理財產品主成分分析報告

① spss 主成分分析報告怎麼寫

我寫過很多了，要按照數據分析的結果來寫，我可以具體教你，看我名@字

② 主成分分析結果怎麼看

一般要讀KMO、碎石圖、累計解釋率、共同度、因子最大正交旋轉後的rotate圖

③ 怎麼用spss做財務主成分分析報告

1輸入數據。
2點Analyze 下拉菜單，選Data Rection 下的Factor 。
3打開Factor Analysis後,將數據變數逐個選中進入Variables 對話框中。
4單擊主對話框中的Descriptive按扭，打開Factor Analysis: Descriptives子對話框，在Statistics欄中選擇Univariate Descriptives項要求輸出個變數的均值與標准差，在Correlation Matrix 欄內選擇Coefficients項，要求計算相關系數矩陣，單擊Continue按鈕返回Factor Analysis主對話框。
5單擊主對話框中的Extraction 按鈕，打開如下圖所示的Factor Analysis: Extraction 子對話框。在Method列表中選擇默認因子抽取方法——Principal Components，在Analyze 欄中選擇默認的Correlation Matrix 項要求從相關系數矩陣出發求解主成分，在Exact 欄中選擇Number of Factors;6， 要求顯示所有主成分的得分和所能解釋的方差。單擊Continue按鈕返回Factor Analysis主對話框。
6單擊主對話框中的OK 按鈕，輸出結果。
統計專業研究生工作室原創，請勿復雜粘貼

④ 主成分分析法的高手請進。

先看看你的前三個主成分累積貢獻率有多少，只要貢獻率夠大就可以刪去。事實上選取多少個主成分都是人為定的，只要包括盡可能多的信息並且滿足題目的誤差要求的就可以了。

⑤ 您好，我在用spss作主成分分析，要怎麼對各個主成分及綜合進行排名期待回復，謝謝

要先求出各個樣本的主成分得分和綜合得分，然後才能排名。（南心網 SPSS主成分分析）

⑥ 如何解讀spss的分析結果其中，因子分析和主成分分析的差別在哪裡

KMO檢驗統計量在0.7以上，說明變數之間的偏相關性較強，適合做因子分析，球形檢驗p小於0.001，說明變數之間存在相關性。第二格表格為共同性，表示各變數中所含原始信息能被提取的共同因子所表示的程度，根據你的數據，你提取的公因子是兩個，第三個表格是指提取的倆個主成分能解釋差異的比列，第四個表格是主成分表達式，第五表格是因子得分公式。

⑦ SPSS中主成分分析結果問題，急！！！！

因子分析（你這里使用主成分法做因子分析）的好壞主要就是看看KMO，特徵值方差貢獻率，共同度和因子載荷，如果都比較好（一般就是說KMO值0.8以上，方差貢獻率起碼0.4，共同度起碼也有0.4，因子載荷起碼均在0.4以上），那就OK

KMO值書上（《吳明隆統計實務》）說的最低限度是0.5，方差貢獻率40%是最低的可接受程度，你的67%已經挺高了，關鍵問題是KMO不好，KMO的意義在於檢驗你的這些數據有沒有一定的內部相關，能不能形成一些局部因子，最少一個，因為因子分析就是給數據分類分維度，要是數據都零零散散，任何兩個題目都不相似，就不適合因子分析，KMO就不高，想提高的話，酌情刪除一些題目（主要是看因子載荷，太低的刪，一個題目在兩個因子上載荷接近的也刪），再重新做因子分析看結果，如果還不好，就加題目，加一些你覺得比較好的項目，主要是靠刪除不好的項目，不過要注意，每個維度最好至少留下3個題目

⑧ 主成分分析的內容

主成分分析是設法將原來眾多具有一定相關性（比如P個指標），重新組合成一組新的互相無關的綜合指標來代替原來的指標。
主成分分析，是考察多個變數間相關性一種多元統計方法，研究如何通過少數幾個主成分來揭示多個變數間的內部結構，即從原始變數中導出少數幾個主成分，使它們盡可能多地保留原始變數的信息，且彼此間互不相關.通常數學上的處理就是將原來P個指標作線性組合，作為新的綜合指標。
最經典的做法就是用F1（選取的第一個線性組合，即第一個綜合指標）的方差來表達，即Var(F1)越大，表示F1包含的信息越多。因此在所有的線性組合中選取的F1應該是方差最大的，故稱F1為第一主成分。如果第一主成分不足以代表原來P個指標的信息，再考慮選取F2即選第二個線性組合，為了有效地反映原來信息，F1已有的信息就不需要再出現在F2中，用數學語言表達就是要求Cov(F1, F2)=0，則稱F2為第二主成分，依此類推可以構造出第三、第四，……，第P個主成分。 Fp = a1i*ZX1 + a2i*ZX2 + …… + api*ZXp
其中a1i, a2i, ……,api(i=1,……,m)為X的協方差陣Σ的特徵值所對應的特徵向量，ZX1, ZX2, ……, ZXp是原始變數經過標准化處理的值，因為在實際應用中，往往存在指標的量綱不同，所以在計算之前須先消除量綱的影響，而將原始數據標准化，本文所採用的數據就存在量綱影響[註：本文指的數據標准化是指Z標准化。
A = (aij)p×m = (a1,a2,…am,)， Rai = λiai，
R為相關系數矩陣，λi、ai是相應的特徵值和單位特徵向量, λ1 ≥ λ2 ≥ …≥ λp ≥ 0 。
進行主成分分析主要步驟如下：
1. 指標數據標准化（SPSS軟體自動執行）；
2. 指標之間的相關性判定；
3. 確定主成分個數m；
4. 主成分Fi表達式；
5. 主成分Fi命名；

⑨ 主成分分析有什麼用

主成分分析最主要的用途在於「降維」.
舉個例子,你要做一項分析,選中了20個指標,你覺得都很重要,但是20個指標對於你的分析確實太過繁瑣,這時候,你就可以採用主成分分析的方法進行降維.
20個指標之間會有這樣那樣的相互關系,相互之間會有影響,通過主成分分析後,得到4個或者5個主成分指標.此時,這幾個主成分指標既涵蓋了你20個指標中的絕大部分信息,又讓你的分析得到了簡化（從20維降到4、5維）,簡化了分析過程,增加了結果精度.