对主成分分析中综合得分方法质疑(王学民).docVIP

对主成分分析中综合得分方法的质疑 王学民 （发表于《统计与决策》，2007年4月下） 摘要：在作主成分分析时，国内近年来流行一种通过建立综合评价函数来对各样品进行综合排名的方法。本文对这一方法的不科学性作了阐述，并指出在综合评价函数中对各主成分使用贡献率加权是错中加错。 关键词：主成分；信息量；综合评价函数；综合得分 一、问题的提出 在多元数据分析中，近年来国内流行一种通过建立综合评价函数来对所有样品进行综合排名的方法。该方法是这样的：对个原始变量，通过主成分分析，取前个主成分，其方差分别为，以每个主成分的贡献率作为权数，构造综合评价函数 计算出每个样品的（）综合得分，然后依这个得分的大小对所有样品进行综合排名。对这种用线性组合的方式来综合各主成分的方法，笔者从未在国外的有关多元统计分析的文献中见过。该方法粗看起来似乎有一定道理且很有吸引力（似乎可以综合排名了），但仔细推敲之后就会发现这一方法是对主成分思想和方法的误解，是不科学的，没有什么理论和应用上的价值。该综合排名方法在我国的多元数据分析应用中已得到了比较普遍的误用，笔者曾在参考文献[1]中的253页上简略地谈到过这一问题，现觉得很有必要针对这一问题作一具体阐述，谈谈自己的观点，供大家参考和讨论。 二、主成分的基本思想 除了将主成分法用于聚类或回归分析或寻找变量之间的共线性关系等目的之外，主成分分析的一般目的由两点组成：（1）将多个有相关关系的变量压缩成少数几个不相关的主成分（综合变量），并保留绝大部分信息；（2）给出各主成分的具有实际背景和意义的解释。这里我们只讨论主成分分析的这种一般目的。主成分的价值就在于它的信息量（可用方差来度量）达到最大化，即使前少数几个主成分能使累计贡献率达到一个较大的百分数，这几个主成分能不能用还得看它们是否都能得到符合实际意义的解释。 例1 在1984年洛杉矶奥运会IAAF/ATFS田径统计手册中，有55个国家和地区的如下八项男子径赛运动记录： ：100米（单位：秒） ：1500米（单位：分） ：200米（单位：秒） ：5000米（单位：分） ：400米（单位：秒） ：10000米（单位：分） ：800米（单位：秒） ：马拉松（单位：分） 经计算，的样本相关矩阵列于表1。的前两个特征值、特征向量及贡献率列于表2，其中是经标准化得到的，即的均值和标准差分别为0和1。 表1 1.000 0.923 1.000 0.841 0.851 1.000 0.756 0.807 0.870 1.000 0.700 0.775 0.835 0.918 1.000 0.619 0.695 0.779 0.864 0.928 1.000 0.633 0.697 0.787 0.869 0.935 0.975 1.000 0.520 0.596 0.705 0.806 0.866 0.932 0.943 1.000 表2 特征向量 ：100米 0.318 0.567 ：200米 0.337 0.462 ：400米 0.356 0.248 ：800米 0.369 0.012 ：1500米 0.373 -0.140 ：5000米 0.364 -0.312 ：10000米 0.367 -0.307 ：马拉松 0.342 -0.439 特征值 6.622 0.878 贡献率 0.828 0.110 累计贡献率 0.828 0.937 由表2知，前两个主成分的累计贡献率已高达93.7%，第一主成分在所有变量上有几乎相等的正载荷，可称为在径赛项目上的强弱成分。第二主成分在上的载荷基本上逐个递减，反映了速度与耐力成绩的对比。前两个主成分和虽然得到了很好的符合实际意义的解释，但这种解释毕竟带有一定程度的模糊性，这是主成分分析的一个特点，这种解释的模糊性也是变量降维需要付出的代价。体育径赛项目方面的专家也许能制定出实际意义更清楚、更能反映各国在径赛项目上强弱的指标（例如，在系数平方和为1的前提下，取）和反映速度与耐力成绩对比的指标，但、这两个指标合起来所包含的信息量不如或明显不如、所包含的信息量大。这两个主成分的优势就在于它们合在一起能拥有最大的信息量，而不是它们各自能多么准确地反映各国在径赛项目上的强弱和速度与耐力成绩的对比。 三、综合评价函数存在的问题 在许多实际问题中，我们确实非常需要一个综合指标来对所有样品进行排序，但这个综合指标不应想当然地从前几个主成分的线性组合来产生。设作主成分分析时取前个主成分是合适的，则综合评价函数为，它存在以下一些问题： （1）到底包含有原