主成分法分析股票市场流动性
如何分析股票流动性？
更要命的是，股票的停牌是不会提前预告的，经历过停牌的股民应该知道，股票公告都是在停牌同时发布的，往往是今天白天还在正常交易，晚上就发布公告，明天开始停牌。
也就是说投资者没有得到任何的预警，就“被停牌”了。
而且什么时候复牌是个未知数。
从这个角度看，股票并不是散户投资的合适目标，因为流动性并不能得到足够的保障。
反过来看，市场内基金在流动性上的表现越来越强， ETF和分级基金子份额，流动性已经明显超越了股票，单从停牌这件事情来看，ETF几乎不会停牌，而分级基金停牌折算时间需要一天半的工作日，这个时间往往可以预期，基金公司也有预警公告。
散户完全有时间作出持有或者退出的选择。
求助,求主成分分析法中各主成分得分及综合得分
1 输入数据。
2 点Analyze 下拉菜单，选Data Reduction 下的Factor 。
3 打开Factor Analysis后，将数据变量逐个选中进入Variables 对话框中。
4 单击主对话框中的Descriptive按扭，打开Factor Analysis: Descriptives子对话框，在Statistics栏中选择Univariate Descriptives项要求输出个变量的均值与标准差，在Correlation Matrix 栏内选择Coefficients项，要求计算相关系数矩阵，单击Continue按钮返回Factor Analysis主对话框。
5 单击主对话框中的Extraction 按钮，打开如下图所示的Factor Analysis: Extraction 子对话框。
在Method列表中选择默认因子抽取方法——Principal Components，在Analyze 栏中选择默认的Correlation Matrix 项要求从相关系数矩阵出发求解主成分，在Exact 栏中选择Number of Factors;6， 要求显示所有主成分的得分和所能解释的方差。
单击Continue按钮返回Factor Analysis主对话框。
6 单击主对话框中的OK 按钮，输出结果。
主成分分析法与熵值法的区别
主成分分析和因子分析有十大区别：1.原理不同主成分分析基本原理：利用降维（线性变换）的思想，在损失很少信息的前提下把多个指标转化为几个不相关的综合指标（主成分），即每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，使得主成分比原始变量具有某些更优越的性能（主成分必须保留原始变量90%以上的信息），从而达到简化系统结构，抓住问题实质的目的。
因子分析基本原理：利用降维的思想，由研究原始变量相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量表示成少数的公共因子和仅对某一个变量有作用的特殊因子线性组合而成。
就是要从数据中提取对变量起解释作用的少数公共因子（因子分析是主成分的推广，相对于主成分分析，更倾向于描述原始变量之间的相关关系）2.线性表示方向不同因子分析是把变量表示成各公因子的线性组合；而主成分分析中则是把主成分表示成各变量的线性组合。
3.假设条件不同主成分分析：不需要有假设（assumptions），因子分析：需要一些假设。
因子分析的假设包括：各个共同因子之间不相关，特殊因子（specificfactor）之间也不相关，共同因子和特殊因子之间也不相关。
4.求解方法不同求解主成分的方法：从协方差阵出发（协方差阵已知），从相关阵出发（相关阵R已知），采用的方法只有主成分法。
（实际研究中，总体协方差阵与相关阵是未知的，必须通过样本数据来估计）注意事项：由协方差阵出发与由相关阵出发求解主成分所得结果不一致时，要恰当的选取某一种方法；一般当变量单位相同或者变量在同一数量等级的情况下，可以直接采用协方差阵进行计算；对于度量单位不同的指标或是取值范围彼此差异非常大的指标，应考虑将数据标准化，再由协方差阵求主成分；实际应用中应该尽可能的避免标准化，因为在标准化的过程中会抹杀一部分原本刻画变量之间离散程度差异的信息。
此外，最理想的情况是主成分分析前的变量之间相关性高，且变量之间不存在多重共线性问题（会出现最小特征根接近0的情况）；求解因子载荷的方法：主成分法，主轴因子法，极大似然法，最小二乘法，a因子提取法。
5.主成分和因子的变化不同主成分分析：当给定的协方差矩阵或者相关矩阵的特征值唯一时，主成分一般是固定的独特的；因子分析：因子不是固定的，可以旋转得到不同的因子。
6.因子数量与主成分的数量主成分分析：主成分的数量是一定的，一般有几个变量就有几个主成分（只是主成分所解释的信息量不等），实际应用时会根据碎石图提取前几个主要的主成分。
因子分析：因子个数需要分析者指定（SPSS和sas根据一定的条件自动设定，只要是特征值大于1的因子主可进入分析），指定的因子数量不同而结果也不同；7.解释重点不同：主成分分析：重点在于解释个变量的总方差，因子分析：则把重点放在解释各变量之间的协方差。
8.算法上的不同：主成分分析：协方差矩阵的对角元素是变量的方差；因子分析：所采用的协方差矩阵的对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）9.优点不同：因子分析：对于因子分析，可以使用旋转技术，使得因子更好的得到解释，因此在解释主成分方面因子分析更占优势；其次因子分析不是对原有变量的取舍，而是根据原始变量的信息进行重新组合，找出影响变量的共同因子，化简数据；主成分分析：第一：如果仅仅想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析，不过一般情况下也可以使用因子分析；第二：通过计算综合主成分函数得分，对客观经济现象进行科学评价；第三：它在应用上侧重于信息贡献影响力综合评价。
第四：应用范围广，主成分分析不要求数据来自正态分布总体，其技术来源是矩阵运算的技术以及矩阵对角化和矩阵的谱分解技术，因而凡是涉及多维度问题，都可以应用主成分降维；10.应用场景不同：主成分分析：可以用于系统运营状态做出评估，一般是将多个指标综合成一个变量，即将多维问题降维至一维，这样才能方便排序评估；此外还可以应用于经济效益、经济发展水平、经济发展竞争力、生活水平、生活质量的评价研究上；主成分还可以用于和回归分析相结合，进行主成分回归分析，甚至可以利用主成分分析进行挑选变量，选择少数变量再进行进一步的研究。
一般情况下主成分用于探索性分析，很少单独使用，用主成分来分析数据，可以让我们对数据有一个大致的了解。
因子分析法如何确定主成分及各个指标的权重？
展开全部 在SPSS中，主成分分析是通过设置因子分析中的抽取方法实现的，如果设置的抽取方法是主成分，那么计算的就是主成分得分，另外，因子分析和主成分分析尽管原理不同，但是两者综合得分的计算方法是一致的。
确定数据的权重也是进行数据分析的重要前提。
可以利用SPSS的因子分析方法来确定权重。
主要步骤是： （1）首先将数据标准化，这是考虑到不同数据间的量纲不一致，因而必须要无量纲化。
（2）对标准化后的数据进行因子分析（主成分方法），使用方差最大化旋转。
（3）写出主因子得分和每个主因子的方程贡献率。
Fj =β1j*X1 +β2j*X2 +β3j*X3 + ……+ βnj*Xn ; Fj 为主成分（j=1、2、……、m）,X1、X2 、X3 、……、Xn 为各个指标，β1j、β2j、β3j、……、βnj为各指标在主成分Fj 中的系数得分，用ej表示Fj的方程贡献率。
（4）求出指标权重。
ωi=[(m∑j)βij*ej]/[(n∑i)(m∑j)βij*ej]，ωi就是指标Xi的权重。
因子分析应用在评价指标权重确定中，通过主成分分析法得到的各指标的公因子方差，其值大小表示该项指标对总体变异的贡献，通过计算各个公因子方差占公因子方差总和的百分数。
...
根据主成分综合模型怎么计算综合主成分值,成分得分系数矩阵是不是...
展开全部 用SPSS做主成分分析时，因为软件只有因子分析，所以对求出来的因子系数矩阵要进行计算得到相应的主成分系数。
具体步骤是用每一列的因子除以相对应的特征值的开方（在spss下的transform—computevariable进行计算就可以）。
求出主成分系数后，乘以标准化后的原始数据（spss中的描述性统计分析就可以做到），得到的就是主成分矩阵。
至于你问的综合主成分计算，是最后一步了，用主成分矩阵乘以相应方差贡献率就是综合主成分值了。
你可能是把主成分分析和因子分析混淆了，因为只有因子分析才涉及到因子得分系数矩阵，不过其实很多人都会混了，因为两种方法实在是太像了，主成分可能用SPSS计算相对麻烦，因子分析还好。
不过具体问题具体分析。
如果你会SAS那就方便多了，编程自己需要的程序，但是需要一定基础。
...
【）定量】主成分分析法和定性定量分析有什么关系
简单的说就是 定性-- 是什么物质 用文字语言进行相关描述 定量-- 每种物质的含量 用数学语言进行描述 具体说 定性分析与定量分析应该是统一的，相互补充的；； 定性分析是定量分析的基本前提，没有定性的定量是一种盲目的、毫无价值的定量；； 定量分析使之定性更加科学、准确，它可以促使定性分析得出广泛而深入的结论 定量分析是依据统计数据，建立数学模型，并用数学模型计算出分析对象的各项指标及其数值的一种方法。
定性分析则是主要凭分析者的直觉、经验，凭分析对象过去和现在的延续状况及最新的信息资料，对分析对象的性质、特点、发展变化规律作出判断的一种方法。
相比而言，前一种方法更加科学，但需要较高深的数学知识，而后一种方法虽然较为粗糙，但在数据资料不够充分或分析者数学基础较为薄弱时比较适用，更适合于一般的投资者与经济工作者。
因此，本章以后几节所做的分析基本上以定性分析为主。
但是必须指出，两种分析方法对数学知识的要求虽然有高有低，但并不能就此把定性分析与定量分析截然划分开来。
事实上，现代定性分析方法同样要采用数学工具进行计算，而定量分析则必须建立在定性预测基础上，二者相辅相成，定性是定量的依据，定量是定性的具体化，二者结合起来灵活运用才能取得最佳效果。
不同的分析方法各有其不同的特点与性能，但是都具有一个共同之处，即它们一般都是通过比较对照来分析问题和说明问题的。
正是通过对各种指标的比较或不同时期同一指标的对照才反映出数量的多少、质量的优劣、效率的高低、消耗的大小、发展速度的快慢等等，才能为作鉴别、下判断提供确凿有据的信息。
应用： 在证据法学研究中，定性分析方法和定量分析方法各有长处，可以相辅相成。
但是由于我国证据法学的研究人员比较熟悉定性分析方法，所以有必要特别强调定量分析方法的功能和重要性。
例如，我们不仅要分析某个证据规则是好还是不好，而且要分析其利弊比例……等等 专利分析法分为定量分析和定性分析两种。
定量分析即对专利文献的外部特征（专利文献的各种著录项目）按照一定的指标（如专利数量）进行统计，并对有关的数据进行解释和分析。
定性分析是以专利的内容为对象，按技术特征归并专利文献，使之有序化的分析过程。
通常情况下需要将二者结合才能达到较好的效果。
主成分分析和层次分析法的区别和联系
展开全部 主成分分析法和层次分析法异同1.基于相关性分析的指标筛选原理两个指标之间的相关系数，反映了两个指标之间的相关性。
相关系数越大，两个指标反映的信息相关性就越高。
而为了使评价指标体系简洁有效，就需要避免指标反映信息重复。
通过计算同一准则层中各个评价指标之间的相关系数，删除相关系数较大的指标，避免了评价指标所反映的信息重复。
通过相关性分析，简化了指标体系，保证了指标体系的简洁有效。
2.基于主成分分析的指标筛选原理（1）因子载荷的原理通过对剩余多个指标进行主成分分析，得到每个指标的因子载荷。
因子载荷的绝对值小于等于1，而绝对值越是趋向于1，指标对评价结果越重要。
（2）基于主成分分析的指标筛选原理因子载荷反映指标对评价结果的影响程度，因子载荷绝对值越大表示指标对评价结果越重要，越应该保留；反之，越应该删除。
通过对相关性分析筛选后的指标进行主成分分析，得到每个指标的因子载荷，从而删除因子载荷小的指标，保证筛选出重要的指标。
3.相关性分析和主成分分析相同点一是，基于相关性分析的指标筛选和基于主成分分析的指标筛选，均是在准则层内进行指标的筛选处理，准则层之间不进行筛选。
这种做法的原因是，通过人为地划分不同准则层，反映评价事物不同层面的状况，避免误删反应信息不同的重要指标。
二是，基于相关性分析的指标筛选和基于主成分分析的指标筛选的思路，均是筛选出少量具有代表性的指标。
4.相关性分析和主成分分析不同点一是，两次筛选的目的不同：基于相关性分析的指标筛选的目的是删除反应信息冗余的评价指标。
基于主成分分析的指标筛选的目的是删除对评价结果影响较小的评价指标。
二是，两次筛选的作用不同：基于相关性分析的指标筛选的作用是保证蹄选出的评价指标体系简洁明快。
基于主成分分析的指标简选的目的是筛选出重要的指标。
...