spss在主成分分析中的應(yīng)用

1、文檔來源為：從網(wǎng)絡(luò)收集整理.word版本可編輯.歡迎下載支持.SPSS在主成分分析中的應(yīng)用一.主成分分析的原理。主成分分析是設(shè)法將原來眾多具有一定相關(guān)性(比如P個指標(biāo))，重新組合成一組新的互相無關(guān)的綜合指標(biāo)來代替原來的指標(biāo)。通常數(shù)學(xué)上的處理就是將原來P個指標(biāo)作線性組合，作為新的綜合指標(biāo)。最經(jīng)典的做法就是用F1(選取的第一個線性組合，即第一個綜合指標(biāo))的方差來表達(dá)，即Var(F1)越大，表示F1包含的信息越多。因此在所有的線性組合中選取的F1應(yīng)該是方差最大的，故稱F1為第一主成分。如果第一主成分不足以代表原來P個指標(biāo)的信息，再考慮選取F2即選第二個線性組合，為了有效地反映原來信息，F(xiàn)1已有的信息

2、就不需要再出現(xiàn)再F2中，用數(shù)學(xué)語言表達(dá)就是要求Cov(F1,F2)=0,則稱F2為第二主成分，依此類推可以構(gòu)造出第三、第四，第P個主成分。主成分模型:F1a11X1a21X2ap1XpF2a2X1a22ap2XpFpa1pX1a2pX2appXp滿足以下條件:1.每個主成分系數(shù)平方和為1即：a'al.a*1(i1,2,m)2.主成分之間互不相關(guān)即：cov(Fi,Fj)03.主成分方差依次遞減，即Var(F)Var(F2)Var(Fp).利用SPSS進(jìn)行主成成分分析實例以全國31個省市的8項經(jīng)濟(jì)指標(biāo)為例，進(jìn)行主成分分析。第一步：錄入或調(diào)入數(shù)據(jù)（圖1）。省份國內(nèi)生產(chǎn)居民裝典|固定供產(chǎn)職工工

3、資關(guān)物周轉(zhuǎn)綃美價楮作品零督工業(yè)皿道1北京1394.692505.DO515J1814400gRP7-3C12.60S43.432天津320.112720.00345.46G501342.80115.211IC.605825132&49.6212S8.D07U4.374EJ9U02CU3EQ1I5.2C116.301234354iirr1092481260.0020.904721OJ717.30I1E如115.60E37.265B32.6E1387.DO250.23413170170I17.6Q11&.凱i419.396遼寧2793.37239；.DO337.904sii.m1J

4、7170I1&.1L114.1MJ1B40.5671129.2D1872.UU320.db皿30S497.<1I16J01142076衛(wèi)一虹3黑島上20IJ.532334.00435.73414500824.EO116.101U3012403792462.575343.00996.JG917900207.0118.70113.001642.95105155.251926DO1434356?4B1025.EO115SO114.301026311135?J79刀歸nn1DQB.39BE19ITI754iOI1B6011360916591720(11窕12S2nn474QQ茹glTI知

5、日30I14印11270BQ41413"n7232000553375f57mFi*n115201124G43367141205111102.0020204421100411.701'頃115.905711415g.*1527.001229.5551450n=G.roI17CC114.202207.691B下南3001711032.00670.35<44001574.0116.50114901367.3217湖北2391.421527.00571.604ES50O0490010.00IIS印12207218湖南219570140B.no422.6147570CIion,e

6、o119.0C115.500433319廣條53G1.722699.001S39.33629000656.50114.C0111.601396.3520j西1606.151314,00332.59510500HE4(1I6.J0554.97213641718U.OO1J83S必40QJ23210I13.5C111.30沁322TOT3S3<0L12E1.00022.544t4SOO血.3011&E0117.001431.9123&30.0794200150.844J7600301.10121.4L11.203247224Uuh.ba12H1.UU334.JU6Wna310

7、.41121.301181071H.65£ss.sa11IU.UUV.3773B2JOO4.2DI17.30114.905jST.25陜西1000.031203.DO500.27忙U_j500.EO1?UL117.00t-JU.二電27甘肅563.351007.00114.615493607.00119.S0116.504S8.Z923165.311445.0047,76575300si.eoI1£.001I6.301O5J80用IfiA751355nn619B5C73ITI171aoI17W115匐1144U勺14h9nn37695S348Q0茉TCOI1S7011670

8、42076圖1原始數(shù)據(jù)（未經(jīng)標(biāo)準(zhǔn)化）第二步：打開因子分析”對話框。（因子分析）”的沿著主菜單的Analyze（分析）DataReduction（降維）Factor路徑（圖2）打開因子分析選項框（圖3）?？锶珗A3。個省市區(qū)經(jīng)濟(jì)長魅的B項指標(biāo)-SPSSDataEditork口ityewDataIransform|Anal/zeSraptisUtltissgndowHelpIC|回|ReportsDescriptiveStatistics卜卜一困匚3b:匚ompareMer»s卜省份國內(nèi)生/GeneralLreirModelCorrelateRegressionCla落i阿*L二職工工資1

9、j北京1394.E卜18144.002天津920.1650100rm北2349.1gataReduction1FactoriBil4山西n10S2.45氓9U4/2'lUU|5蒙832上MpnparjmetticTestiA34134.006遼寧2753.二MultipleResponse卜4911.00圖2打開因子分析對話框的路徑圖3因子分析選項框第三步：選項設(shè)置。首先，在源變量框中選中需要進(jìn)行分析的變量，點擊右邊的箭頭符號，將需要的變量調(diào)入變量（Variables）欄中（圖3）。在本例中，全部8個變量都要用上，故全部調(diào)入（圖4）。因無特殊需要，故不必理會“VJaie”欄。下面逐項設(shè)

10、置。圖4將變量移到變量欄以后1. 設(shè)置Descriptives（描述）選項。單擊Descriptives按鈕（圖4）,彈出Descriptives（描述統(tǒng)計）對話框（圖5）。圖5描述選項框在Statistics欄中選中Univariatedescriptives（單變量描述性）復(fù)選項，則輸出結(jié)果中將會給出原始數(shù)據(jù)的抽樣均值、方差和樣本數(shù)目（這一欄結(jié)果可供檢驗參考）；選中Initialsolution（原始分析結(jié)果）復(fù)選項，則會給出主成分載荷的公因子方差（這一欄數(shù)據(jù)分析時有用）。在CorrelationMatrix（相關(guān)矩陣）欄中，選中Coefficients（系數(shù)）復(fù)選項，則會給出原始變量的相

11、關(guān)系數(shù)矩陣（分析時可參考）；選中Determinant（行列式）復(fù)選項，則會給出相關(guān)系數(shù)矩陣的行列式，如果希望在Excel中對某些計算過程進(jìn)行了解，可選此項，否則用途不大。其它復(fù)選項一般不用，但在特殊情況下可以用到（本例不選）。設(shè)置完成以后，單擊Continue按鈕完成設(shè)置（圖5）。2. 設(shè)置Extraction（抽?。┻x項。打開Extraction對話框（圖6）。因子提取方法主要有7種，在Method欄中可以看到，系統(tǒng)默認(rèn)的提取方法是主成分.因此對此欄不作變動，就是認(rèn)可了主成分分析方法。在Analyze欄中，選中Correlationmatirx（相關(guān)性矩陣）復(fù)選項，則因子分析基于數(shù)據(jù)的相關(guān)

12、系數(shù)矩陣進(jìn)行分析；如果選中Covariancematrix復(fù)選項，則因子分析基于數(shù)據(jù)的協(xié)方差矩陣進(jìn)行分析。對于主成分分析而言，由于數(shù)據(jù)標(biāo)準(zhǔn)化了，這兩個結(jié)果沒有分別，因此任選其一即可。在Display（輸出）欄中，選中Unrotatedfactorsolution（非旋轉(zhuǎn)因子解）復(fù)選項，則在分析結(jié)果中給出未經(jīng)旋轉(zhuǎn)的因子提取結(jié)果。對于主成分分析而言，這一項選擇與否都一樣；對于旋轉(zhuǎn)因子分析，選擇此項，可將旋轉(zhuǎn)前后的結(jié)果同時給出，以便對比。選中ScreePlot（碎石圖），則在分析結(jié)果中給出特征根按大小分布的折線圖，以便我們直觀地判定因子的提取數(shù)量是否準(zhǔn)確。在Extract（抽?。谥?，有兩種方法可以

13、決定提取主成分（因子）的數(shù)目。一是根據(jù)特征根（Eigenvalues）的數(shù)值，系統(tǒng)默認(rèn)的是c1。我們知道，在主成分分析中，主成分得分的方差就是對應(yīng)的特征根數(shù)值。如果默認(rèn)c1,則所有方差大于等于1的主成分將被保留，其余舍棄。如果覺得最后選取的主成分?jǐn)?shù)量不足，可以將c值降低，例如取c0.9;如果認(rèn)為最后的提取的主成分?jǐn)?shù)量偏多，則可以提高c值，例如取c1.1。主成分?jǐn)?shù)目是否合適，要在進(jìn)行一輪分析以后才能肯定。因此,特征根數(shù)值的設(shè)定，要在反復(fù)試驗以后才能決定。一般而言，在初次分析時，最好降低特征根的臨界值（如取c0.8），這樣提取的主成分將會偏多，根據(jù)初次分析的結(jié)果，在第二輪分析過程中可以調(diào)整特征根的

14、大小。第二種方法是直接指定主成分的數(shù)目即因子數(shù)目，這要選中Numberoffactors復(fù)選項。主成分的數(shù)目選多少合適？開始我們并不十分清楚。因此，首次不妨將數(shù)值設(shè)大一些，但不能超過變量數(shù)目。本例有8個變量，因此，最大的主成分提取數(shù)目為8,不得超過此數(shù)。在我們第一輪分析中，采用系統(tǒng)默認(rèn)的方法提取主成分。圖6提取對話框需要注意的是：主成分計算是利用迭代（Iterations）方法，系統(tǒng)默認(rèn)的迭代次數(shù)是25次。但是，當(dāng)數(shù)據(jù)量較大時，25次迭代是不夠的，需要改為50次、100次乃至更多。對于本例而言，變量較少，25次迭代足夠，故無需改動。設(shè)置完成以后，單擊Continue按鈕完成設(shè)置（圖6）。3.

15、設(shè)置Scores（得分）設(shè)置。選中Saveasvariables（保存為變量）欄，則分析結(jié)果中給出標(biāo)準(zhǔn)化的主成分得分（在數(shù)據(jù)表的后面）。至于方法復(fù)選項，對主成分分析而言，三種方法沒有分別，采用系統(tǒng)默認(rèn)的何歸”（Regression）法即可。圖7因子得分對話框,則在分析結(jié)果中給選中Displayfactorscorecoefficientmatrix（顯示因子得分系數(shù)矩陣）出因子得分系數(shù)矩陣及其相關(guān)矩陣。設(shè)置完成以后，單擊Continue按鈕完成設(shè)置（圖7）。4. 其它。對于主成分分析而言，旋轉(zhuǎn)項（Rotation）可以不必設(shè)置；對于數(shù)據(jù)沒有缺失的情況下,Option項可以不必理會。全部設(shè)置完成

16、以后，點擊OK確定，SPSS很快給出計算結(jié)果（圖8）。CiumriM'nihMyilnr8aLciana-wi:lLxE-CpiFMbrAnailyBit：?ldEm?MSEfl產(chǎn)虹垣用顆隆工也念也ism心心114.AT8429W二.h：M-znzssiShi-r圖8主成分分析的結(jié)果第四步，結(jié)果解讀。在因子分析結(jié)果（Output）中，首先給出的DescriptiveStatistics，第一列Mean對應(yīng)的xj變量的算術(shù)平均值，計算公式為xiji1第二列Std.Deviation對應(yīng)的是樣本標(biāo)準(zhǔn)差，計算公式為(Xij1一2/2Xj)第三列AnalysisN對應(yīng)是樣本數(shù)目。這一組數(shù)據(jù)在分

17、析過程中可作參考。DescriptiveStatisticsMeanStd.DeviationAnalysisN國內(nèi)生產(chǎn)1921.0931474.8060330居民消費(fèi)1745.933861.6419330固定資產(chǎn)511.5083402.8854830職工工資5457.6331310.2180530貨物周轉(zhuǎn)666.1400459.9669930消費(fèi)價格117.28672.0253130商品零售114.90671.8980830工業(yè)產(chǎn)值862.9980584.5872630接下來是CorrelationMatrix（相關(guān)系數(shù)矩陣），一般而言，相關(guān)系數(shù)高的變量，大多會進(jìn)入同一個主成分，但不盡然，除

18、了相關(guān)系數(shù)外，決定變量在主成分中分布地位的因素還有數(shù)據(jù)的結(jié)構(gòu)。相關(guān)系數(shù)矩陣對主成分分析具有參考價值，畢竟主成分分析是從計算相關(guān)系數(shù)矩陣的特征根開始的。相關(guān)系數(shù)陣下面的Determinant=1.133E-0.4是相關(guān)矩陣的行列式值，根據(jù)關(guān)系式det（IR）0可知，det（入I）=det（R）,從而Determinant=1.133E-0.4=入1*入2*入3*入4*入5*揭愁木太窟腐面將會得到驗證。CorrelationMatrixa國內(nèi)生產(chǎn)居民消費(fèi)固定資產(chǎn)職工工資貨物周轉(zhuǎn)消費(fèi)價格商品零售工業(yè)產(chǎn)值國內(nèi)生產(chǎn)1.000.267.951.191.617-.273-.264.874居民消費(fèi).2671.

19、000.426.718-.151-.235-.593.363固定資產(chǎn).951.4261.000.400.431-.280-.359.792職工工資.191.718.4001.000-.356-.135-.539.104貨物周轉(zhuǎn).617-.151.431-.3561.000-.253.022.659消費(fèi)價格-.273-.235-.280-.135-.2531.000.763-.125商品零售-.264-.593-.359-.539.022.7631.000-.192工業(yè)產(chǎn)值.874.363.792.104.659-.125-.1921.000a.Determinant=1.133E-04在Com

20、munalities（公因子方差）中，給出了因子載荷陣的初始公因子方差（Initial）和提取公因子方差（Extraction）,后面將會看到它們的含義。CommunalitiesInitialExtraction國內(nèi)生產(chǎn)1.000.945居民消費(fèi)1.000.800固定資產(chǎn)1.000.902職工工資1.000.875貨物周轉(zhuǎn)1.000.857消費(fèi)價格1.000.957商品零售1.000.929工業(yè)產(chǎn)值1.000.903ExtractionMethod:PrincipalComponentAnalysis.在TotalVarianceExplained（全部解釋方差）表的InitialEigen

21、values（初始特征根）中，給出了按順序排列的主成分得分的方差（Total）,在數(shù)值上等于相關(guān)系數(shù)矩陣的各個特征根入因此可以直接根據(jù)特征根計算每一個主成分的方差百分比（ofVariance）。由于全部特征根的總和等于變量數(shù)目，即有m乏入i=8,故第一個特征根的方差百分比為入1/m=3.755/8=46.939第二個特征根的百分比為入2/m=2.197/8=27.459,，其余依此類推。然后可以算出方差累計值（Cumulative%）。在ExtractionSumsofSquaredLoadings（提取平方和載入），給出了從左邊欄目中提取的三個主成分及有關(guān)參數(shù)，提取的原則是滿足入1這一點我們

22、在圖6所示的對話框中進(jìn)行了限定。TotalVarianceExplainedComponentInitialEigenvaluesExtractionSumsofSquaredLoadingsTotal%ofVarianceCumulative%Total%ofVarianceCumulative%13.75546.93946.9393.75546.93946.93922.19727.45974.3982.19727.45974.39831.21515.18689.5841.21515.18689.5844.4025.03194.6155.2132.66097.2756.1381.72498.

23、99976.5E-02.81899.81781.5E-02.183100.000ExtractionMethod:PrincipalComponentAnalysis.ScreePlot4ComponentNumber圖8特征根數(shù)值衰減折線圖（山麓圖）主成分的數(shù)目可以根據(jù)相關(guān)系數(shù)矩陣的特征根來判定，如前所說，相關(guān)系數(shù)矩陣的特征根剛好等于主成分的方差，而方差是變量數(shù)據(jù)蘊(yùn)涵信息的重要判據(jù)之一。根據(jù)入值決定主成分?jǐn)?shù)目的準(zhǔn)則有三：i只取入的特征根對應(yīng)的主成分從TotalVarianceExplained表中可見，第一、第二和第三個主成分對應(yīng)的入值都大于1,這意味著這三個主成分得分的方差都大于1。本例正

24、是根據(jù)這條準(zhǔn)則提取主成分的。ii累計百分比達(dá)到80%85%以上的入值對應(yīng)的主成分在TotalVarianceExplained表可以看出，前三個主成分對應(yīng)的入值累計百分比達(dá)到89.584%,這暗示只要選取三個主成分，信息量就夠了。iii根據(jù)特征根變化的突變點決定主成分的數(shù)量從特征根分布的折線圖（ScreePlot）上可以看到，第4個入值是一個明顯的折點，這暗示選取的主成分?jǐn)?shù)目應(yīng)有pV4（圖8）。那么，究竟是3個還是4個呢？根據(jù)前面兩條準(zhǔn)則，選3個大致合適（但小有問題）。在ComponentMatrix（成分矩陣）中，給出了主成分載荷矩陣，每一列載荷值都顯示了各個變量與有關(guān)主成分的相關(guān)系數(shù)。以第

25、一列為例，0.885實際上是國內(nèi)生產(chǎn)總值（GDP）與第一個主成分的相關(guān)系數(shù)。將標(biāo)準(zhǔn)化的GDP數(shù)據(jù)與第一主成分得分進(jìn)行回歸，決定系數(shù)ComponentMatrixR2=0.783（圖9），容易算出R=0.885,這正是GDP在第一個主成分上的載荷。Component123國內(nèi)生產(chǎn).885.384.121居民消費(fèi).607-.598.271固定資產(chǎn).912.161.212職工工資.466-.722.368貨物周轉(zhuǎn).486.738-.275消費(fèi)價格-.509.252.797商品零售-.620.594.438工業(yè)產(chǎn)值.823.427.211aExtractionMethod:PrincipalCompo

26、nentAnalysis.a.3componentsextracted.下面將主成分載荷矩陣拷貝到Excel上面作進(jìn)一步的處理：計算公因子方差和方差貢獻(xiàn)。首先求行平方和，例如，第一行的平方和為h12=0.88492+0.38362+0.12092=0.9449這是公因子方差。然后求列平方和，例如，第一列的平方和為s12=0.88492+0.60672+0.82272=3.7551這便是方差貢獻(xiàn)（圖10）。在Excel中有一個計算平方和的命令sumsq,可以方便地算出一組數(shù)據(jù)的平方和。顯然，列平方和即方差貢獻(xiàn)。事實上，有如下關(guān)系成立：相關(guān)系數(shù)矩陣的特征根=方差貢獻(xiàn)=主成分得分的方差至于行平方和，

27、顯然與前面公因子方差（Communalities）表中的Extraction列對應(yīng)的數(shù)據(jù)一樣。如果我們將8個主成分全部提取，則主成分載荷的行平方和都等于1（圖11）,即有hi=1,sj=入。j到此可以明白：在Communalities中，Initial對應(yīng)的是初始公因子方差，實際上是全部主成分的公因子方差；Extraction對應(yīng)的是提取的主成分的公因子方差，我們提取了3個主成分，故計算公因子方差時只考慮3個主成分。圖9國內(nèi)生產(chǎn)總值(GDP)的與第一主成分的相關(guān)關(guān)系(標(biāo)準(zhǔn)化數(shù)據(jù))第一主成分第二主成分第三主成分公因子力差國內(nèi)生產(chǎn).885.384.1210.944824居民消費(fèi).607-.598.

28、2710.7995343固定資產(chǎn).912.161.2120.9020705職工工資.466-.722.3680.8746171貨物周轉(zhuǎn).486.738-.2750.8568455消費(fèi)價格-.509.252.7970.9567183商品零售-.620.594.4380.9286267工業(yè)產(chǎn)值.823.427.2110.9034964方差貢獻(xiàn)7.167特征值3.7552.1971.2157.167圖10主成分方差與方差貢獻(xiàn)ComponentMatrixComponent12345678國內(nèi)生產(chǎn).885.384.121-.203-6.87E-021.143E-022.420E-029.

29、192E-02居民消費(fèi).607-.598.271.409-7.61E-02.1575.525E-021.317E-02固定資產(chǎn).912.161.212-.270-7.71E-028.271E-028.113E-02-7.36E-02職工工資.466-.722.368-.164.304-1.64E-02-7.62E-023.949E-03貨物周轉(zhuǎn).486.738-.275.212.3052.254E-026.855E-02-6.02E-03消費(fèi)價格-.509.252.797.0722.716E-02-.161.1072.435E-03商品零售-.620.594.438-.0273.531E-02

30、.247-9.23E-021.634E-03工業(yè)產(chǎn)值.823.427.211.209-9.38E-02-.137-.157-2.30E-02ExtractionMethod:PrincipalComponentAnalysis.a.8componentsextracted.ABCDEFGH1J112345678公因子方差2國內(nèi)生產(chǎn)0.88490.38360.1209-0.203206870.01140.02420.091913居民消鬢0.6067-0.5980.271S4085-0.?；?0.156S0.05520.013214固定資產(chǎn)(J.1170.16110.212-0.270b-0.07

31、710.0827o.own-0.07415職工工資0,4662-0,TZ20.3&79-0.16350.304Z1-aoia-0.0760,003916貨牧周傳。.48580.7383-0.2750.211840.305020.0咨0.0635-o.00617消費(fèi)價格-0.5020.26100.0.071760.02716-0.1610.10710.00241S商M卷雪-CL620.5944d.437S0.035310.2468-0.0920.001619工業(yè)產(chǎn)旗"32270.42G70.3110.208SS-0.0930-o.1F7-0.157-n.02*110方差貢獻(xiàn)3.

32、75512.19&71.21490*40244Q21280.1380.06540.0146811特征根3.75512.19671.21490.40244Q21280L1380.06540.01461.133E-04圖11全部主成分的公因子方差和方差貢獻(xiàn)提取主成分的原則上要求公因子方差的各個數(shù)值盡可能接近，亦即要求它們的方差極小，當(dāng)公因子方差完全相等時，它們的方差為0,這就達(dá)到完美狀態(tài)。實際應(yīng)用中，只要公因子方差數(shù)值彼此接近（不相差太遠(yuǎn)）就行了。從上面給出的結(jié)果可以看出：提取3個主成分的時候，居民消費(fèi)的公因子方差偏小，這暗示提取3個主成分，居民消費(fèi)方面的信息可能有較多的損失。至于方差貢獻(xiàn)

33、，反映對應(yīng)主成分的重要程度，這一點從方差的統(tǒng)計學(xué)意義可以得到理解。在圖11中，將最后一行的特征根全部乘到一起，得0.0001133,這正是相關(guān)系數(shù)矩陣的行列式數(shù)值（在Excel中，求一組數(shù)據(jù)的乘積之和的命令是product）o最后說明ComponentScoreCoefficientMatrix（成分得分系數(shù)矩陣）和ComponentScoreCovarianceMatrix（成分得分協(xié)方差矩陣），前者是主成分得分系數(shù)，后者是主成分得分的協(xié)方差即相關(guān)系數(shù)。從ComponentScoreCovarianceMatrix可以看出，標(biāo)準(zhǔn)化主成分得分之間的協(xié)方差即相關(guān)系數(shù)為0（j乒*或1（j=k）,這

34、意味著主成分之間彼此正交即垂直。初學(xué)者常將ComponentScoreCoefficientMatrix（成分得分系數(shù)矩陣）表中的數(shù)據(jù)當(dāng)成主成分得分或因子得分，這是誤會。成分得分系數(shù)矩陣的數(shù)值是主成分載荷除以相應(yīng)的特征根得到的結(jié)果。在ComponentMatrix表中，將第一列數(shù)據(jù)分別除以入1=3.755第二列數(shù)值分別除以入2=2.197,立即得到ComponentScoreCoefficient;反過來，如果將ComponentScoreCoefficientMatrix表中的各列數(shù)據(jù)分別乘以入1=3.755入2=2.197,則可將其還原為主成分載荷即ComponentMatrix中的數(shù)據(jù)。

35、ComponentScoreCoefficientMatrixComponent123國內(nèi)生產(chǎn).236.175.100居民消費(fèi).162-.272.223固定資產(chǎn).243.073.174職工工資.124-.329.303貨物周轉(zhuǎn).129.336-.227消費(fèi)價格-.135.115.656商品零售-.165.271.360工業(yè)產(chǎn)值.219.194.174ExtractionMethod:PrincipalComponentAnalysis.ComponentScores.ComponentScoreCovarianceMatrixComponent12311.000.000.0002.0001.0

36、00.0003.000.0001.000ExtractionMethod:PrincipalComponentAnalysis.ComponentScores.實際上，主成分得分在原始數(shù)據(jù)所在的SPSS當(dāng)前數(shù)據(jù)欄中給出，不過給出的都是標(biāo)準(zhǔn)化的主成分得分（圖12a）;將各個主成分乘以相應(yīng)的3即特征根的二次方根可以將其還原為r得分1得分2得分3.42743-1.52320.49020.33935-176001-106264700551.58632-1.19211-.5102B.26259-.5183383667.48824-.3459495022-56555-.19950-.28604-1.097

37、46.27330.22955-.642881.64990-2.21132261563194235.85093.34924,97196-.32761.2045922957.06007-1.68897.21602-.62016-.59561-71726.20175-479531.548011.3946749539527421.44744-.85351-.14699,97727103643-,2117771673.231082.38062-3741308630-.69311.25733.33602-29055-1.54444-2.18402.293711.3335177269-1.44632.39B411.106001.04217.487711.71494-1.04023-1.36153.01475-.91716.47667.41703-109189.112G5.G209O-1.21110-72563.23914-111530-E7162-.44175-.33905-.02915,92506未經(jīng)標(biāo)準(zhǔn)化的主成分得分。a.標(biāo)準(zhǔn)化的主成分得分得分一得分二得