因子分析模型 - 案例按步骤详解 - (SPSS建模)

一、SPSS中的因子分析。

步骤:

(1)定义变量:x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重,x3-非农村人口比重,x4-乡村从业人员占农村人口的比重,x5-农业总产值占农林牧总产值的比重,x6-农作物播种面积,x7农村用电量。

(2)导入数据:file-open-data


(3)变量标准化Analyze-Descriptive Statistics-Descriptives

 


勾选Save standardized values as variables保存变量,再点击ok,就完成了对变量的标准化。

(4)因子分析

Analyze—Dimension Reduction—Faction

 

点击右侧的Description选项,选择Statistics选项组中的initial solution,勾选Correlation Matrix选项组中的Coefficients和KMO and Bartlelts test of sphericity,点击Continue。

 

点击右侧Extraction选项,其中Method选Principal components,Analyze选择Correlation matrix,Display中选择Unrotated factor solution,Extract如图,点击Continue.

 

点击右侧Rotation选项,勾选Method选项组中的Varimax,Display中的两个选项都勾选,点击Continue。


点击右侧Scores,如图勾选,点击点击Continue。


最后点击options,默认

 

(5)结果分析

1.KMO and Bartlett's的检验结果图

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

.725

Bartlett's Test of Sphericity

Approx. Chi-Square

255.159

df

21

Sig.

.000

可以从此表中看出KMO统计量为0.725,大于最低标准,说明适合做因子分析,Bartlet球形检验,p<0.001,适合做因子分析。

2.主成分列表

Total Variance Explained

Component

Initial Eigenvalues

Extraction Sums of Squared Loadings

Rotation Sums of Squared Loadings

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

Total

% of Variance

Cumulative %

1

5.920

84.572

84.572

5.920

84.572

84.572

3.308

47.261

47.261

2

.653

9.330

93.902

.653

9.330

93.902

3.265

46.641

93.902

3

.249

3.559

97.462

 

 

 

 

 

 

4

.126

1.798

99.259

 

 

 

 

 

 

5

.042

.595

99.854

 

 

 

 

 

 

6

.008

.108

99.962

 

 

 

 

 

 

7

.003

.038

100.000

 

 

 

 

 

 

Extraction Method: Principal Component Analysis.

可以从此表中看出前2个主成分特征值较大,它们的累积贡献率达到了93.902%,故选择前2个公共因子。

 

3.公因子方差比结果图

Communalities

 

Initial

Extraction

Zscore(财政用于农业的支出的比重)

1.000

.906

Zscore:  第二、三产业从业人数占全社会从业人数的比重(%)

1.000

.940

Zscore:  非农村人口比重(%)

1.000

.979

Zscore(乡村从业人员占农村人口的比重)

1.000

.977

Zscore(农业总产值占农林牧总产值的比重)

1.000

.943

Zscore:  农作物播种面积(千公顷)

1.000

.909

Zscore:  农村用电量(亿千瓦时)

1.000

.918

Extraction Method: Principal Component Analysis.

结果显示,每一个指标变量的共性方差都在0.9以上,说明这2个公共因子能够很好地反应原始各项指标变量的绝大部分内容。

4.载荷散点图


从载荷散点图可以看出,第一公共因子能很好解释变量x1-财政用于农业的支出的比重,变量x5-农业总产值占农林牧总产值的比重,第二公共因子能很好地解释变量x2-第二、三产业从业人数占全社会从业人数的比重,x3-非农村人口比重,x4-乡村从业人员占农村人口的比重,x6-农作物播种面积,x7农村用电量。

5.旋转后的因子载荷图

Component Score Coefficient Matrix

 

Component

1

2

Zscore(财政用于农业的支出的比重)

.507

-.697

Zscore:  第二、三产业从业人数占全社会从业人数的比重(%)

.120

.112

Zscore:  非农村人口比重(%)

.170

.066

Zscore(乡村从业人员占农村人口的比重)

.072

.164

Zscore(农业总产值占农林牧总产值的比重)

.026

-.257

Zscore:  农作物播种面积(千公顷)

.691

-.510

Zscore:  农村用电量(亿千瓦时)

.247

-.022

Extraction Method: Principal Component Analysis.

 Rotation Method: Varimax with Kaiser Normalization.

 Component Scores.

经过旋转后,农作物播种面积(千公顷)、农村用电量(亿千瓦时)在因子一上有较大载荷,财政用于农业的支出的比重、农业总产值占农林牧总产值的比重咋因子二上有较大载荷。故因子一可称为农业基本发展条件,因子二可称为政府支持情况。

6.历年农民收入总得分降序表

其中F=f1*84.572/93.902+f2*9.330/93.902

年份

f1

f2

总分F

2004

1.46067

0.23231

1.338621494

2005

1.24137

1.08005

1.225341421

1998

1.44755

-1.0258

1.20180065

1999

0.88995

-0.04301

0.797252115

2000

0.83304

0.28099

0.778188916

2001

0.79886

0.42652

0.761864705

2002

0.56754

0.85163

0.595766872

2003

0.29613

1.3662

0.402450985

1997

0.35599

0.15899

0.336416295

1996

0.141

0.023

0.129275649

1986

0.0712

-2.97824

-0.231789023

1991

-0.35654

-0.496

-0.370396593

1995

-0.53681

0.53338

-0.430477092

1992

-0.46086

-0.24669

-0.439580303

1994

-0.68793

0.39726

-0.580106709

1990

-0.70907

-0.29782

-0.66820865

1993

-0.78235

0.24344

-0.680428628

1987

-0.88133

-1.73639

-0.966287826

1989

-1.23195

0.22253

-1.087434458

1988

-2.45646

1.00764

-2.112270813

 

数据:

年份

财政用于农业的支出的比重

第二、三产业从业人数占全社会从业人数的比重(%)

非农村人口比重(%)

乡村从业人员占农村人口的比重

农业总产值占农林牧总产值的比重

农作物播种面积(千公顷)

农村用电量(亿千瓦时)

1986

13.43

29.5

17.92

36.01

79.99

150104.07

253.1

1987

12.2

31.3

19.39

38.62

75.63

146379.53

320.8

1988

7.66

37.6

23.71

45.9

69.25

143625.87

508.9

1989

9.42

39.9

26.21

49.23

62.75

146553.93

790.5

1990

9.98

39.9

26.41

49.93

64.66

148362.27

844.5

1991

10.26

40.3

26.94

50.92

63.09

149585.8

963.2

1992

10.05

41.5

27.46

51.53

61.51

149007.1

1106.9

1993

9.49

43.6

27.99

51.86

60.07

147740.7

1244.9

1994

9.2

45.7

28.51

52.12

58.22

148240.6

1473.9

1995

8.43

47.8

29.04

52.41

58.43

149879.3

1655.7

1996

8.82

49.5

30.48

53.23

60.57

152380.6

1812.7

1997

8.3

50.1

31.91

54.93

58.23

153969.2

1980.1

1998

10.69

50.2

33.35

55.84

58.03

155705.7

2042.2

1999

8.23

49.9

34.78

57.16

57.53

156372.81

2173.45

2000

7.75

50

36.22

59.33

55.68

156299.85

2421.3

2001

7.71

50

37.66

60.62

55.24

155707.86

2610.78

2002

7.17

50

39.09

62.02

54.51

154635.51

2993.4

2003

7.12

50.9

40.53

63.72

50.08

152414.96

3432.92

2004

9.67

53.1

41.76

65.64

50.05

153552.55

3933.03

2005

7.22

55.2

42.99

67.59

49.72

155487.73

4375.7



本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/475527.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

MVC View 中 html 属性名与关键字冲突问题的分析与解决

在 MVC 的 View 中&#xff0c;允许使用 {} 来定义元素的属性。不过&#xff0c;HTML 中的 class 属性名与 C# 中的类 class 是冲突的&#xff0c;所以&#xff0c;在使用的时候&#xff0c;会发现不能使用 class 这个属性。解决的办法是在 class 前面加上一个 符号&#xff0…

神经网络 - 用单层感知器实现多个神经元的分类 - (Matlab建模)

训练样本矩阵&#xff1a; P [0.1 0.7 0.8 0.8 1.0 0.3 0.0 –0.3 –0.5 –1.5; 1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 –1.5 –1.3]; 训练样本对应的分类&#xff1a; T [1 1 1 0 0 1 1 1 0 0 ;0 0 0 0 0 1 1 1 1 1]; 用MATLAB实现分类&…

LeetCode 1218. 最长定差子序列(哈希map)

1. 题目 给你一个整数数组 arr 和一个整数 difference&#xff0c;请你找出 arr 中所有相邻元素之间的差等于给定 difference 的等差子序列&#xff0c;并返回其中最长的等差子序列的长度。 示例 1&#xff1a; 输入&#xff1a;arr [1,2,3,4], difference 1 输出&#xff…

缺失值处理 - 定位空值并用空值的上一个值填充 - (Excel)

今天小助理很烦恼&#xff0c;说要处理一批汇率的数据&#xff0c;用近邻日期的汇率填充汇率为空的日期的汇率&#xff0c;这句话比较拗口&#xff0c;我们用数据解释一下。 比如下表&#xff0c;10月6日和10月8日9日的汇率没有采集到&#xff0c;那么我们就用10月5日的汇率填…

C#开发基础类库

下载地址&#xff1a;http://files.cnblogs.com/dashi/Sxmobi.rar转载于:https://www.cnblogs.com/dashi/archive/2011/09/09/2172506.html

LeetCode 1027. 最长等差数列(DP)

1. 题目 给定一个整数数组 A&#xff0c;返回 A 中最长等差子序列的长度。 回想一下&#xff0c;A 的子序列是列表 A[i_1], A[i_2], ..., A[i_k] 其中 0 < i_1 < i_2 < ... < i_k < A.length - 1。并且如果 B[i1] - B[i]( 0 < i < B.length - 1) 的值都…

因子分析模型 - 因子分析法原理与代码实现 -(Python,R)

因子分析基本思想 和主成分分析相似&#xff0c;首先从原理上说&#xff0c;主成分分析是试图寻找原有自变量的一个线性组合&#xff0c;取出对线性关系影响较大的原始数据&#xff0c;作为主要成分。 因子分析&#xff0c;是假设所有的自变量可以通过若干个因子&#xff08;中…

如何将两个DateTimePicker的日期和时间组合成一个值

有两个DateTimePicker&#xff0c;DateTimePicker1用于选择日期&#xff0c;DateTimePicker2用于选择Time&#xff0c;现在需要将两个DateTimePicker的值组合成一个DateTime使用。 方法&#xff1a; 1: DateTime dtTime Convert.ToDateTime(dateTimePicker1.Value.ToShortDate…

LeetCode 1255. 得分最高的单词集合(回溯)

1. 题目 你将会得到一份单词表 words&#xff0c;一个字母表 letters &#xff08;可能会有重复字母&#xff09;&#xff0c;以及每个字母对应的得分情况表 score。 请你帮忙计算玩家在单词拼写游戏中所能获得的「最高得分」&#xff1a;能够由 letters 里的字母拼写出的 任…

推荐几个网站 - (可视化、博客、社区、学习网站)

------------------------------------------------------------------------------------------------------------- 作者&#xff1a;Mf是个大坏蛋 原文&#xff1a;https://blog.csdn.net/destinymf/article/details/81186452 ----------------------------------------…

对Java注解(Annotation)初步的认识

----------------------android培训、java培训、期待与您交流&#xff01; ---------------------- 为注解增加属性 例如&#xff1a; import java.lang.annotation.Retention;import java.lang.annotation.RetentionPolicy;Retention(RetentionPolicy.RUNTIME)public interfac…

LeetCode 789. 逃脱阻碍者(曼哈顿距离)

1. 题目 你在进行一个简化版的吃豆人游戏。 你从 (0, 0) 点开始出发&#xff0c;你的目的地是 (target[0], target[1]) 。地图上有一些阻碍者&#xff0c;第 i 个阻碍者从 (ghosts[i][0], ghosts[i][1]) 出发。 每一回合&#xff0c;你和阻碍者们可以同时向东&#xff0c;西&…

ACDSee Photo Manager 12 中文绿色版

用WinRAR解压即玩&#xff0c;无需安装。可以拷贝到USB硬盘&#xff0c;便于携带 凭借易于使用且速度极快的特点&#xff0c;ACDSee 12提供了整理相片、优化拍摄以及与亲朋好友分享往事所需的全部功能。 幻灯片浏览 支持幻灯片浏览图片&#xff0c;并支持背景音乐和多种多样的图…

排序算法 - 6种 - 超炫的动画演示 - Python实现

1.冒泡排序 思路&#xff1a;遍历列表&#xff0c;每一轮每次比较相邻两项&#xff0c;将无序的两项交换&#xff0c;下一轮遍历比前一轮比较次数减1。 def bubble_sort(a_list):for passnum in range(len(a_list)-1, 0, -1):for i in range(passnum):if a_list[i] > a_list…

LeetCode 565. 数组嵌套

1. 题目 索引从0开始长度为N的数组A&#xff0c;包含0到N - 1的所有整数。 找到最大的集合S并返回其大小&#xff0c;其中 S[i] {A[i], A[A[i]], A[A[A[i]]], ... }且遵守以下的规则。 假设选择索引为i的元素A[i]为S的第一个元素&#xff0c;S的下一个元素应该是A[A[i]]&…

因子分析模型 - Python 做因子分析简直比 SPSS 还简单 - ( Python、SPSS)

为什么&#xff1f; SPSS 那么简单还免费&#xff0c;为什么还要用 Python 做因子分析&#xff08;factor analysis&#xff09;呢&#xff1f;工作狗表示&#xff0c;建模的目的是要卖钱的&#xff0c;也就是要嵌入到公司开发的产品上去&#xff0c;用 Python 写因子分析&…

缺失值处理 - 拉格朗日插值法 - Python代码

目录 缺失值处理 拉格朗日差值法的理论基础 拉格朗日插值法代码实现 其他数据预处理方法 缺失值处理 处理缺失值常用的办法可分为三类&#xff1a;删除记录、数据插补、不处理。 其中常见的数据插补法有&#xff1a; 如果通过删除小部分的数据就可以达到既定的目标&#…

做po_requisitions_interface_all接口开发问题

po_requisitions_interface_all这个接口表的字段charge_account_id来源于: 1、组织参数的Material Account 2、工单类型的Outside Processing Account 转载于:https://www.cnblogs.com/songdavid/archive/2011/09/19/2181757.html

[Hands On ML] 3. 分类(MNIST手写数字预测)

文章目录1. 数据预览2. 数据集拆分3. 二分类4. 性能评估4.1 交叉验证4.2 准确率、召回率4.3 受试者工作特征&#xff08;ROC&#xff09;曲线5. 多分类6. 误差分析6.1 检查混淆矩阵本文为《机器学习实战&#xff1a;基于Scikit-Learn和TensorFlow》的读书笔记。 中文翻译参考 …

支持向量机 - 从原理到算法的实现

思想&#xff1a;寻找能够成功分开两类样本并且具有最大分类间隔的最优超平面。 1.原理解析 空间中任何一个平面的方程都可以表示为wxb 0,如上图&#xff0c;设最优超平面方程H为wxb0,支持向量x-到H的距离为,要使分类间隔最大&#xff0c;即该距离最大&#xff0c;而该距离只与…