多元统计分析作业--硕士研究生(6)

首先用 KMO 测度值检验选取的指标数据是否适合进行因子分析, 若 KMO>0.9 非常适合；0.7<KMO<0.9 适 合;0.5<KMO<0.7 一般; KMO<0.5 不适合.对附表 1 的数据运用 spss19.0 统计分析软件算，从表 3-4 可知，KMO 统计量的取值大于 0.5，主成分分析的结果是使用的。从 Bartlett 检验结果卡方值 33.876 大于卡方的临界值 2 (10) 18 ,显著性小于 0.05，因此数据适合主成分分析。0.05表 3-4 KMO 和 Bartlett 的检验3．选择主成分个数 如表 3-5 所示， “公因子方差”表格实际给出的就是初始变量共同度， “提取”一列表示变量共同度的取值。 共同度取值区间 0， 1 ，比如总资产贡献率的共同度 0.746，可以理解为几个共同因子能够解释的总资产贡献率的 方差为 74.6%，其他变量共同度的解释类似。表 3-5 公因子方差如下表 3-6“解释的方差”给出每个主成分能够解释的原是变量所蕴含信息的比例，从上表可以观察到，特 征值大于 1 的因子有 2 个， 所以 SPSS 只选择了前两个公因子， 第一个主成分的特征值为 2.016， 它能解释 40.318% 的原始变量的变差，而第二个主成分的特征值为 1.184，它能解释 23.682%的原始变量的变差，前 2 个主成分合 计可以解释 64.00%的原始信息，即只要原来变量个数的 16%就可以反应原来 64%的信息。从表 3-6 得知，主成分 对五个标准化指标的方差贡献率，分别为 74.6%、48%、56.1%、80.3%和 60.9%，结果表明主成分提取了原始变量 的绝大部分信息。在这里我们选取两个主成分设为 Y1 和 Y2。表 3-6 解释的总方差 - 6 -