【摘要】：[9-10]主成分分析法的具体原理见文献，[10-11]主成分分析主要步骤如下:[10，12]参数数据标准化和KMO检验；主成分的提取和主成分载荷矩阵的求解；主成分的命名；计算各主成分得分并确定主成分；对所得出的主成分进行分析解释。由式(5.1)可知，KMO统计量中的取值在0和1之间。KMO值越接近于1则意味着变量间的相关性越强，原有变量越适合做主成分分析。Kaiser认为数据集的KMO统计量值小于0.5时意味不适合作主成分分析。
为了解析城镇土壤中重金属的组成特征与其来源的内在关系，在处理此类环境因素复杂、影响因子众多的土壤环境信息时，常常出现多个变量之间有一定的相关关系，也可以理解为这些相关变量在信息内涵上有一定交叉重叠，而变量之间信息的高度重叠和相关会给统计方法的实际应用带来许多障碍。主成分分析就是为应对上述问题而发展形成的一套可以在保障数据信息损失最少的前提下，对高维变量空间进行降维处理的方法，并且该方法已得到广泛应用。[9-10]主成分分析法的具体原理见文献，[10-11]主成分分析主要步骤如下:[10，12](1)参数数据标准化和KMO(Kaiser-Meyer-Olkin)检验；(2)主成分的提取和主成分载荷矩阵的求解；(3)主成分的命名；(4)计算各主成分得分并确定主成分；(5)对所得出的主成分进行分析解释。
KMO检验是主成分分析的重要前提，KMO检验值适用于比较变量间简单相关系数和偏相关系数的指标，数学定义为:[12-13](www.xing528.com)
式中，rij是变量xi和其他变量xj间的简单相关系数，pij是变量xi和变量xj在控制了剩余变量下的偏相关系数。由式(5.1)可知，KMO统计量中的取值在0和1之间。KMO值越接近于1则意味着变量间的相关性越强，原有变量越适合做主成分分析。Kaiser认为数据集的KMO统计量值小于0.5时意味不适合作主成分分析。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
