-
Stata
命令
1
主成分估计
Stata
可以通过变量进行主成分分析，
也可以直接通过相
关系数矩阵或协方
差矩阵进行。
（<
/p>
1
）
sysuse
auto,clear
pca trunk weight length
headroom
pca trunk weight length
headroom, comp(2) covariance
（
2
）
webuse
bg2,clear
pca bg2cost*, vce(normal)
2 Estat
estat
给出了几个非常有用的工具，包括
KMO
、<
/p>
SMC
等指标。
Kaiser-Meyer-Olkin
（
KMO
）
，
是用于测量变量之间相
关关系的强弱的重要指
标，
是通过比较两个变量的相关系数与偏
相关系数得到的。
KMO
介于
0
于
1
之间。
KMO<
/p>
越高，
表明变量的共性越强。
如果偏相关
系数相对于相关系数比较高，
则
KMO
比较低，主成分分析不能起到很好的数据约化效果。根据
Kaiser
< br>（
1974
）
，一般
的判断标准如下：
0.00-0.49,
不能接受
（
unacceptable
）
;0.
50-0.59,
非常差
（
miser
able
）
；
0.60-0.69
，勉强接受（
mediocre
）
；
0.70-0.79,
可以接受
（
middling
）
；<
/p>
0.80-0.89
，
比较好
（
meritorious
）
；
0.90-1.00,
非常好
（
marvelous
）
。
SMC
即一个变量与其他所有变量的复相关系数的
平方，
也就是复回归方程的
可决系数。
SMC
比较高表明变量的线性关系越强，共性越强，主成分分析就越合
< br>适。
根据
KMO
越高，
表明变量的共性越强和
SMC
比较高表明变量的线性关系越强，
共性越强，主成分分析就越合适。
webuse bg2,clear
pca
bg2cost*, vce(normal)
estat anti
estat kmo
estat loadings
estat residuals
estat smc
estat summarize
3
预测
Stata
可以通过
predict
预测变量得分、拟合值和残差等。
webuse bg2,clear
pca bg2cost*, vce(normal)
predict score fit residual q
< br>（备注：
q
代表残差的平方和）
4
碎石图
碎石图是判断保留多少个主成分的重要方法。命令为
screeplot
。
webuse bg2,clear
pca bg2cost*, vce(normal)
screeplot