都是按照累计贡献率达到多少多少,而且特 为什么主成分分析特征值要大于1 在做主成分分析或者因子分析,提取主成分的时候,大部分都是按照累计贡献率达到多少多少,而且特征值大于1来提取,我想问下,为什么要特征值大于1 ,这个是必须的嘛? 乐儿飞飞1年前1: 酷街共回答了13个问题 | 采纳率100%

设方阵A可对角化,则存在方阵P 有A=P^(-1)diag(a,b,c……)P,
diag（a,b,c……）为对角阵,a,b,c……为特征值,因为
A^m=Pdiag(a^(m),b^(m),c^(m),……)P^(-1),若a小于1,则当m趋向于无穷时
a^(m)趋向与0,相当于该成分消失

1年前查看全部