spss主成分分析报告

1、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

2、数据：因子分析操作过程：选取变量：XI：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XII：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X 1 5: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）,

3、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，越说明变量间存在相关关系。本数据中KMO值为，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%<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 >,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%>80%且，特征值均大

4、于1结论：初始特征根：入仁，入2二，入3二主成分贡献率：rl=%, r2=%, r3=%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：可以看岀北京大学，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=rl*FACl+r2*FAC2+r3*FAC3主成分贡献率：rl=%, r2=%