银行需要贷款申请人提供八方面的信息:收入、教育程度、年龄、在目前住址的居住年限、在目前聘用单位的工作时间、储蓄、外债和信用卡数。银行管理员需要分析这些数据,以确定用于分组和报告这些数据的最佳方式。该管理员收集了 30 名贷款申请人的上述信息。

管理员执行总分量分析来减少变量数,以方便分析数据。管理员需要足够的分量来解释 90% 的数据变异。

  1. 打开样本数据,贷款申请人.MTW
  2. 选择统计 > 多变量 > 主成分
  3. 变量中,输入 C1-C8。
  4. 单击确定

解释结果

第一个主分量占总方差的 44.3%。与第一个主分量 (PC1) 最相关的变量是年龄 (0.484)、居住年限 (0.466)、服务处所 (0.459) 和存款 (0.404)。第一个主分量与所有这四个变量呈正相关。因此,如果增加年龄、居住年限、服务处所和存款的值,第一个主分量的值也会随之增加。前四个主分量解释 90.7% 的数据变异。因此,管理员决定使用这些分量对贷款申请者进行分析。

主成分分析: 收入, 教育程度, 年龄, 住址, 服务处所, 储蓄, 外债, 信用卡数量

相关矩阵的特征分析 特征值 3.5476 2.1320 1.0447 0.5315 0.4112 0.1665 0.1254 0.0411 比率 0.443 0.266 0.131 0.066 0.051 0.021 0.016 0.005 累积 0.443 0.710 0.841 0.907 0.958 0.979 0.995 1.000
特征向量 变量 PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 收入 0.314 0.145 -0.676 -0.347 -0.241 0.494 0.018 -0.030 教育程度 0.237 0.444 -0.401 0.240 0.622 -0.357 0.103 0.057 年龄 0.484 -0.135 -0.004 -0.212 -0.175 -0.487 -0.657 -0.052 住址 0.466 -0.277 0.091 0.116 -0.035 -0.085 0.487 -0.662 服务处所 0.459 -0.304 0.122 -0.017 -0.014 -0.023 0.368 0.739 储蓄 0.404 0.219 0.366 0.436 0.143 0.568 -0.348 -0.017 外债 -0.067 -0.585 -0.078 -0.281 0.681 0.245 -0.196 -0.075 信用卡数量 -0.123 -0.452 -0.468 0.703 -0.195 -0.022 -0.158 0.058
使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策