| 文件名 | pca.xlsx |
|---|---|
| 样本量 | 300 行（300 个城市） |
| 变量数 | 8 列指标 + 1 列城市编号 |
| 数据用途 | 城市营商环境综合评价：用 PCA 把 8 个指标降维并加权合成综合得分 |
| 变量说明 | 政务效率 / 金融环境 / 法治水平 / 基础设施 / 创新活力 / 人才供给 / 生活成本（已逆向化）/ 产业配套，全部为 1-7 评分，分值越高越好。 |
完整案例
1. 背景
某省发改委要发布"全省 300 城营商环境年度榜单"，前期已采集到 8 项核心指标的专家打分。这 8 项指标彼此高度相关——政务效率好的城市，金融、法治、基础设施往往也强；创新活力高的地方一般人才供给也充足。如果直接把 8 列加总或简单平均，不仅权重无法服众，还会因指标重复计入夸大某些维度。主成分分析（PCA）正是解决这类问题的经典工具：用相关结构自动提取少量正交主成分，把 8 维信息压缩到 2-3 个综合维度，再按各主成分的方差解释率加权得到最终综合得分，既客观赋权又避免冗余。
2. 理论与公式
PCA 在标准化后的相关矩阵上做特征分解，主成分依次是方差最大、彼此正交的线性组合；先用 KMO + Bartlett 判断是否值得做 PCA，再按特征值>1 决定保留多少主成分。
主成分是原 p 个标准化指标的线性组合。
第 k 个主成分的特征值 λₖ 占总特征值的比例。
按保留主成分的方差解释率加权得到综合得分。
3. 数据结构
每行 1 个城市，8 列为标准化前的 Likert 1-7 评分。生活成本已做逆向化处理（数值越大代表生活成本越低、越宜居），保证 8 个指标方向一致，可直接进入 PCA。
| 城市编号 | 政务效率 | 金融环境 | 法治水平 | 基础设施 | 创新活力 | 人才供给 | 生活成本逆向化 | 产业配套 |
|---|---|---|---|---|---|---|---|---|
| C001 | 3 | 3 | 4 | 4 | 5 | 4 | 5 | 5 |
| C002 | 5 | 6 | 6 | 6 | 5 | 5 | 3 | 4 |
| C003 | 4 | 3 | 4 | 4 | 4 | 4 | 3 | 3 |
| C004 | 5 | 5 | 4 | 5 | 4 | 5 | 4 | 4 |
| C005 | 2 | 3 | 2 | 3 | 5 | 4 | 4 | 5 |
PCA 要求所有分析项为连续或近似连续变量（Likert ≥ 5 点视为近似连续）；指标方向必须统一（"越大越好"或"越小越好"二选一，否则需先做正/逆向化）；样本量建议 N ≥ 指标数 × 10，本案例 8 × 37.5 = 300，满足。
4. 操作步骤
- 登录 SPSSzero，进入 工作台 → 上传
pca.xlsx - 左侧方法栏 → 进阶方法 → 点击 主成分分析
- 把 8 个指标（政务效率 / 金融环境 / ... / 产业配套）拖入 分析项 框
- 勾选 KMO 与 Bartlett 检验、碎石图、载荷矩阵、成分得分
- 主成分数 选"特征值>1 自动确定"（也可手动固定为 3）；勾选 Varimax 正交旋转 便于解释
- 点击 开始分析，结果区会自动输出特征值表、载荷矩阵和综合得分公式
5. 结果表格与结果阅读
结果区按 PCA 标准流程输出 3 张表：先用 KMO + Bartlett 判断是否值得做 PCA，再看特征值确定主成分数，最后用旋转后载荷矩阵解读各主成分的业务含义。
| 检验指标 | 统计量 | 判断标准 | 本案例 |
|---|---|---|---|
| KMO 取样适切性量数 | 0.741 | ≥ 0.9 极佳 / ≥ 0.8 良好 / ≥ 0.7 适合 / < 0.6 不宜 | 适合 ✅ |
| Bartlett 球形检验 χ² | 2197.246 | p < 0.05 表示变量间相关显著，适合做 PCA | 显著 ✅ |
| df | 28 | ||
| p | < 0.001 | ||
| KMO=0.741 + Bartlett p<0.001 同时通过 → 8 个指标之间存在足够的公共方差，适合做 PCA 降维 | |||
KMO 衡量"偏相关相对于简单相关的比例"——值越大说明变量间共享方差越多；Bartlett 检验变量两两独立的零假设，p<0.05 拒绝独立、可继续 PCA。
| 主成分 | 初始特征值 | 旋转后载荷平方和 | ||||
|---|---|---|---|---|---|---|
| 特征值 | 方差% | 累计% | SS 载荷 | 方差% | 累计% | |
| PC1 | 3.640 | 45.50% | 45.50% | 3.498 | 43.73% | 43.73% |
| PC2 | 2.156 | 26.95% | 72.45% | 1.973 | 24.67% | 68.40% |
| PC3 | 1.504 | 18.80% | 91.24% | 1.828 | 22.85% | 91.24% |
| PC4 | 0.174 | 2.17% | 93.42% | — | — | — |
| PC5-PC8 | < 0.16 | 各 < 2.0% | ... | — | — | — |
| 特征值 > 1 的主成分共 3 个（3.640 / 2.156 / 1.504），累计解释 91.24%（远超 80% 阈值）；碎石图在 PC3 与 PC4 间出现陡崖 → 保留 3 个主成分 | ||||||
3 个判据共同支持 3 主成分方案：①Kaiser 准则（λ>1）；②累计方差解释 91.24%；③碎石图拐点（PC3→PC4 特征值从 1.504 跌到 0.174）。旋转后三主成分方差被略微均衡化（43.73 / 24.67 / 22.85%），有利于业务命名。
| 指标 | PC1 | PC2 | PC3 | 共同度 h² |
|---|---|---|---|---|
| 政务效率 | 0.953 | 0.042 | -0.070 | 0.916 |
| 金融环境 | 0.896 | 0.293 | -0.064 | 0.893 |
| 法治水平 | 0.944 | -0.010 | 0.078 | 0.898 |
| 基础设施 | 0.929 | -0.010 | 0.126 | 0.879 |
| 创新活力 | -0.023 | 0.955 | 0.119 | 0.927 |
| 人才供给 | 0.177 | 0.947 | 0.074 | 0.933 |
| 生活成本逆向化 | 0.013 | -0.042 | 0.965 | 0.933 |
| 产业配套 | 0.030 | 0.273 | 0.920 | 0.922 |
| 每个指标在主导成分上的载荷均 ≥ 0.90，跨载荷均 < 0.30；共同度 0.879-0.933 全部 > 0.85 → 8 个指标都被 3 个主成分高质量解释 | ||||
主成分命名依据：PC1（政务效率 / 金融环境 / 法治水平 / 基础设施 全部 >0.89）→ 政商硬环境；PC2（创新活力 / 人才供给 均 >0.94）→ 创新人才；PC3（生活成本逆向化 / 产业配套 均 >0.92）→ 生活与配套。综合得分公式：Score = 0.4793·PC1 + 0.2703·PC2 + 0.2504·PC3（权重 = 各主成分旋转后方差% / 累计 91.24%）。
7. 文字分析
对 300 个城市 8 项营商环境指标的 PCA 综合评价结果如下：
- 取样适切性：KMO=0.741（"适合"区间）、Bartlett χ²=2197.246，p<0.001 → 8 个指标存在显著公共方差，适合用 PCA 降维；
- 主成分数：特征值 > 1 的主成分共 3 个（3.640 / 2.156 / 1.504），累计解释方差 91.24%，碎石图在 PC3-PC4 间陡崖 → 保留 3 个主成分；
- 成分命名：PC1（政务效率 + 金融环境 + 法治水平 + 基础设施，载荷 0.896-0.953）→ 政商硬环境；PC2（创新活力 + 人才供给，载荷 0.947-0.955）→ 创新人才；PC3（生活成本逆向化 + 产业配套，载荷 0.920-0.965）→ 生活与配套；
- 综合得分公式：Score = 0.4793·PC1 + 0.2703·PC2 + 0.2504·PC3（权重为 3 个主成分旋转后方差解释率归一化后的结果）。PC1 权重最大，意味着政商硬环境是城市营商最重要的维度；
- 排名应用：得分前列的城市（如 C133、C225、C042，综合得分 1.63-1.69）三维表现均衡且偏强；末位城市（如 C237、C242，综合得分 -1.56 至 -1.86）在政商硬环境与创新人才两维同时偏弱，建议优先补政商硬环境短板。
结论：PCA 把 8 维原始评价压缩到 3 个相互独立、含义清晰的综合维度，仍保留 91.24% 的原始信息，可作为"政商硬环境-创新人才-生活与配套"三维综合榜单对外发布。若后续要研究综合得分与 GDP、招商引资额等结果指标的关系，可直接把 PC1/PC2/PC3 作为自变量代入回归分析。
8. 剖析提醒
PCA 是数据驱动的降维方法，主成分的业务命名必须结合载荷大的指标人工解读，不能只看数字；指标方向必须事先统一（本案例对生活成本做了逆向化）；样本量过小（N < 指标数 × 5）或 KMO < 0.6 时应放弃 PCA，改用专家赋权或 AHP。