關(guān)于主成分分析中第一次分析后主成分?jǐn)?shù)量過多的問題

是 否 +2 論壇幣

k人 參與回答

經(jīng)管之家送您一份

應(yīng)屆畢業(yè)生專屬福利!

求職就業(yè)群

趙安豆老師微信：zhaoandou666

經(jīng)管之家聯(lián)合CDA

送您一個全額獎學(xué)金名額~ !

立即領(lǐng)取

感謝您參與論壇問題回答

經(jīng)管之家送您兩個論壇幣！

+2 論壇幣

我在用spss第一次做完主成分分析后，就有11個主成分，但是這太多了。請問用什么辦法可以刪掉一些變量？

掃碼加我 拉你入群

請注明：姓名-公司-職位

以便審核進群資格，未注明則拒絕

分享0 收藏0 回帖

關(guān)鍵詞：主成分分析 主成分 SPSS PSS 數(shù)量 主成分分析 后主 主成分分析法 spss主成分分析 逐步回歸分析 多元回歸分析 因子分析法 應(yīng)用時間序列分析

估計你做錯了，主成分分析時變量數(shù)要少于樣品數(shù)

撥拉麗絲 發(fā)表于 2011-5-14 10:48
我在用spss第一次做完主成分分析后，就有11個主成分，但是這太多了。請問用什么辦法可以刪掉一些變量？

主成分分析可以強制設(shè)定要幾個factor的

在主成分分析（PCA）中，如果你得到了較多的主成分，而你希望減少這個數(shù)量以簡化模型或者提高可解釋性，有幾種策略可以考慮：

1. **查看累計方差貢獻**：通常我們會關(guān)注前幾個主要成分能解釋的數(shù)據(jù)總變異比例。例如，在SPSS中，你可以檢查“Scree Plot”（碎石圖）和輸出中的“Total Variance Explained”表來決定保留多少個主成分。選擇那些能夠解釋數(shù)據(jù)大部分變異性（如80%或90%）的前幾個主成分。

2. **考慮特征值**：保留特征值大于1的主成分，這是Kaiser準(zhǔn)則建議的做法。這意味著這些主成分比原始變量更能描述數(shù)據(jù)。

3. **可解釋性**：在選擇保留哪些主成分時，還需要考慮它們的實際含義和模型的可解釋性。如果某些主成分雖然方差貢獻較大但難以理解其意義，則可能需要重新考慮是否保留。

4. **旋轉(zhuǎn)主成分**：使用正交或斜交旋轉(zhuǎn)（如Varimax、Quartimax或Oblique等）可以幫助提高主成分的可解釋性和分離出更有意義的變量組合。旋轉(zhuǎn)后，你可能會發(fā)現(xiàn)某些主成分更集中于特定的原始變量上，這樣可以更容易地決定哪些組件是最重要的。

5. **再次運行PCA**：基于上述考慮，選擇前幾個具有較高方差貢獻且易于理解的主成分，然后可以重新運行PCA以這些選定的主成分為輸入，進行進一步分析或模型構(gòu)建。

6. **使用其他數(shù)據(jù)降維技術(shù)**：如果PCA不適合你的需求，還可以探索如因子分析、獨立成分分析（ICA）、非負(fù)矩陣分解（NMF）等其他數(shù)據(jù)降維方法。

記住，在減少主成分?jǐn)?shù)量時，你是在犧牲部分信息以換取簡化和可解釋性。因此，這是一個需要平衡的決策過程。

此文本由CAIE學(xué)術(shù)大模型生成，添加下方二維碼，優(yōu)先體驗功能試用