SPSS上机实验报告.doc

四川理工学院SPSS上机实验报告课程名称：SPSS统计分析高级教程专业班级：2012级统计2班姓 名：雷鹏程学 号：指导教师：林旭东实验日期： 2014年12月24日实验名称：主成分分析、因子分析一、实验案例现希望根据全国30个省、市、自治区经济发展基本情况的8项指标对其进行分析与排序。具体指标有：GDP、居民消费水平、固定资产投资、职工平均工资、货物周转量、居民消费价格指数、商品零售价格指数、工业生产总值，具体的数据见文件factor1.sav。二、实验预分析本案例中的指标较多，所以首先想到的是看看各个指标见的相关系数矩阵，然后对其进行主成分分析。由于还要进行对各个省、市、自治区进行排序，所以利用因子分析计算出各个省、市、自治区综合得分，得到最后的实验结论。三、实验目的3.1、掌握利用SPSS进行主成分、因子分析。3.2、解释运行结果。3.3、得出最终的实验结论四、实验操作步骤和结果描述4.1初步分析：（1）选择“”“ ” “”菜单项。（2）将8个指标选人“”列表框。（3）在“”对话框中选择“”，点击“”。（4）点击“ok”。得到如下表1、2、3：Correlation MatrixGDP居民消费水平固定资产投资职工平均工资货物周转量居民消费价格指数商品价格指数工业总产值CorrelationGDP1.000.267.951.187.617-.273-.264.874居民消费水平.2671.000.426.716-.151-.235-.593.363固定资产投资.951.4261.000.396.431-.280-.359.792职工平均工资.187.716.3961.000-.357-.145-.543.099货物周转量.617-.151.431-.3571.000-.253.022.659居民消费价格指数-.273-.235-.280-.145-.2531.000.763-.125商品价格指数-.264-.593-.359-.543.022.7631.000-.192工业总产值.874.363.792.099.659-.125-.1921.000表1各个指标间的相关系数矩阵Total Variance ExplainedComponentInitial EigenvaluesExtraction Sums of Squared LoadingsTotal% of VarianceCumulative %Total% of VarianceCumulative %13.75446.92446.9243.75446.92446.92422.20327.53274.4562.20327.53274.45631.20815.09689.5511.20815.09689.5514.4035.04294.5935.2142.67397.2666.1381.72298.9887.066.82999.8178.015.183100.000Extraction Method: Principal Component Analysis.表2解释的总方差Component MatrixaComponent123GDP.884.385.120居民消费水平.606-.596.277固定资产投资.911.163.213职工平均工资.465-.725.362货物周转量.486.737-.279居民消费价格指数-.510.257.794商品价格指数-.621.596.433工业总产值.822.429.210Extraction Method: Principal Component Analysis.a. 3 components extracted.表3主成分矩阵结果解释：由表1相关系数表可得，可见许多变量之间直接的相关性较强，的确存在信息上的重叠，说明有信息浓缩的必要性。表2可得的是各个成分的方差贡献率和累计贡献率，可见只有前3个主成分的特征根大于1，并且前三个主成分的累计方差贡献率达到89.55%,因此选前三个主成分就能足够描述经济的发展水平。由表3知道第一个主成分主可以看成是反映GDP、固定资产投资、居民消费水平和工业总产值的综合指标，第二个主成分看成是反映平均工资和货物周转量方面的综合指标，第三个主成分看成反映居民消费价格指数的综合指标。显然这个并没有解释出排序结果，所以下面继续进行因子分析后的综合排序。4.2进阶分析：（1）在“”对话框中选择“”。（2）在“”对话框中选择“”。（3）在“”对话框中选择“”。（5）在“”对话框中勾选“”。（6）点击“ok”。得到下表4、5、6、7：KMO and Bartlett's TestKaiser-Meyer-Olkin Measure of Sampling Adequacy.620Bartlett's Test of SphericityApprox. Chi-Square231.285df28Sig.000表4 KMO和Bartlett检验表Total Variance ExplainedComponentInitial EigenvaluesExtraction Sums of Squared LoadingsRotation Sums of Squared LoadingsTotal% of VarianceCumulative %Total% of VarianceCumulative %Total% of VarianceCumulative %13.75446.92446.9243.75446.92446.9243.20740.09240.09222.20327.53274.4562.20327.53274.4562.21727.70867.80031.20815.09689.5511.20815.09689.5511.74021.75289.5514.4035.04294.5935.2142.67397.2666.1381.72298.9887.066.82999.8178.015.183100.000Extraction Method: Principal Component Analysis.表5解释的总方差表Component MatrixaComponent123GDP.884.385.120居民消费水平.606-.596.277固定资产投资.911.163.213职工平均工资.465-.725.362货物周转量.486.737-.279居民消费价格指数-.510.257.794商品价格指数-.621.596.433工业总产值.822.429.210Undefined error #11401 - Cannot open text file "C:Program Files (x86)SPSSIncSPSS16langenspss.ea. 3 components extracted.表6 旋转前成分矩阵Rotated Component MatrixaComponent123GDP.955.124-.131居民消费水平.219.841-.209固定资产投资.872.351-.137职工平均工资.048.925-.121货物周转量.751-.507-.192居民消费价格指数-.135-.013.969商品价格指数-.104-.496.819工业总产值.944.109-.014Undefined error #11401 - Cannot open text file "C:Program Files (x86)SPSSIncSPSS16langenspss.e Undefined error #11408 - Cannot open text file "C:Program Files (x86)SPSSIncSPSS16langenspss.ea. Rotation converged in 5 iterations.表7 旋转后成分矩阵图1 碎石图结果解释：由表4可得KMO的值为0.62，并且Bartlett检验显著，说明可以做因子分析，由表5可得前三个主成分在旋转过后的3个公因子的方差贡献率均发生了变化，彼此的差距有所缩小，但是其方差贡献率仍然是89.55%，表6表7看出在旋转过后主成分更好的表示出来，由碎石图可以得到可以提取前3个主成分。由于上述3个公因子分别从不同的方面反映当地经济发展状况的总体水平，利用各个因子对应的方差贡献率比例为权数计算出综合得分，计算的方程如下：Socer=40.09/89.55*FAC1-1+27.71/89.55*FAC2-1+21.75/89.55*FAC3-1计算出综合因子得分socer，得分前5个地区如下表8所示：序号地区FAC1-1FAC2-1FAC3-1Socer8上海0.6153.6620.8471.619江苏2.0340.271-0.1710.9515山东2.117-0.1940.2520.9519广州1.4851.684-1.1820.9022四川1.107-0.5200.5200.57表8 综合排序的前5位地区可见上海的综合得分最高，其消费因子表现的最为突出，排名第二三是江苏与山东；广东虽然总量因子和消费因子表现不错，但过高物价拉低了综合得分，但四川刚好与广东表现相反。上述的综合比较结果可以很好的解释各个地区的整个经济发展的有点与劣势。五、 实验总结本次实验通过对案例预分析后，选定了解决案例的模型，通过在实验中步步对模型的优化与检验，找到了案例的最优的结果，对案例的问题进行了回答与解释。并且在本次SPSS上机实验让我对这门软件有了较深刻的认识，SPSS是一款菜单式的软件，操作简便，易于理，利用将有助于提高工作效率。利用SPSS进行统计分析，变量和数据是必不可少的。数据输入后通常需要对数据进行进一步的处理，其中最有价值的是数据的预处理以及问题预处理。