全部版块 我的主页
论坛 数据科学与人工智能 数据分析与数据科学 SPSS论坛
8602 3
2010-04-01
我在分析区域竞争力时,构建了一个指标体系,之中包含33个指标,可是在做主成分分析时,结果发现,只要5个公因子就可以100%的解释33个指标,这要怎么进行修正啊?为什么会出现这样的现象??还有,在解释公因子的意义时,发现第一个公因子基本上跟所有的数据都很有关系,其他的几个公因子反而感觉不是那么重要了,怎么会这样?谢谢大家帮我分析一下!!!所有的过程我都贴上来了哦~~~不过比较长,在下面~~~
Communalities
InitialExtraction
X11.00 1.00
X21.00 1.00
X31.00 1.00
X41.00 1.00
X51.00 1.00
X61.00 1.00
X71.00 1.00
X81.00 1.00
X91.00 1.00
X101.00 1.00
X111.00 1.00
X121.00 1.00
X131.00 1.00
X141.00 1.00
X151.00 1.00
X161.00 1.00
X171.00 1.00
X181.00 1.00
X191.00 1.00
X201.00 1.00
X211.00 1.00
X221.00 1.00
X231.00 1.00
X241.00 1.00
X251.00 1.00
X261.00 1.00
X271.00 1.00
X281.00 1.00
X291.00 1.00
X301.00 1.00
X311.00 1.00
X321.00 1.00
X331.00 1.00
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2010-4-1 21:51:51
还是过程,不过这个过程很重要啊~~
Total Variance Explained                                                        
Component        Initial Eigenvalues                        Extraction Sums of Squared Loadings                        
             Total                      % of Variance  Cumulative %            Total           % of Variance        Cumulative %        
1        17.76452157        53.83188354        53.83188354        17.76452157        53.83188354        53.83188354        
2        5.895620899        17.86551788        71.69740142        5.895620899        17.86551788        71.69740142        
3        4.049575506        12.27144093        83.96884235        4.049575506        12.27144093        83.96884235        
4        3.375481566        10.22873202        94.19757436        3.375481566        10.22873202        94.19757436        
5        1.91480046        5.802425637        100                           1.91480046        5.802425637        100        
6        1.28061E-15        3.88063E-15        100                                
7        5.26692E-16        1.59604E-15        100                                
8        4.9347E-16        1.49537E-15        100                                
9        4.52102E-16        1.37001E-15        100                                
10        4.08194E-16        1.23695E-15        100                                
11        3.48199E-16        1.05515E-15        100                                
12        3.1162E-16        9.44303E-16        100                                
13        2.8365E-16        8.59546E-16        100                                
14        2.2427E-16        6.79607E-16        100                                
15        2.02885E-16        6.14802E-16        100                                
16        1.71706E-16        5.2032E-16        100                                
17        1.427E-16        4.32424E-16        100                                
18        1.15759E-16        3.50784E-16        100                                
19        5.74376E-17        1.74053E-16        100                                
20        2.81867E-17        8.54143E-17        100                                
21        7.04206E-18        2.13396E-17        100                                
22        -2.40446E-17        -7.28624E-17        100                                
23        -4.85599E-17        -1.47151E-16        100                                
24        -7.48213E-17        -2.26731E-16        100                                
25        -1.75186E-16        -5.30866E-16        100                                
26        -2.4019E-16        -7.27848E-16        100                                
27        -2.6944E-16        -8.16484E-16        100                                
28        -3.07572E-16        -9.32037E-16        100                                
29        -3.41945E-16        -1.0362E-15        100                                
30        -3.81757E-16        -1.15684E-15        100                                
31        -4.4083E-16        -1.33585E-15        100                                
32        -4.93044E-16        -1.49407E-15        100                                
33        -7.69101E-16        -2.33061E-15        100                                
Extraction Method: Principal Component Analysis.
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2010-4-2 08:56:08
我看你初始共同度和再生共同度都为1啊
你看看KMO值没得?
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2010-4-2 16:40:53
3# crackman 我选择了要求显示KMO 和Battle值,可是最后结果却没有,我查了一下,好像是因为多重共线性太严重了,这个论坛里有关于这个的解释,http://www.pinggu.org/bbs/b65i407316p2.html,不知道有没有用~~~我的分析还能不能做下去~~~~
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群