简介：这份数理统计SPSS大作业资源聚焦主成分分析在经济指标评价中的完整应用，面向统计学、经济学等专业需要完成课程作业或数据分析实践的学生。资源以2019年北京、天津、河北等15个省市为样本，围绕GDP、人均GDP、农林牧渔总产值、第三产业增加值、社会消费品零售总额等九项指标展开降维分析，帮助读者理解如何从繁杂变量中提取主导因素并计算综合得分。压缩包内为1个doc文档，约821KB，内容涵盖研究背景、主成分分析原理、SPSS标准化与降维操作、KMO和巴特利球形度检验、总方差解释及结果解读等完整流程，可直接作为大作业参考模板或数据分析学习范例。目前已有2012人学习下载，适合希望掌握SPSS主成分分析实操、快速完成数理统计作业的读者借鉴使用。
1. 一份 SPSS 主成分分析大作业，到底能拿来干什么
如果你手头正躺着一份“数理统计 SPSS 大作业”的任务书，要求用主成分分析评价若干省市的经济指标，那这份资源就是冲着你来的。它完整走了一遍从数据标准化、KMO 检验、主成分提取到综合得分排序的全流程，数据来自公开统计年鉴，指标覆盖 GDP、人均 GDP、农林牧渔总产值、规模以上企业总资产、第三产业增加值、失业人员、固定投资增长率、社会消费品零售总额和地方财政收入共九项。适合谁？正在赶 SPSS 课程作业的本科生、需要快速复现主成分分析流程的初学者，以及想拿一份真实经济数据练手降维的从业者。它不教你数理统计的完整理论，但能让你在 SPSS 里把“降维—提权—打分—排序”这条链路跑通，并且知道每一步为什么这么点。
2. 主成分分析在 SPSS 里的落地逻辑：从九个指标到两个综合变量
2.1 为什么非得先做标准化
九个经济指标的单位完全不同：GDP 是亿元，人均 GDP 是元，固定投资增长率是百分比，失业人员是万人。如果不做标准化，量纲大的变量会在协方差矩阵里占绝对主导，主成分就变成“谁数字大谁说了算”，分析结论直接失真。SPSS 的【分析】→【描述统计】→【描述】里勾选“将标准化得分另存为变量（Z）”，本质是对每个指标做 Z-score 变换：减去均值再除以标准差。变换后所有变量均值为 0、标准差为 1，量纲被彻底抹平。
这一步的实操细节是：把九个原始变量全部拖进“变量”框，勾选“将标准化得分另存为变量”，点确定。数据视图里会新增九列以 Z 开头的变量。注意，标准化后的变量才是后续降维分析的输入，不要拿原始变量直接跑因子分析，否则 KMO 和载荷矩阵都会偏。
提示：如果原始数据里有缺失值，标准化之前先处理缺失，否则 Z 分数会按成列排除个案的方式被吞掉，样本量对不上。
2.2 KMO 和巴特利球形检验：数据够不够格做降维
主成分分析不是万能钥匙，变量之间得有足够的相关性才能降维。SPSS 里通过【分析】→【降维】→【因子分析】，把九个标准化变量移入右侧变量框，然后在【描述】子对话框里勾选“KMO 和巴特利球形度检验”和“系数”，就能拿到判断依据。
KMO 值衡量的是变量间简单相关与偏相关的对比，取值 0 到 1。经验阈值是：0.7 以上适合做因子分析，0.5 以下基本别硬上。巴特利球形检验看最后一行的 P 值，小于 0.05 说明相关系数矩阵不是单位矩阵，变量之间存在显著相关。两个条件同时满足，才有资格往下走。这份作业的数据里，九个经济指标天然存在共线性——GDP 高的地方财政收入通常也高，社会消费品零售总额和第三产业增加值往往同向变动——所以 KMO 和球形检验大概率能过。
2.3 提取主成分：特征值大于 1 和碎石图双确认
在【提取】子对话框里，方法选“主成分”，分析选“相关性矩阵”，输出勾选“未旋转因子解”和“碎石图”，提取依据选“基于特征值”，默认阈值是 1。SPSS 会输出总方差解释表，第一列是成分编号，第二列是特征值，第三列是方差百分比，第四列是累计百分比。
这份作业的结果是：成分 1 和成分 2 的特征值大于 1，累计方差贡献率 84.494%。也就是说，用两个新变量代替原来的九个指标，保留了八成半的信息。碎石图进一步验证：成分 1 和 2 对应的点陡峭下降，从成分 3 开始曲线变平，说明后面的成分主要是噪声。这里有个常见误区：有人只看累计贡献率是否达到 85%，忽略了特征值是否大于 1。更稳的做法是两个条件一起看，如果特征值大于 1 的成分累计贡献率偏低，再考虑放宽阈值或结合业务解释。
2.4 成分矩阵与权重计算：从载荷到综合得分
提取两个主成分后，SPSS 输出成分矩阵，反映每个原始指标在两个主成分上的载荷。载荷绝对值越大，说明该指标对这个主成分的贡献越高。这份作业里，GDP、社会消费品零售总额、第三产业增加值、规模以上企业总资产、地方财政收入、固定投资增长率在第一主成分上有较高载荷，可以解释为“经济总量与规模因子”；人均 GDP、失业人员、农林牧渔总产值在第二主成分上载荷较高，偏向“人均水平与产业结构因子”。
接下来是手工计算权重，这是整个流程里最容易翻车的一步。用成分矩阵中的数据除以对应主成分特征值的平方根，得到每个指标在主成分中的系数。在 SPSS 里通过【转换】→【计算变量】完成：
* 假设成分矩阵中第一主成分载荷存为 V1，第二主成分载荷存为 V2。 * 特征值分别为 5.307 和 2.297（示例值，以实际输出为准）。 COMPUTE a1 = V1 / SQRT(5.307). COMPUTE a2 = V2 / SQRT(2.297). EXECUTE.逻辑说明：SQRT(特征值) 是主成分的标准差，载荷除以它得到单位化系数。参数说明：V1、V2 来自成分矩阵复制到数据视图后的变量名，特征值从总方差解释表读取。算完系数后，再用标准化后的九个变量分别乘以 a1 和 a2 并求和，得到 F1 和 F2：
COMPUTE F1 = ZGDP*a1_1 + Z人均GDP*a1_2 + ... + Z地方财政收入*a1_9. COMPUTE F2 = ZGDP*a2_1 + Z人均GDP*a2_2 + ... + Z地方财政收入*a2_9. EXECUTE.最后按方差贡献率加权合成综合得分 F：
COMPUTE F = (58.970*F1 + 25.524*F2) / 84.494. EXECUTE. RANK VARIABLES=F (D) /RANK /PRINT=YES /TIES=MEAN.参数说明：58.970 和 25.524 分别是第一、第二主成分的方差百分比，84.494 是累计方差百分比。除以累计贡献率是为了把综合得分拉回原始量纲的尺度。排完序就能看到哪个省市经济综合指标最高、哪个最低。
3. 避坑与排查：SPSS 主成分分析里最容易翻车的五个地方
3.1 KMO 值低于 0.5 还硬跑
现象：KMO 输出 0.4 出头，巴特利检验 P 值也大于 0.05，但有人直接忽略继续提取主成分。原因：变量之间相关性太弱，或者样本量太小（15 个省市对九个指标，样本量偏紧）。解决：先检查指标是否选得太多太杂，尝试剔除相关性低的变量，或者改用其他降维方法。如果 KMO 在 0.5 到 0.7 之间，可以谨慎尝试，但要在报告里说明局限性。
3.2 拿原始变量直接做因子分析
现象：成分矩阵载荷全部偏高或偏低，总方差解释表第一主成分贡献率异常大。原因：没有做标准化，量纲大的变量（如 GDP）主导了协方差矩阵。解决：回到【描述统计】里生成 Z 分数，用 Z 变量重新跑降维。这是血泪经验，很多人第一次跑完觉得结果“不对劲”，八成是漏了这步。
3.3 特征值阈值死守 1.0 不放
现象：特征值大于 1 的成分有四个，但累计贡献率才 70% 出头，解释起来很勉强。原因：SPSS 默认按特征值大于 1 提取，但这不是铁律。解决：结合碎石图拐点和业务可解释性综合判断。如果碎石图在第三个成分处明显变平，即使特征值略大于 1，也可以考虑只取前两个。反过来，如果累计贡献率迟迟不到 80%，可以适当放宽特征值阈值。
3.4 权重计算公式用错分母
现象：综合得分排序和预期完全相反，或者得分数量级离谱。原因：计算主成分系数时，有人用载荷除以特征值而不是特征值的平方根；合成综合得分时，有人忘了除以累计贡献率。解决：记住两个公式——系数 = 载荷 / SQRT(特征值)，综合得分 = Σ(方差贡献率 × 主成分得分) / 累计贡献率。在 SPSS 里用计算变量时，把这两个公式写对，最好拿一个样本手工验算一遍。
3.5 旋转后成分矩阵和未旋转混用
现象：在【旋转】里选了最大方差法，但计算权重时又回去看未旋转的成分矩阵，导致系数对不上。原因：旋转改变的是载荷分布，不改变模型本身，但旋转后的载荷不能直接用于计算主成分得分系数。解决：主成分分析做综合评价时，通常用未旋转的成分矩阵计算权重。旋转主要用于因子命名和解释，两者不要混用。如果一定要用旋转结果，得用旋转后的载荷重新推导，流程更复杂，作业场景下不建议。
4. 进阶技巧：把综合得分做成可复用的评价模板
跑通一次主成分分析不难，难的是每次换一批数据都能稳定复现。我一般会把整个流程拆成三个可复用的模块：标准化模块、降维模块、打分模块。标准化模块固定用【描述统计】生成 Z 变量；降维模块固定输出 KMO、总方差解释、碎石图和成分矩阵；打分模块用计算变量把系数和得分公式写死，换数据时只需要改特征值和方差贡献率两个参数。
具体做法是，在 SPSS 语法窗口里把关键步骤写成可保存的语法文件：
* 第一步：标准化。 DESCRIPTIVES VARIABLES=GDP 人均GDP 农林牧渔总产值 规模以上企业总资产 第三产业增加值 失业人员 固定投资增长率 社会消费品零售总额 地方财政收入 /SAVE /STATISTICS=MEAN STDDEV MIN MAX. * 第二步：降维。 FACTOR /VARIABLES=ZGDP Z人均GDP Z农林牧渔总产值 Z规模以上企业总资产 Z第三产业增加值 Z失业人员 Z固定投资增长率 Z社会消费品零售总额 Z地方财政收入 /MISSING=LISTWISE /ANALYSIS=ZGDP Z人均GDP Z农林牧渔总产值 Z规模以上企业总资产 Z第三产业增加值 Z失业人员 Z固定投资增长率 Z社会消费品零售总额 Z地方财政收入 /PRINT=INITIAL CORRELATION KMO EXTRACTION ROTATION /FORMAT=SORT /PLOT=EIGEN /CRITERIA=MINEIGEN(1) ITERATE(25) /EXTRACTION=PC /ROTATION=VARIMAX /METHOD=CORRELATION. * 第三步：计算综合得分（特征值和方差贡献率按实际输出替换）。 COMPUTE F1 = ZGDP*0.412 + Z人均GDP*(-0.087) + ... . COMPUTE F2 = ZGDP*(-0.053) + Z人均GDP*0.521 + ... . COMPUTE F = (58.970*F1 + 25.524*F2) / 84.494. EXECUTE.这套语法文件的好处是，下次拿到新的省市数据，只需要替换数据源和特征值参数，三分钟就能跑完一轮。验证方法也简单：拿一个已知排名的省市手工算一遍 F 值，和 SPSS 输出对比，误差在小数点后两位以内就说明公式没写错。
还有一个容易被忽略的技巧：如果样本量偏少（比如只有 15 个省市），可以在报告里补充说明主成分分析的结论是探索性的，不宜过度解读。同时，综合得分排序只反映所选指标下的相对位置，换一组指标排序可能变化。我一般会在作业最后附一张原始数据与标准化数据的对照表，方便导师核对中间过程。
从那以后我每次跑主成分分析，都强制走一遍“标准化→KMO→特征值→碎石图→载荷解释→权重验算”这六步，少一步都不放心。希望帮到你。
本文还有配套的精品资源，点击获取
