股票投資選擇中的主成分分析
A. spss中主成分分析
主成分分析，在進行有多個指標的綜合評定時，客觀全面的綜合評價結果非常重要，然而往往多個指標之間通常存在信息不統一或者重復等眾多因素，各指標的權重往往很難確認。主成分分析方法能夠解決以上問題，主成分分析法是一種降維的統計方法，是考察多個變數間相關性一種多元統計方法。
二、spss主成分分析操作流程
導入數據。將已有數據整理後導入
spss導入數據
主成分分析操作流程。點擊分析—降維—因子分析
spss主成分分析
將變數全部導入變數（V）中，點擊描述，勾選相關描述性統計分析結果，點擊繼續。
描述統計
點擊抽取—方法主成分—點擊相關分析及輸出結果，點擊繼續。
因子分析：抽取
選擇得分。
因子得分
因子分析：選擇按列表排除個案。最後點擊確認按鈕。
因子分析：選擇
三、spss主成分分析輸出結果
解釋的總方差圖
主成分得分系數
生成的6個主成分因子變數
四、結果解釋
主成分分析結果中解釋的總方差圖看出總的解釋力度為82.172%，生成6個新的解釋變數，使用成份得分矩陣求F1、F2、F3、F4、F5、F6。
F1=0.077*ZX1+0.077*ZX2+0.078*ZX3+……+0.078*ZX26，
……
F6=-0.102*ZX1-0.484*ZX2-0.100*ZX3+……+0.085*ZX26
其中ZX1表示每個行業及區域指標的條數A變數對應的值
綜合評分F的計算如下。
F=（44.741%/82.172%）*F1+（12.237%/82.172%）*F2+……+（4.344%/82.172%）*F6
這樣就算出了每個行業及區域的綜合排名，其中主成分分析模型解釋力度有82.172%。
B. 在spss主成分分析中，如何指定提取的主成分個數，多謝！
因子分析---選項中有一項是特徵根植大於1 或者說是指定主成分個數，默認是提取的特徵根植為1。
有的時候就是有很多主成分的，你要分析的元素越多，主成分越多。具體是不是多了得看你的題目了。這種問題最好把題目都拋出來才好判斷。
(2)股票投資選擇中的主成分分析擴展閱讀：
以前單獨發行的SPSS AnswerTree軟體整合進了SPSS平台。筆者幾年前在自己的網站上介紹SPSS 11的新功能時，曾經很尖銳地指出SPSS的產品線過於分散。
應當把各種功能較單一的小軟體，如AnswerTree、Sample Power等整合到SPSS等幾個平台上去。看來SPSS公司也意識到了這一點，而AnswerTree就是在此背景下第一個被徹底整合的產品。
Classification Tree模塊基於數據挖掘中發展起來的樹結構模型對分類變數或連續變數進行預測，可以方便、快速的對樣本進行細分。
而不需要用戶有太多的統計專業知識。在市場細分和數據挖掘中有較廣泛的應用。已知該模塊提供了CHAID、Exhaustive CHAID和C&RT三種演算法，在AnswerTree中提供的QUEST演算法尚不能肯定是否會被納入。
C. 在做主成分分析時，選取的主特徵是原來數據的哪些特徵
主成分分析要求數據接近正態分布，不一定要嚴格的正態分布條件，一般來說樣本量在100以上就基本符合條件。 聚類分析對數據的要求是聚類的各組的組內方差較小，而組間方差較大，正常來說只要方法選擇得當，這個要求會比較容易做到的。
D. 主成分分析中的主成分是指哪部分
主成分是標准化後的特徵向量和原指標的線性組合，例如
第p主成分：Fp=a1iZX1+a2iZX2+……+apiZXp
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
E. 主成分分析（PCA）主成分維度怎麼選擇
成分分析和因子分析有十大區別，在損失很少信息的前提下把多個指標轉化為幾個不相關的綜合指標（主成分),且各個主成分之間互不相關,使得主成： 1.原理不同 主成分分析基本原理：利用降維（線性變換)的思想,即每個主成分都是原始變數的線性組合
F. 如何應用主成分分析剔除多餘的變數比如已知7個變數指標，我想選取三四個主要的，該如何進行
Chemical markers』 fishing and knockout for holistic activity and interaction
evaluation of the components in herbal medicines.看看這篇文獻，或許有啟發。
G. 主成分分析的指標選擇
指標太多了，也可能是存在共線性的變數導致的。我用的stata
還是先給原始數據做一下相關性分析，刪一些高度相關的變數，避免共線性。
然後給變數標准化後做主成分分析，這一步spss自動就標准化了，如果也是stata的話要記得標准化。我自己這邊試的結果是變數多於15類就算不出KMO了，控制在10個左右KMO能算出來，不過最好才0.6，最差0.4了都。。
沒辦法我的數據太少了，我做的是關於貪官的，數據少很坑……你經濟類的應該能到0.7，加油額
H. 一篇文獻中主成分分析的問題，急急急
由於我看不太清你的圖表寫的是什麼？不過憑大概，解釋一下每一列的意思吧！
第一列：主成分的個數。
第二列：每一個主成分的特徵值，特徵值越大，表示該主成分在解釋原變異量時越重要。
第三列：為每一個因子可以解釋變異量的百分比。
第四列：則為所解釋變異量的累計百分比。
後面的，就是所提取出的兩個主成分，以及解釋的變異量、百分比、累計百分比。
I. 如何用主成分分析確定指標權重
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
J. 主成分分析只提取一個主成分可以嗎
主成分分析只提取一個主成分是不可以的。應保留多少個主成分要視具體情況，很難一概而論，最終還得依賴於主觀判斷。當取一個和二個主成分都可行時，取一個的優點是可以對各樣品進行綜合排序（如果這種排序是有實際意義的）。
如果只提取了一個主成分，可能是數據存在問題，也有可能是這些變數之間本身就存在很強的相關性，所以主成分分析只能提取一個主成分。
(10)股票投資選擇中的主成分分析擴展閱讀：
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。