可下载资源

 各省市城镇居民消费大小与其经济发达程度密切相关; 相邻省市消费结构比较相似; 沿海地区与内地消费结构有较大的差别

第二步：打开“因子分析”对话框。 

沿着主菜单的“Analyze→Data Reduction→Factor”的路径（图2）打开因子分析选项框

⒈ 设置Descriptives选项。 

单击Descriptives按钮（图4），弹出Descriptives对话框（图5）。

设置Extraction选项。 

打开Extraction对话框（图6）。因子提取方法主要有7种，在Method栏中可以看到，系统默认的提取方法是主成分，因此对此栏不作变动，就是认可了主成分分析方法。 

在Analyze栏中，选中Correlation matirx复选项，则因子分析基于数据的相关系数矩阵进行分析；如果选中Covariance matrix复选项，则因子分析基于数据的协方差矩阵进行分析。对于主成分分析而言，由于数据标准化了，这两个结果没有分别，因此任选其一即可。 

设置Scores设置。 

选中Save as variables栏，则分析结果中给出标准化的主成分得分（在数据表的后面）。至于方法复选项，对主成分分析而言

选中Display factor score coefficient matrix，则在分析结果中给出因子得分系数矩阵及其相关矩阵。 

 其它。 

对于主成分分析而言，旋转项（Rotation）可以不必设置；对于数据没有缺失的情况下，Option项可以不必理会。

在Communalities(公因子方差)中，给出了因子载荷阵的初始公因子方差（Initial）和提取公因子方差（Extraction）

在Total Variance Explained(全部解释方差) 表的Initial Eigenvalues（初始特  7  征根）中，给出了按顺序排列的主成分得分的方差(Total)，在数值上等于相关系数矩阵的各个特征根λ，因此可以直接根据特征根计算每一个主成分的方差百分比（% of Variance）。

主成分的数目可以根据相关系数矩阵的特征根来判定，如前所说，相关系数矩阵的特征根刚好等于主成分的方差，而方差是变量数据蕴涵信息的重要判据之一。根据λ值决定主成分数目的准则有三：

i 只取λ>1的特征根对应的主成分 

从Total Variance Explained表中可见，第一、第二和第三个主成分对应的λ值都大于1，这意味着这三个主成分得分的方差都大于1。本例正是根据这条准则提取主成分的。 

ii 累计百分比达到80%~85%以上的λ值对应的主成分 

在Total Variance Explained表可以看出，前三个主成分对应的λ值累计百分比达到89.584%，这暗示只要选取三个主成分，信息量就够了。 

iii 根据特征根变化的突变点决定主成分的数量

从特征根分布的折线图（Scree Plot）上可以看到，第4个λ值是一个明显的折点，这暗示选取的主成分数目应有p≤4（图8）。那么，究竟是3个还是4个呢？根据前面两条准则，选3个大致合适（但小有问题）。

在Component Matrix（成分矩阵）中，给出了主成分载荷矩阵，每一列载荷值都显示了各个变量与有关主成分的相关系数。以第一列为例，0.885实际上是消费支出与第一个主成分的相关系数。

R语言按地区划分的主成分可视化

res.pca <- prcomp(data[, -1],  scale = TRUE)