spss主成分分析报告.docx

spss主成分分析报告.docx

《spss主成分分析报告.docx》由会员分享，可在线阅读，更多相关《spss主成分分析报告.docx（12页珍藏版）》请在冰点文库上搜索。

spss主成分分析报告

实验目的：

原始数据中每一所高校具有20个相关性很高的变量，利用主成分分析法用较少的变量去解释原来资料中的大部分变异，将手中的众多变量转化成彼此相互独立或不相关的个数较少的变量，即所谓主成分，并用以解释资料的综合性指标，其实质的目的是降维

原始数据截屏：

操作方法：

1.描述性统计

SPSS在调用因子分析过程进行分析时，SPSS会自动对原始数据进行标准化处理，所以在得到计算结果后指的变量都是指经过标准化处理后的变量，但SPSS不会直接给出标准化后的数据，然后后期的计算需得到标准化数据，则需调用“描述”过程进行计算,为了看到标准化数据，所以采用描述性统计下的描述操作获得标准化后的变量数据

标准化数据：

因子分析操作过程：

选取变量：

X1：

科研经费得分

X2：

国家人文社科重点研究基地得分

X3:

院士总数得分

X4:

生均图书得分

X5:

研究中心数得分

X6:

国家重点实验室得分

X7:

生均教学科研仪器设备得分

X8:

生均教育事业经费得分

X9:

精品课程得分

X10:

优秀博士生论文总分

X11:

人才得分

X12:

二级学科建设得分

X13:

生均固定资产得分

X14:

科研论文得分

X15:

博导及相关合计得分

X16:

教师中博士学位比重得分

X17:

一级学科得分

X18:

高级职称比重得分

X19:

师资总分

X20:

SCI数量

这里分析采用相关系数矩阵，输出选择为未旋转的因子解，并选择碎石图，抽取过程选择基于特征值（特征值大于1），最大收敛迭代次数：

25，点击确定。

原数据中有较多的缺失值，选择按列表排除个案，点击继续。

分析结果：

KMO越接近1，说明变量之间的相关性越强，原有变量适合做因子分析；Bartlett的球度检验值越小于显著性水平0.05，越说明变量间存在相关关系。

本数据中KMO值为0.736，sig.值为0，符合因子分析条件，可进行因子分析，并进一步进行主成分分析

累计贡献率79.119%<80%，由反映象相关矩阵中我们可以看出（如下图所示）

反映象相关矩阵中对角线上的数值应>0.5,根据次标准，数据显示生均图书得分变量不适合做因子分析，所以删去，重新做因子分析。

去除生均图书得分变量之后的因子分析结果：

累计百分比为81.466%>80%,且特征值均大于1

结论：

初始特征根：

λ1=6.901，,λ2=4.846，λ3=3.732

主成分贡献率：

r1=36.32%,r2=25.506%,r3=19.640%

碎石图

旋转之后的主成分载荷矩阵，可以看出：

SCI数量，国家重点实验室得分，研究中心数得分，研究中心数得分，科研经费得分，二级学科建设得分，科研论文得分，优秀博士生论文得分，一级学科得分，精品课程得分与主成分1密切相关，可将其总结归纳为软实力与资源指标；师资总分，博导及相关合计得分，人才得分，院士总数得分，高级职称比重得分，教师中博士学位比重得分与主成分2密切相关，可将其归纳总结为师资结构指标；生均教学科研仪器设备得分，生均教育事业经费得分，生均固定资产得分与主成分3密切相关，可将其归纳为学生平均资产指标。

根据主成分1得分降序排列：

由主成分1可以看出，清华大学，浙江大学，北京大学，华中科技大学，西安交通大学，武汉大学，上海交通大学，中南大学，四川大学，东南大学在论文发表以及国家级实验室得分方面位列前十名，其软实力雄厚；

根据主成分2得分降序排名：

可以看出北京大学，中国人民大学，复旦大学等在师资结构方面排名靠前，说明其在师资力量上占据很大竞争力

根据主成分3得分降序排名：

可以看出清华大学，上海交通大学等前十名大学在学校生均资产方面具有竞争力

2>计算主成分综合得分

Z=r1*FAC1+r2*FAC2+r3*FAC3

主成分贡献率：

r1=36.32%,r2=25.506%,r3=19.640%

由综合得分可以看出：

清华大学，北京大学，浙江大学，复旦大学，，，，，，等十所高校位列我国高校前十名，与武书连等国内知名统计机构结果相近，也与我国现状相似