引言：精益六西格玛黑带培训首要成本分析（principal components）
精益六西格玛黑带培训首要成本分析（principal components）
一、使用该命令可以帮助理解数据结构或构成少数不相关量。
二、对话框内容。
1、variables：输入需包含在分析中的变量栏。
2、Number of components to compute：输入需提取的主要成分数量，如未指定成分数量且有P个变量被选择，则P个主要成分将被提取，如P过大，则只需排在前面几个。
3、Type of metrix
A、correlation：用相关矩阵计算主要成分。如果需将变量标准化，需使用相关矩阵。
B、Covariance：用协方差矩阵计算主要成分。如不需对变量进行标准化。
三、主要成分分析例：
某人口学家记录了14个地区的人口状况，项目包括总人口、受教育水平中值、总工作人数、工作于健康服务社区的人数及家庭数量中值，数据如下表，他想确认数据结构而进行了首要成分分析，因为测量尺度差异，他使用相关矩阵来将数据进行标准化处理。
主要成分分析流程如下：
1、选择“stat>multivate>principal components”
2、在出现的对话框输入下图所示信息。
3、点击“groups”按钮，在出现的对话框选择下图所示信息。
4、minitab任务视窗输出如下图：
5、minitab图形视窗输出如下图
6、结果分析
从输出可以看出，第一个主要成分变差为3.0289，占总变差的60.6%，对主要成分的解释是主观的，但可看出明显的模式，可以将主要成分解释为总人口、受教育水平、工作人数和在健康服务社区工作的人数等，因为这些项目的符号相同且值都不接近0.第2个主要成分的变差为1.29111，占数据总编差的25.8%，该值是用PC2中所列的系数从原始数据计算而来，成分可以解释为受教育水平和家庭值得水平对比。前两个主要成分代表了总变差的86.4%，前三个主要成分代表了总变差的97.8%，因此，绝大多数数据结构可被2-3个主要成分来解释，其余成分占变差的很小一部分比例，因此是不重要的。从特征值图上可以得出类似的结论。
一、使用该命令可以帮助理解数据结构或构成少数不相关量。
二、对话框内容。
1、variables：输入需包含在分析中的变量栏。
2、Number of components to compute：输入需提取的主要成分数量，如未指定成分数量且有P个变量被选择，则P个主要成分将被提取，如P过大，则只需排在前面几个。
3、Type of metrix
A、correlation：用相关矩阵计算主要成分。如果需将变量标准化，需使用相关矩阵。
B、Covariance：用协方差矩阵计算主要成分。如不需对变量进行标准化。
三、主要成分分析例：
某人口学家记录了14个地区的人口状况，项目包括总人口、受教育水平中值、总工作人数、工作于健康服务社区的人数及家庭数量中值，数据如下表，他想确认数据结构而进行了首要成分分析，因为测量尺度差异，他使用相关矩阵来将数据进行标准化处理。
| People | School | Employ | Health | home |
| 5.935 1.523 2.599 4.009 4.687 8.044 2.766 6.538 6.451 3.314 3.777 1.530 2.768 6.585 |
14.2 13.1 12.7 15.2 14.7 15.6 13.3 17.0 12.9 12.2 13.0 13.8 13.6 14.9 |
2.265 0.597 1.237 1.649 2.312 3.641 1.244 2.618 3.147 1.606 2.119 0.798 1.336 2.763 |
2.27 0.75 1.11 0.81 2.50 4.51 1.03 2.39 5.52 2.18 2.83 0.84 1.75 1.91 |
2.91 2.62 1.72 3.02 2.22 2.36 1.97 1.85 2.01 1.82 1.80 4.25 2.64 3.17 |
主要成分分析流程如下：
1、选择“stat>multivate>principal components”
2、在出现的对话框输入下图所示信息。
3、点击“groups”按钮，在出现的对话框选择下图所示信息。
4、minitab任务视窗输出如下图：
5、minitab图形视窗输出如下图
6、结果分析
从输出可以看出，第一个主要成分变差为3.0289，占总变差的60.6%，对主要成分的解释是主观的，但可看出明显的模式，可以将主要成分解释为总人口、受教育水平、工作人数和在健康服务社区工作的人数等，因为这些项目的符号相同且值都不接近0.第2个主要成分的变差为1.29111，占数据总编差的25.8%，该值是用PC2中所列的系数从原始数据计算而来，成分可以解释为受教育水平和家庭值得水平对比。前两个主要成分代表了总变差的86.4%，前三个主要成分代表了总变差的97.8%，因此，绝大多数数据结构可被2-3个主要成分来解释，其余成分占变差的很小一部分比例，因此是不重要的。从特征值图上可以得出类似的结论。
相关热词：精益六西格玛黑带培训
在线客服
联系我们
在线反馈