理学院《应用多元统计分析》课程论文
论文题目: 多元统计分析中国城镇居民人均消费水平
专 业: 统计学
班 级: 112班
姓 名: 杨晓丹 学 号 11480020204
指 导 教 师: 韩明 职 称 教授
2013年12月12日
本文通过选取2011年我国31个省市自治区城镇居民在食品、衣着、居住、家庭设备用品及服务、医疗保健、交通和通信、教育文化娱乐服务及其他商品和服务等方面的人均消费性支出,运用聚类分析及主成分分析对各地区进行比较和分析。用聚类分析将各地区进行分类,对分类的地区进行比较,用主成分分析根据所选主要成分将各地区排名。找出各地区城镇居民在消费性支出方面存在的差异,并提出相应缩小差异的建议。除了地区间的比较,将结果同前一年比较,明确地区经济发展变化。
关键字:人均消费性支出 聚类分析 主成分分析
近年来,我国国民经济得到了迅速发展,人民生活水平进一步提高,物质文明建设达到了前所未有的水平。但由于我国各地区经济发展水平不均衡,加之各地人口、资源、政策等各方面存在的差异,使各地区居民人均消费水平参差不齐,不同的地区具有不同的特点。在这一背景下,研究我国各地区城镇居民家庭平均每人全年消费性支出情况,比较地区间的差异和差距,通过与前几年结果作对比,进而明确促进和抑制我国城镇居民人均消费性支出发展的影响因素。
消费结构可以反映居民的生活质量和经济发展水平。一般来说,经济越发达的地区,其消费结构就越趋向于追求安逸享受的消费结构。在这样的消费结构中,教育文化娱乐服务支出所占的比例就会较大。反之,在经济较不发达的地区中,生活必需品消费支出所占的比例就会较大。随着社会主义市场经济体制的逐步完善,我国的社会生产力不断日益加快发展,经济总量和综合实力迅速上升,城镇居民的生活水平显著提高。相对过去而言,居民食品方面的消费支出比重在逐渐下降,而在交通通讯、文化娱乐等方面的消费支出比重越来越大。消费结构的变化,反映居民需求的变化。研究我国城镇居民消费性支出情况及其影响因素,对建立合理的消费结构,扩大内需,搞活社会主义市场经济,制定产业政策,促进国民经济的发展都有着极其重要的意义。
表1 我国各地区城镇居民家庭平均每人全年消费性支出情况【1】
地区 | 食品 | 衣着 | 居住 | 家庭设备 | 医疗保健 | 交通和通信 | 教育文化 | 其他商品 |
北京 | 6905.51 | 1612.12 | 1923.71 | 1562.55 | 1523.32 | 3521.20 | 3306.82 | 975.37 |
天津 | 6663.31 | 1274.91 | 1763.44 | 1174.62 | 1415.39 | 2699.53 | 2116.01 | 836.82 |
河北 | 3927.26 | 1020.03 | 1372.25 | 809.85 | 955.95 | 1526.60 | 1203.99 | 387.40 |
山西 | 3558.04 | 1094.58 | 1327.78 | 832.74 | 851.30 | 1487.66 | 1419.43 | 415.44 |
内蒙古 | 4962.40 | 1859.84 | 1418.60 | 1162.87 | 1239.36 | 2003.54 | 1812.07 | 765.13 |
辽宁 | 5254.96 | 1295.08 | 1385.62 | 929.37 | 1208.30 | 1899.06 | 1614.52 | 643.15 |
吉林 | 4252.85 | 1272.43 | 1468.29 | 839.31 | 1108.51 | 1541.37 | 1468.34 | 562.48 |
黑龙江 | 4348.45 | 1194.59 | 1185.96 | 723.58 | 1082.96 | 1363.62 | 1190.87 | 476.89 |
上海 | 8905.95 | 1558.24 | 2225.68 | 1826.22 | 1140.82 | 3808.41 | 3746.38 | 1394.86 |
江苏 | 6060.91 | 1338.75 | 1187.74 | 1193.81 | 962.45 | 2262.19 | 2695.52 | 647.06 |
浙江 | 7066.22 | 1658.21 | 1518.06 | 1109.42 | 1248.90 | 3728.23 | 2816.12 | 811.51 |
安徽 | 5246.76 | 954.30 | 1501.39 | 690.66 | 907.58 | 1365.01 | 1631.28 | 467.77 |
福建 | 6534.94 | 1167.05 | 1661.84 | 1179.84 | 773.26 | 2470.18 | 1879.02 | 667.00 |
江西 | 4675.16 | 978.76 | 1114.49 | 914.88 | 641.23 | 1310.21 | 1429.30 | 389.06 |
山东 | 4827.61 | 1463.71 | 1510.84 | 1013.82 | 938.86 | 2203.99 | 1538.44 | 518.27 |
河南 | 4212.76 | 1265.53 | 1087.08 | 977.52 | 919.83 | 1573.64 | 1373.94 | 484.76 |
湖北 | 5363.68 | 1259.76 | 1172.11 | 814.81 | 915.72 | 1382.20 | 1489.67 | 347.68 |
湖南 | 4943.89 | 1123.49 | 1292.55 | 940.79 | 790.76 | 1975.50 | 1526.10 | 434.25 |
广东 | 7471.88 | 1065.71 | 2005.15 | 1370.28 | 948.18 | 3630.62 | 2647.94 | 773.17 |
广西 | 5074.49 | 778.29 | 1237.91 | 884.85 | 779.08 | 2000.57 | 1502.65 | 349.48 |
海南 | 5673.65 | 615.59 | 1342.29 | 729.86 | 783.34 | 1830.80 | 1141.81 | 360.91 |
重庆 | 5847.90 | 1516.13 | 1205.66 | 1079.27 | 1050.62 | 1718.73 | 1474.88 | 540.63 |
四川 | 5571.69 | 1099.76 | 1226.14 | 1020.16 | 735.26 | 1757.52 | 1369.47 | 532.52 |
贵州 | 4565.85 | 853.39 | 1102.99 | 857.55 | 578.33 | 1395.28 | 1331.43 | 311.57 |
云南 | 4802.26 | 1127.95 | 827.84 | 570.46 | 822.41 | 1905.86 | 1350.65 | 381.38 |
西藏 | 5184.18 | 873.83 | 781.12 | 428.03 | 424.10 | 1278.00 | 514.44 | 527.74 |
陕西 | 5040.47 | 1224.95 | 1193.81 | 914.26 | 1100.51 | 1502.44 | 1857.60 | 500.42 |
甘肃 | 4182.47 | 1049.68 | 1139.85 | 660.48 | 874.05 | 1289.80 | 1158.30 | 413.37 |
青海 | 4260.27 | 1026.26 | 1055.15 | 723.23 | 854.25 | 1293.45 | 967.90 | 406.93 |
宁夏 | 4483.44 | 1265.75 | 1247.14 | 885.36 | 978.12 | 1637.61 | 1441.18 | 521.47 |
新疆 | 4537.46 | 1209.04 | 888.16 | 791.43 | 912.99 | 1377.67 | 1122.18 | 493.56 |
单位:元
——资料来源:2012年《中国统计年鉴》
运用R对表1数据进行Q型聚类分析。
得到聚类图如下
从上图可以看出
a) 如果根据各地区城镇居民人均全年消费状况把31各地区分为2类,结果为:
第一类:上海
第二类:其他地区
这样分类不能突出城市之间的差距,只能说明上海市经济在我国最为发达。
b) 如果根据各地区城镇居民人均全年消费状况把31各地区分为3类,结果为:
第一类:上海
第二类:北京,天津,浙江,广东,江苏,福建、内蒙古
第三类:其他地区
这样分类只显示了经济较为发达地区,而没有对其他地区进行细分。
c) 如果根据各地区城镇居民人均全年消费状况把31各地区分为5类,结果为:
第一类:上海
第二类:西藏
第三类:其他地区
第四类:内蒙古
第五类:北京,天津,浙江,广东,江苏,福建。
上海是国际大都市,经济最为发达。西藏有其特殊的政治背景和特殊的地理位置。内蒙古位于我国北部边疆,地理位置较为特殊,故独自归为一类。北京,天津,浙江,广东,江苏,福建这些城市经济都比较发达,人均消费性支出高。这样分类较为合理。
(1)计算相关矩阵:
x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 | |
x1 | 1 | 0.359 | 0.735 | 0.784 | 0.383 | 0.874 | 0.827 | 0.826 |
x2 | 0.359 | 1 | 0.39 | 0.603 | 0.734 | 0.489 | 0.578 | 0.648 |
x3 | 0.735 | 0.39 | 1 | 0.829 | 0.583 | 0.807 | 0.802 | 0.784 |
x4 | 0.784 | 0.603 | 0.829 | 1 | 0.57 | 0.83 | 0.904 | 0.854 |
x5 | 0.383 | 0.734 | 0.583 | 0.57 | 1 | 0.537 | 0.623 | 0.623 |
x6 | 0.874 | 0.489 | 0.807 | 0.83 | 0.537 | 1 | 0.892 | 0.828 |
x7 | 0.827 | 0.578 | 0.802 | 0.904 | 0.623 | 0.892 | 1 | 0.853 |
x8 | 0.826 | 0.648 | 0.784 | 0.854 | 0.623 | 0.828 | 0.853 | 1 |
(2)求相关矩阵的特征值
Comp.1 | Comp.2 | Comp.3 | Comp.4 | Comp.5 | Comp.6 | Comp.7 | Comp.8 | |
主成分的标准差 | 2.441 | 1.006 | 0.616 | 0.477 | 0.414 | 0.343 | 0.283 | 0.236 |
特征值 | 5.957 | 1.012 | 0.379 | 0.227 | 0.1715 | 0.118 | 0.0803 | 0.0555 |
方差贡献率 | 0.745 | 0.126 | 0.047 | 0.028 | 0.021 | 0.015 | 0.01 | 0.007 |
方差累计贡献率 | 0.745 | 0.871 | 0.918 | 0.947 | 0.968 | 0.983 | 0.993 | 1 |
(3)确定主成分
由所得结果可以看出前两个特征值的累计贡献率已达到87.1%,这说明前两个主成分已基本包含了全部指标具有的信息。因此,我们提取2个特征值。
碎石图
碎石图表现出从第三个主成分开始折线变得平坦,这与提取两个主成分相符。
(4)主成分得分
Comp.1 | Comp.2 | Comp.3 | Comp.4 | Comp.5 | Comp.6 | Comp.7 | Comp.8 | |
北京 | -5.579 | -0.765 | -0.549 | -0.1299 | -0.4656 | 0.24 | -0.172 | -0.1896 |
天津 | -2.971 | -0.323 | -1.033 | -0.7241 | 0.51763 | 0.2143 | 0.2199 | -0.3201 |
河北 | 1.5422 | -0.243 | -0.983 | 0.32017 | -0.0597 | -0.195 | -0.149 | -0.0974 |
山西 | 1.577 | -0.292 | -0.564 | 0.72531 | -0.2152 | -0.219 | -0.512 | 0.0942 |
内蒙古 | -1.792 | -2.344 | 0.5618 | 0.53254 | 0.3647 | -0.311 | 0.0813 | -0.0086 |
辽宁 | -0.516 | -0.909 | -0.461 | -0.3777 | 0.35779 | 0.1466 | 0.0191 | -0.1164 |
吉林 | 0.3748 | -1.036 | -0.794 | 0.23416 | 0.37148 | -0.122 | -0.238 | 0.1923 |
黑龙江 | 1.3295 | -1.031 | -0.461 | -0.289 | 0.27707 | 0.0952 | -0.053 | -0.0066 |
上海 | -7.463 | 1.3955 | 0.635 | 0.5405 | 0.77912 | 0.4265 | -0.365 | 0.12029 |
江苏 | -1.44 | 0.0623 | 0.9172 | 0.01831 | -0.8051 | 0.7406 | -0.182 | 0.19461 |
浙江 | -3.792 | -0.493 | 0.6792 | -1.1665 | -0.622 | -0.687 | -0.174 | 0.19153 |
安徽 | 0.99 | 0.5372 | -0.872 | -0.1703 | 0.35798 | 0.2013 | 0.0227 | 0.79671 |
福建 | -1.346 | 1.3583 | 0.2285 | 0.45752 | 0.26466 | -0.355 | 0.335 | 0.06211 |
江西 | 1.8816 | 0.7425 | 0.3598 | 0.63732 | -0.2401 | 0.3163 | -5E-04 | 0.0459 |
山东 | -0.367 | -0.619 | 0.0538 | 0.58858 | -0.0965 | -0.904 | 0.1602 | 0.09452 |
河南 | 1.0431 | -0.751 | 0.3036 | 0.45981 | -0.2018 | 0.1002 | -0.134 | -0.3724 |
湖北 | 1.1009 | -0.376 | 0.232 | -0.1313 | -0.2301 | 0.1236 | 0.6762 | 0.4797 |
湖南 | 0.7544 | 0.4164 | 0.1027 | 0.30695 | -0.337 | -0.302 | 0.0373 | -0.0402 |
广东 | -3.6 | 2.1676 | -0.515 | -0.0052 | -0.2854 | -0.506 | 0.1066 | -0.1029 |
广西 | 1.3763 | 1.2983 | -0.459 | -0.1326 | -0.5897 | 0.0813 | -0.007 | -0.2868 |
海南 | 1.7265 | 1.8193 | -0.89 | -0.6272 | 0.08951 | 0.0594 | 0.3031 | -0.1601 |
重庆 | -0.383 | -0.998 | 0.7091 | 0.04148 | 0.11765 | 0.0935 | 0.8738 | -0.0986 |
四川 | 0.653 | 0.7267 | 0.5472 | 0.3385 | 0.18549 | 0.0782 | 0.2829 | -0.2344 |
贵州 | 2.3654 | 1.1632 | 0.1849 | 0.54352 | -0.4274 | 0.1686 | -0.021 | -0.0056 |
云南 | 2.0057 | -0.133 | 0.7184 | -0.9759 | -0.4657 | -0.219 | -0.297 | 0.05263 |
西藏 | 3.4519 | 1.2807 | 1.352 | -0.6567 | 1.08497 | -0.217 | -0.351 | -0.0085 |
陕西 | 0.3037 | -0.742 | -0.174 | -0.1923 | -0.2396 | 0.6449 | 0.0633 | 0.17984 |
甘肃 | 2.103 | -0.273 | -0.277 | -0.0813 | 0.14483 | 0.0103 | -0.231 | 0.13856 |
青海 | 2.2551 | -0.195 | -0.096 | -0.0546 | 0.16702 | 0.0739 | -0.07 | -0.2163 |
宁夏 | 0.6999 | -0.709 | -0.054 | 0.19828 | 0.06385 | -0.056 | -0.14 | -0.036 |
新疆 | 1.7164 | -0.737 | 0.5964 | -0.2284 | 0.13717 | 0.279 | -0.084 | -0.3426 |
(5)计算综合得分和各地区排名
根据加权法计算出的综合得分,其计算公式如下:
得出各地区主成分得分及排名如下:
Comp.1 | Comp.2 | C | 排名 | |
北京 | -5.57946 | -0.76519 | -4.88048 | 2 |
天津 | -2.97113 | -0.32325 | -0.58668 | 8 |
河北 | 1.54222 | -0.24295 | 1.283032 | 21 |
山西 | 1.576995 | -0.29221 | 1.305605 | 22 |
内蒙古 | -1.79205 | -2.34353 | -1.87212 | 5 |
辽宁 | -0.51622 | -0.90853 | -0.57318 | 13 |
吉林 | 0.374841 | -1.03615 | 0.169978 | 9 |
黑龙江 | 1.329501 | -1.03087 | 0.986799 | 20 |
上海 | -7.46273 | 1.39549 | -6.1766 | 1 |
江苏 | -1.44028 | 0.06235 | -1.22211 | 6 |
浙江 | -3.7915 | -0.49283 | -3.31257 | 3 |
安徽 | 0.990036 | 0.537194 | 0.924288 | 19 |
福建 | -1.34641 | 1.358265 | -0.95372 | 7 |
江西 | 1.881636 | 0.742454 | 1.716238 | 26 |
山东 | -0.36729 | -0.61897 | -0.40383 | 11 |
河南 | 1.043103 | -0.75061 | 0.782675 | 17 |
湖北 | 1.100941 | -0.376 | 0.886504 | 18 |
湖南 | 0.754378 | 0.41636 | 0.705301 | 16 |
广东 | -3.59994 | 2.16758 | -2.76255 | 4 |
广西 | 1.376258 | 1.298305 | 1.36494 | 24 |
海南 | 1.726491 | 1.819287 | -0.47273 | 27 |
重庆 | -0.38348 | -0.99818 | 1.739964 | 10 |
四川 | 0.652956 | 0.726721 | 0.663666 | 15 |
贵州 | 2.365351 | 1.163187 | 2.190809 | 30 |
云南 | 2.005742 | -0.13302 | 1.695215 | 25 |
西藏 | 3.451924 | 1.280706 | 3.136685 | 31 |
陕西 | 0.303669 | -0.7417 | 0.151892 | 12 |
甘肃 | 2.102971 | -0.27298 | 1.758007 | 28 |
青海 | 2.255122 | -0.19533 | 1.899341 | 29 |
宁夏 | 0.699938 | -0.70867 | 0.495422 | 14 |
新疆 | 1.716422 | -0.73694 | 1.360218 | 23 |
由所得排名可以看出排名第一的是上海,第二是北京,第三是浙江。排名后三位的是青海,贵州,西藏
上海、北京、浙江等地区城镇居民消费性支出较高,这应该与这些地区的经济水平较为发达相关。
青海、贵州、西藏等地区城镇居民消费性支出偏低,这应该与这些地区经济水平较为落后相关,而经济水平落后则与当地的地理位置,人口密集度等相关。
其他消费性支出较为靠前的地区集中于我国东南部沿海地区,而我国中西部地区消费性支出中游偏下。
2010年通过主成分分析得到排名结果如下【2】
省市 | Z | 排名 | 省市 | Z | 排名 | 省市 | Z | 排名 |
上海 | 32.445 | 1 | 吉林 | 0.277 | 12 | 山西 | -6.387 | 23 |
北京 | 22.165 | 2 | 宁夏 | -1.778 | 13 | 新疆 | -6.542 | 24 |
广东 | 14.099 | 3 | 陕西 | -2.14 | 14 | 甘肃 | -7.241 | 25 |
天津 | 11.732 | 4 | 四川 | -2.675 | 15 | 江西 | -7.325 | 26 |
浙江 | 11.623 | 5 | 湖南 | -2.689 | 16 | 云南 | -8.852 | 27 |
内蒙古 | 7.628 | 6 | 河南 | -3.256 | 17 | 海南 | -9.088 | 28 |
江苏 | 3.832 | 7 | 安徽 | -3.634 | 18 | 贵州 | -9.214 | 29 |
辽宁 | 3.122 | 8 | 河北 | -4.394 | 19 | 青海 | -9.292 | 30 |
福建 | 2.647 | 9 | 湖北 | -4.765 | 20 | 西藏 | -12.407 | 31 |
重庆 | 1.289 | 10 | 黑龙江 | -5.027 | 21 |
|
|
|
山东 | 1.07 | 11 | 广西 | -5.225 | 22 |
|
|
|
2011年排名结果如下
| Comp.1 | Comp.2 | C | 排名 |
上海 | -7.46273 | 1.39549 | -6.1766 | 1 |
北京 | -5.57946 | -0.76519 | -4.88048 | 2 |
浙江 | -3.7915 | -0.49283 | -3.31257 | 3 |
广东 | -3.59994 | 2.16758 | -2.76255 | 4 |
内蒙古 | -1.79205 | -2.34353 | -1.87212 | 5 |
江苏 | -1.44028 | 0.06235 | -1.22211 | 6 |
福建 | -1.34641 | 1.358265 | -0.95372 | 7 |
天津 | -2.97113 | -0.32325 | -0.58668 | 8 |
吉林 | 0.374841 | -1.03615 | 0.169978 | 9 |
重庆 | -0.38348 | -0.99818 | 1.739964 | 10 |
山东 | -0.36729 | -0.61897 | -0.40383 | 11 |
陕西 | 0.303669 | -0.7417 | 0.151892 | 12 |
辽宁 | -0.51622 | -0.90853 | -0.57318 | 13 |
宁夏 | 0.699938 | -0.70867 | 0.495422 | 14 |
四川 | 0.652956 | 0.726721 | 0.663666 | 15 |
湖南 | 0.754378 | 0.41636 | 0.705301 | 16 |
河南 | 1.043103 | -0.75061 | 0.782675 | 17 |
湖北 | 1.100941 | -0.376 | 0.886504 | 18 |
安徽 | 0.990036 | 0.537194 | 0.924288 | 19 |
黑龙江 | 1.329501 | -1.03087 | 0.986799 | 20 |
河北 | 1.54222 | -0.24295 | 1.283032 | 21 |
山西 | 1.576995 | -0.29221 | 1.305605 | 22 |
新疆 | 1.716422 | -0.73694 | 1.360218 | 23 |
广西 | 1.376258 | 1.298305 | 1.36494 | 24 |
云南 | 2.005742 | -0.13302 | 1.695215 | 25 |
江西 | 1.881636 | 0.742454 | 1.716238 | 26 |
海南 | 1.726491 | 1.819287 | -0.47273 | 27 |
甘肃 | 2.102971 | -0.27298 | 1.758007 | 28 |
青海 | 2.255122 | -0.19533 | 1.899341 | 29 |
贵州 | 2.365351 | 1.163187 | 2.190809 | 30 |
西藏 | 3.451924 | 1.280706 | 3.136685 | 31 |
同样以衣着和食品为两个主要成分排名,比较2010年与2011年的结果,2011年浙江省名次跃居第三,内蒙古,江苏,福建的排名也有所上升,而排名靠后的地区大致没有变化。说明经济发达的地区,经济速度飞快,在不断发展,且地区之间的竞争激烈。而经济相对较落后的地区发展速度缓慢。我国应该注重这些相对较落后地区,通过相应政策刺激这些地区的消费,进而拉动经济。
从聚类分析,主成分分析的分析结果看,尽管不同的分析方法所得的结果不同,但是上海、北京、天津、浙江、广东的城镇居民人均消费性支出都处于较高位置,而青海、甘肃、西藏的人均消费性支出处于低位。对比前一年的排名结果可知,我国各地区的人均消费性支出排名总体没有太大差异,北京、上海、浙江、广东依旧名列前茅,而青海、西藏、贵州等地依旧落后于其他地区。城镇居民的人均消费性支出直接反应地区的经济发展水平。消费拉动经济,促进消费,改善消费结构的关键在于提高居民的收入。其中教育文化消费在消费中占据很大的比例,要鼓励居民学习,引导居民正确的消费观,构建学习型社会,创造财富,拉动消费。我国应该采取相应政策,刺激消费,缩小地区间差距。
[1] 2012年中国统计年鉴
[2]
聚类分析
> one<-read.csv("E://11.csv")
> x1<-one[,2]
> x1
[1] 6905.51 6663.31 3927.26 3558.04 4962.40 5254.96 4252.85
[8] 4348.45 8905.95 6060.91 7066.22 5246.76 6534.94 4675.16
[15] 4827.61 4212.76 5363.68 4943.89 7471.88 5074.49 5673.65
[22] 5847.90 5571.69 4565.85 4802.26 5184.18 5040.47 4182.47
[29] 4260.27 4483.44 4537.46
> x2<-one[,3]
> x3<-one[,4]
> x4<-one[,5]
> x5<-one[,6]
> x6<-one[,7]
> x7<-one[,8]
> x8<-one[,9]
> X<-data.frame(x1,x2,x3,x4,x5,x6,x7,x8)
> d<-dist(scale(X))
> hc1<-hclust(d,'average')
> opar<-par(mfrow=c(2,1),mar=c(5.2,4,0,0))
> plclust(hc1,hang=-1);re1<-rect.hclust(hc1,k=5,border='red')
> par(opar)
主成分分析
> one<-read.csv("E://11.csv")
> x1<-one[,2]
> x1
[1] 6905.51 6663.31 3927.26 3558.04 4962.40 5254.96 4252.85 4348.45 8905.95 6060.91 7066.22 5246.76
[13] 6534.94 4675.16 4827.61 4212.76 5363.68 4943.89 7471.88 5074.49 5673.65 5847.90 5571.69 4565.85
[25] 4802.26 5184.18 5040.47 4182.47 4260.27 4483.44 4537.46
> x2<-one[,3]
> x3<-one[,4]
> x4<-one[,5]
> x5<-one[,6]
> x6<-one[,7]
> x7<-one[,8]
> x8<-one[,9]
> X<-data.frame(x1,x2,x3,x4,x5,x6,x7,x8)
计算相关矩阵:
> cor(X)
)求相关矩阵的特征值和主成分负荷
> PCA=princomp(X,cor=T)
> PCA
> PCA$loadings
确定主成分
> X.pr<-princomp(X,cor=T)
> summary(X.pr,loadings=T)
画碎石图
> screeplot(PCA,type='lines')
主成分得分
> PCA$scores
本文来源:https://www.2haoxitong.net/k/doc/51e7dc4416791711cc7931b765ce050877327516.html
文档为doc格式