主成分分析在顧客滿意度研究中的應(yīng)用ppt課件

1、主成分分析在顧客稱心度研討中的運用報告人：李園 2005.11.12主成分分析相關(guān)實際 根本原理 普通算法 主成分分析與因子分析的比較PCA根本原理 主成分分析是調(diào)查多個變量間相關(guān)性的一種多元統(tǒng)計方法。它是研討如何經(jīng)過少數(shù)幾個主分量來解釋多個變量間的內(nèi)部構(gòu)造。可歸結(jié)為：數(shù)據(jù)的緊縮，數(shù)據(jù)的解釋。 它常被用來尋覓判別某種事物或景象的綜合目的，并且給綜合目的所包含的信息以適宜的解釋，從而更加深化的提示事物的內(nèi)在規(guī)律。 PCA根本原理 降維處置的中心思想：省略變異不大的變量方向。 分析過程：對原坐標進展平移和旋轉(zhuǎn)變換，使新坐標的原點與數(shù)據(jù)群點的重心重合，新坐標第一軸與數(shù)據(jù)變異的最大方向?qū)?yīng)，新坐標第二

2、軸與第一軸規(guī)范正交，并對應(yīng)于數(shù)據(jù)變異的第二大方向，依次類推。PCA根本原理 主成分評價：當存在多重共線性時，用主成分分析進展信息的濃縮，并處理權(quán)重確實定等問題。 主成分回歸：在線性回歸模型中，采用最小二乘法求回歸系數(shù)，但存在多重共線性時，最小二乘法不理想，用主成分替代原目的，可以抑制“估計不穩(wěn)定的缺陷，雖然主成分估計不是無偏估計。PCA普通算法 對原來的p個目的進展規(guī)范化，以消除變量在數(shù)量級或量綱上的影響。 根據(jù)規(guī)范化后的數(shù)據(jù)矩陣求出協(xié)方差或相關(guān)陣。 求出協(xié)方差矩陣的特征根和特征向量。 確定主成分，結(jié)合專業(yè)知識給各主成分所蘊含的信息給予適當?shù)慕忉尅CA的解釋 特征根：被看成是主成分影響力度的

3、目的，代表引入該主成分后可以解釋平均多少原始變量的信息。 主成分的方差奉獻率：闡明主成分的方差在全部方差中的比重。這個值越大，闡明主成分綜合信息的才干越強。PCA的檢驗有兩種統(tǒng)計方法調(diào)查主成分分析與數(shù)據(jù)之間的順應(yīng)程度來確定分析的有效性：巴利特Bartlett球體檢驗法：統(tǒng)計量從檢驗整個相關(guān)矩陣出發(fā)，其零假設(shè)為相關(guān)矩陣是單位陣，各變量之間彼此獨立。假設(shè)不能回絕該假設(shè)的話，應(yīng)該重新思索因子分析的運用。其統(tǒng)計量根據(jù)相關(guān)矩陣行列式的卡方轉(zhuǎn)換求得。 KMOKaiser Meyer Olkin丈量法：從比較觀測變量之間的簡單相關(guān)系數(shù)和偏相關(guān)系數(shù)的相對大小出發(fā)，其值的變化范圍從0到1。 PCA與FA的比較

4、主成分分析是將主分量表示為原觀測變量的線性組合；因子分析是將原觀測變量表示為新因子的線性組合，其系數(shù)是因子載荷。 主成分分析的因變量方差最大化，且不旋轉(zhuǎn)；因子分析中因子方差為1，且可對因子進展方差最大化旋轉(zhuǎn)，正交旋轉(zhuǎn)等。 主成分分析只需求所提取出的主成分能包含主要信息即可，不需對其含義作準確解釋；因子分析要求所提取出的因子有實踐含義，假設(shè)未到達此目的，需作旋轉(zhuǎn)以改動信息量在不同因子上的分布。PCA與FA的比較 主成分分析是從解釋變量方差的角度出發(fā)，假設(shè)變量的方差能完全被主成分所解釋；因子分析是從解釋變量之間的相關(guān)關(guān)系出發(fā)，假設(shè)察看變量之間的相關(guān)關(guān)系能完全被公因子解釋，變量的方差不一定完全被公因

5、子解釋。 在SPSS中，用初始因子載荷陣component matrix確定主成分個數(shù)和主成分表達式；用旋轉(zhuǎn)后因子載荷陣rotated component matrix確定因子個數(shù)，用因子系數(shù)矩陣component score coefficient matrix 確定表達式。PCA在CS中的運用 在丈量顧客稱心度時，我們普通分為三級目的，第一級是顧客稱心度，第二級是潛變量，第三級是觀測變量。通常需求用多個觀測變量來衡量一個潛變量，又由于這些觀測變量具有多重共線性，所以用到主成分分析，用第一主成分來表征潛變量。 這里需求指出的是不要采用因子分析，因子分析是數(shù)據(jù)驅(qū)動的方法，不能很好的反映顧客視角

6、PCA在CS中的運用 基于顧客視角設(shè)計調(diào)查詢卷，即在調(diào)查前已獲得初步的CS目的體系，并對問卷進展信度檢驗克蘭巴哈系數(shù)； 經(jīng)過主成分分析獲得潛變量，此時潛變量為第一主成分并進展有效性檢驗：巴利特Bartlett球體檢驗法和 KMO丈量法 ； 將潛變量進展相關(guān)性檢驗Pearson 系數(shù)，再對顧客稱心度回歸。PCA在CE中的運用 在計算顧客價值時，模擬顧客購買行為用到馬爾可夫轉(zhuǎn)移矩陣，其轉(zhuǎn)移概率由 期望成效獲得。期望成效也是一個潛變量，由假設(shè)干可觀測的驅(qū)動要素構(gòu)成，這時也可以用主成分分析來估計期望成效。 首先調(diào)查各驅(qū)動要素的成效，由PCA獲得第一主成分F，然后用最大方差旋轉(zhuǎn)得到期望成效U?？偨Y(jié) 主成