spss時間序列分析方法(SPSS的時間序列分析怎么做)
1.SPSS的時間序列分析怎么做
3.3時間序列分析3.3.1時間序列概述1. 基本概念（1）一般概念：系統(tǒng)中某一變量的觀測值按時間順序（時間間隔相同）排列成一個數(shù)值序列，展示研究對象在一定時期內(nèi)的變動過程，從中尋找和分析事物的變化特征、發(fā)展趨勢和規(guī)律。
它是系統(tǒng)中某一變量受其它各種因素影響的總結(jié)果。（2）研究實質(zhì)：通過處理預(yù)測目標(biāo)本身的時間序列數(shù)據(jù)，獲得事物隨時間過程的演變特性與規(guī)律，進(jìn)而預(yù)測事物的未來發(fā)展。
它不研究事物之間相互依存的因果關(guān)系。（3）假設(shè)基礎(chǔ)：慣性原則。
即在一定條件下，被預(yù)測事物的過去變化趨勢會延續(xù)到未來。暗示著歷史數(shù)據(jù)存在著某些信息，利用它們可以解釋與預(yù)測時間序列的現(xiàn)在和未來。
近大遠(yuǎn)小原理（時間越近的數(shù)據(jù)影響力越大）和無季節(jié)性、無趨勢性、線性、常數(shù)方差等。（4）研究意義：許多經(jīng)濟(jì)、金融、商業(yè)等方面的數(shù)據(jù)都是時間序列數(shù)據(jù)。
時間序列的預(yù)測和評估技術(shù)相對完善，其預(yù)測情景相對明確。 尤其關(guān)注預(yù)測目標(biāo)可用數(shù)據(jù)的數(shù)量和質(zhì)量，即時間序列的長度和預(yù)測的頻率。
2. 變動特點（1）趨勢性：某個變量隨著時間進(jìn)展或自變量變化，呈現(xiàn)一種比較緩慢而長期的持續(xù)上升、下降、停留的同性質(zhì)變動趨向，但變動幅度可能不等。（2）周期性：某因素由于外部影響隨著自然季節(jié)的交替出現(xiàn)高峰與低谷的規(guī)律。
（3）隨機(jī)性：個別為隨機(jī)變動，整體呈統(tǒng)計規(guī)律。（4）綜合性：實際變化情況一般是幾種變動的疊加或組合。
預(yù)測時一般設(shè)法過濾除去不規(guī)則變動，突出反映趨勢性和周期性變動。3. 特征識別認(rèn)識時間序列所具有的變動特征，以便在系統(tǒng)預(yù)測時選擇采用不同的方法。
（1）隨機(jī)性：均勻分布、無規(guī)則分布，可能符合某統(tǒng)計分布。（用因變量的散點圖和直方圖及其包含的正態(tài)分布檢驗隨機(jī)性，大多數(shù)服從正態(tài)分布。）
（2）平穩(wěn)性：樣本序列的自相關(guān)函數(shù)在某一固定水平線附近擺動，即方差和數(shù)學(xué)期望穩(wěn)定為常數(shù)。 樣本序列的自相關(guān)函數(shù)只是時間間隔的函數(shù)，與時間起點無關(guān)。
其具有對稱性，能反映平穩(wěn)序列的周期性變化。 特征識別利用自相關(guān)函數(shù)ACF：ρk=γk/γ0 其中γk是yt的k階自協(xié)方差，且ρ0=1、-1<ρk<1。
平穩(wěn)過程的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)都會以某種方式衰減趨近于0，前者測度當(dāng)前序列與先前序列之間簡單和常規(guī)的相關(guān)程度，后者是在控制其它先前序列的影響后，測度當(dāng)前序列與某一先前序列之間的相關(guān)程度。實際上，預(yù)測模型大都難以滿足這些條件，現(xiàn)實的經(jīng)濟(jì)、金融、商業(yè)等序列都是非穩(wěn)定的，但通過數(shù)據(jù)處理可以變換為平穩(wěn)的。
4. 預(yù)測類型（1）點預(yù)測：確定唯一的最好預(yù)測數(shù)值，其給出了時間序列未來發(fā)展趨勢的一個簡單、直接的結(jié)果。但常產(chǎn)生一個非零的預(yù)測誤差，其不確定程度為點預(yù)測值的置信區(qū)間。
（2）區(qū)間預(yù)測：未來預(yù)測值的一個區(qū)間，即期望序列的實際值以某一概率落入該區(qū)間范圍內(nèi)。區(qū)間的長度傳遞了預(yù)測不確定性的程度，區(qū)間的中點為點預(yù)測值。
（3）密度預(yù)測：序列未來預(yù)測值的一個完整的概率分布。根據(jù)密度預(yù)測，可建立任意置信水平的區(qū)間預(yù)測，但需要額外的假設(shè)和涉及復(fù)雜的計算方法。
5. 基本步驟（1）分析數(shù)據(jù)序列的變化特征。（2）選擇模型形式和參數(shù)檢驗。
（3）利用模型進(jìn)行趨勢預(yù)測。（4）評估預(yù)測結(jié)果并修正模型。
3.3.2隨機(jī)時間序列系統(tǒng)中某一因素變量的時間序列數(shù)據(jù)沒有確定的變化形式，也不能用時間的確定函數(shù)描述，但可以用概率統(tǒng)計方法尋求比較合適的隨機(jī)模型近似反映其變化規(guī)律。（自變量不直接含有時間變量，但隱含時間因素）1. 自回歸AR(p)模型（R：模型的名稱 P：模型的參數(shù)）（自己影響自己，但可能存在誤差，誤差即沒有考慮到的因素）（1）模型形式（εt越小越好，但不能為0：ε為0表示只受以前Y的歷史的影響不受其他因素影響） yt=φ1yt-1+φ2yt-2+……+φpyt-p+εt 式中假設(shè)：yt的變化主要與時間序列的歷史數(shù)據(jù)有關(guān)，與其它因素?zé)o關(guān)； εt不同時刻互不相關(guān)，εt與yt歷史序列不相關(guān)。
式中符號：p模型的階次，滯后的時間周期，通過實驗和參數(shù)確定；yt當(dāng)前預(yù)測值，與自身過去觀測值yt-1、…、yt-p是同一序列不同時刻的隨機(jī)變量，相互間有線性關(guān)系，也反映時間滯后關(guān)系；yt-1、yt-2、……、yt-p同一平穩(wěn)序列過去p個時期的觀測值；φ1、φ2、……、φp自回歸系數(shù)，通過計算得出的權(quán)數(shù)，表達(dá)yt依賴于過去的程度，且這種依賴關(guān)系恒定不變；εt隨機(jī)干擾誤差項，是0均值、常方差σ2、獨立的白噪聲序列，通過估計指定的模型獲得。（2）識別條件 當(dāng)k>p時，有φk=0或φk服從漸近正態(tài)分布N(0,1/n)且（|φk|>2/n1/2）的個數(shù)≤4.5%，即平穩(wěn)時間序列的偏相關(guān)系數(shù)φk為p步截尾，自相關(guān)系數(shù)rk逐步衰減而不截尾，則序列是AR(p)模型。
實際中，一般AR過程的ACF函數(shù)呈單邊遞減或阻尼振蕩，所以用PACF函數(shù)判別（從p階開始的所有偏自相關(guān)系數(shù)均為0）。(3)平穩(wěn)條件 一階：|φ1|<1。
二階：φ1+φ2<1、φ1-φ2<1、|φ2|<1。φ越大，自回歸過程的波動影響越持久。
（4）模型意義 僅通過時間序列變量的自身歷史觀測值來反映有關(guān)因素對預(yù)測目標(biāo)的影響和作用，不受模型變量相互獨立的假設(shè)條件約束，所構(gòu)成的模型可以消除普通回歸預(yù)測方法中。
2.SPSS的時間序列分析怎么做
原發(fā)布者：醫(yī)學(xué)之眼
時間序列分析及其SPSS操作教師：韓艷敏電話：13676798448(668448)一、時間序列分析概述時間序列是按時間順序排列的、隨時間變化且相互關(guān)聯(lián)的數(shù)據(jù)序列。分析時間序列的方法構(gòu)成數(shù)據(jù)分析的一個重要領(lǐng)域，即時間序列分析.時間序列根據(jù)所研究的依據(jù)不同，可有不同的分類1.按研究對象多少分：一元時間序列和多元時間序列；2.按時間連續(xù)性分：離散時間序列和連續(xù)時間序列；3.按序列的統(tǒng)計特性分：平穩(wěn)時間序列和非平穩(wěn)時間序列；4.按時間序列分布規(guī)律分：高斯型和非高斯型時間序列.時間序列國內(nèi)生產(chǎn)總值等時間序列年份國內(nèi)生產(chǎn)總值年末總?cè)丝谌丝谧匀辉鲩L率居民消費水平（億元）（萬人）（‰）（元）.921617.826638.134634.446759.458478.167884.674772.479552..3912.9811.6011.4511.2110.5510.4210.069.主要內(nèi)容：?平穩(wěn)時間序列分析時—間序Bo列x分-J析en發(fā)k展in的s兩（1個97階6段）?非平穩(wěn)時間序列分析—Engle-Granger(1987)?時間序列模型不同于經(jīng)濟(jì)計量模型的兩個特點是：-這種建模方法不以經(jīng)濟(jì)理論為依據(jù)，而是依據(jù)變量自身的變化規(guī)律，利用外推機(jī)制描述時間序列的變化。-明確考慮時間序列的平穩(wěn)性。如果時間序列非平穩(wěn)，建立模型之前應(yīng)先通過差分或者
3.在SPSS中時間序列分析怎么做
3.3時間序列分析 3.3.1時間序列概述 1. 基本概念 （1）一般概念：系統(tǒng)中某一變量的觀測值按時間順序（時間間隔相同）排列成一個數(shù)值序列，展示研究對象在一定時期內(nèi)的變動過程，從中尋找和分析事物的變化特征、發(fā)展趨勢和規(guī)律。
它是系統(tǒng)中某一變量受其它各種因素影響的總結(jié)果。 （2）研究實質(zhì)：通過處理預(yù)測目標(biāo)本身的時間序列數(shù)據(jù)，獲得事物隨時間過程的演變特性與規(guī)律，進(jìn)而預(yù)測事物的未來發(fā)展。
它不研究事物之間相互依存的因果關(guān)系。 （3）假設(shè)基礎(chǔ)：慣性原則。
即在一定條件下，被預(yù)測事物的過去變化趨勢會延續(xù)到未來。暗示著歷史數(shù)據(jù)存在著某些信息，利用它們可以解釋與預(yù)測時間序列的現(xiàn)在和未來。
近大遠(yuǎn)小原理（時間越近的數(shù)據(jù)影響力越大）和無季節(jié)性、無趨勢性、線性、常數(shù)方差等。 （4）研究意義：許多經(jīng)濟(jì)、金融、商業(yè)等方面的數(shù)據(jù)都是時間序列數(shù)據(jù)。
時間序列的預(yù)測和評估技術(shù)相對完善，其預(yù)測情景相對明確。 尤其關(guān)注預(yù)測目標(biāo)可用數(shù)據(jù)的數(shù)量和質(zhì)量，即時間序列的長度和預(yù)測的頻率。
2. 變動特點 （1）趨勢性：某個變量隨著時間進(jìn)展或自變量變化，呈現(xiàn)一種比較緩慢而長期的持續(xù)上升、下降、停留的同性質(zhì)變動趨向，但變動幅度可能不等。 （2）周期性：某因素由于外部影響隨著自然季節(jié)的交替出現(xiàn)高峰與低谷的規(guī)律。
（3）隨機(jī)性：個別為隨機(jī)變動，整體呈統(tǒng)計規(guī)律。 （4）綜合性：實際變化情況一般是幾種變動的疊加或組合。
預(yù)測時一般設(shè)法過濾除去不規(guī)則變動，突出反映趨勢性和周期性變動。 3. 特征識別 認(rèn)識時間序列所具有的變動特征，以便在系統(tǒng)預(yù)測時選擇采用不同的方法。
（1）隨機(jī)性：均勻分布、無規(guī)則分布，可能符合某統(tǒng)計分布。（用因變量的散點圖和直方圖及其包含的正態(tài)分布檢驗隨機(jī)性，大多數(shù)服從正態(tài)分布。）
（2）平穩(wěn)性：樣本序列的自相關(guān)函數(shù)在某一固定水平線附近擺動，即方差和數(shù)學(xué)期望穩(wěn)定為常數(shù)。 樣本序列的自相關(guān)函數(shù)只是時間間隔的函數(shù)，與時間起點無關(guān)。
其具有對稱性，能反映平穩(wěn)序列的周期性變化。 特征識別利用自相關(guān)函數(shù)ACF：ρk=γk/γ0 其中γk是yt的k階自協(xié)方差，且ρ0=1、-1<ρk<1。
平穩(wěn)過程的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)都會以某種方式衰減趨近于0，前者測度當(dāng)前序列與先前序列之間簡單和常規(guī)的相關(guān)程度，后者是在控制其它先前序列的影響后，測度當(dāng)前序列與某一先前序列之間的相關(guān)程度。 實際上，預(yù)測模型大都難以滿足這些條件，現(xiàn)實的經(jīng)濟(jì)、金融、商業(yè)等序列都是非穩(wěn)定的，但通過數(shù)據(jù)處理可以變換為平穩(wěn)的。
4. 預(yù)測類型 （1）點預(yù)測：確定唯一的最好預(yù)測數(shù)值，其給出了時間序列未來發(fā)展趨勢的一個簡單、直接的結(jié)果。但常產(chǎn)生一個非零的預(yù)測誤差，其不確定程度為點預(yù)測值的置信區(qū)間。
（2）區(qū)間預(yù)測：未來預(yù)測值的一個區(qū)間，即期望序列的實際值以某一概率落入該區(qū)間范圍內(nèi)。區(qū)間的長度傳遞了預(yù)測不確定性的程度，區(qū)間的中點為點預(yù)測值。
（3）密度預(yù)測：序列未來預(yù)測值的一個完整的概率分布。根據(jù)密度預(yù)測，可建立任意置信水平的區(qū)間預(yù)測，但需要額外的假設(shè)和涉及復(fù)雜的計算方法。
5. 基本步驟 （1）分析數(shù)據(jù)序列的變化特征。 （2）選擇模型形式和參數(shù)檢驗。
（3）利用模型進(jìn)行趨勢預(yù)測。 （4）評估預(yù)測結(jié)果并修正模型。
3.3.2隨機(jī)時間序列 系統(tǒng)中某一因素變量的時間序列數(shù)據(jù)沒有確定的變化形式，也不能用時間的確定函數(shù)描述，但可以用概率統(tǒng)計方法尋求比較合適的隨機(jī)模型近似反映其變化規(guī)律。（自變量不直接含有時間變量，但隱含時間因素） 1. 自回歸AR(p)模型 （R：模型的名稱 P：模型的參數(shù)）（自己影響自己，但可能存在誤差，誤差即沒有考慮到的因素） （1）模型形式（εt越小越好，但不能為0：ε為0表示只受以前Y的歷史的影響不受其他因素影響） yt=φ1yt-1+φ2yt-2+……+φpyt-p+εt 式中假設(shè)：yt的變化主要與時間序列的歷史數(shù)據(jù)有關(guān)，與其它因素?zé)o關(guān)； εt不同時刻互不相關(guān)，εt與yt歷史序列不相關(guān)。
式中符號：p模型的階次，滯后的時間周期，通過實驗和參數(shù)確定； yt當(dāng)前預(yù)測值，與自身過去觀測值yt-1、…、yt-p是同一序列不同時刻的隨機(jī)變量，相互間有線性關(guān)系，也反映時間滯后關(guān)系； yt-1、yt-2、……、yt-p同一平穩(wěn)序列過去p個時期的觀測值； φ1、φ2、……、φp自回歸系數(shù)，通過計算得出的權(quán)數(shù)，表達(dá)yt依賴于過去的程度，且這種依賴關(guān)系恒定不變； εt隨機(jī)干擾誤差項，是0均值、常方差σ2、獨立的白噪聲序列，通過估計指定的模型獲得。 （2）識別條件 當(dāng)k>p時，有φk=0或φk服從漸近正態(tài)分布N(0,1/n)且（|φk|>2/n1/2）的個數(shù)≤4.5%，即平穩(wěn)時間序列的偏相關(guān)系數(shù)φk為p步截尾，自相關(guān)系數(shù)rk逐步衰減而不截尾，則序列是AR(p)模型。
實際中，一般AR過程的ACF函數(shù)呈單邊遞減或阻尼振蕩，所以用PACF函數(shù)判別（從p階開始的所有偏自相關(guān)系數(shù)均為0）。 (3)平穩(wěn)條件 一階：|φ1|<1。
二階：φ1+φ2<1、φ1-φ2<1、|φ2|<1。φ越大，自回歸過程的波動影響越持久。
（4）模型意義 僅通過時間序列變量的自身歷史觀測值來反映有關(guān)因素對預(yù)測目標(biāo)的影響和作用，不受模型變量相互獨立的假設(shè)條件約束，所構(gòu)成的模型可以消除普通回歸預(yù)測方法中由于自變量選擇、多重共線性等造成的。
4.對時間序列的分析方法有哪幾種
1、時間序列 取自某一個隨機(jī)過程，如果此隨機(jī)過程的隨機(jī)特征不隨時間變化，則我們稱過程是平穩(wěn)的；假如該隨機(jī)過程的隨機(jī)特征隨時間變化，則稱過程是非平穩(wěn)的。
2、寬平穩(wěn)時間序列的定義：設(shè)時間序列 ，對于任意的 ， 和 ，滿足： 則稱 寬平穩(wěn)。 3、Box-Jenkins方法是一種理論較為完善的統(tǒng)計預(yù)測方法。
他們的工作為實際工作者提供了對時間序列進(jìn)行分析、預(yù)測，以及對ARMA模型識別、估計和診斷的系統(tǒng)方法。使ARMA模型的建立有了一套完整、正規(guī)、結(jié)構(gòu)化的建模方法，并且具有統(tǒng)計上的完善性和牢固的理論基礎(chǔ)。
4、ARMA模型三種基本形式：自回歸模型（AR:Auto-regressive），移動平均模型（MA:Moving-Average）和混合模型（ARMA:Auto-regressive Moving-Average）。 (1) 自回歸模型AR(p)：如果時間序列 滿足 其中 是獨立同分布的隨機(jī)變量序列，且滿足： ， 則稱時間序列 服從p階自回歸模型。
或者記為 。 平穩(wěn)條件：滯后算子多項式 的根均在單位圓外，即 的根大于1。
(2) 移動平均模型MA(q)：如果時間序列 滿足 則稱時間序列 服從q階移動平均模型?；蛘哂洖?。
平穩(wěn)條件：任何條件下都平穩(wěn)。 （3） ARMA(p,q)模型：如果時間序列 滿足 則稱時間序列 服從（p,q）階自回歸移動平均模型。
或者記為 。 特殊情況：q=0，模型即為AR(p),p=0， 模型即為MA(q)。
二、時間序列的自相關(guān)分析 1、自相關(guān)分析法是進(jìn)行時間序列分析的有效方法，它簡單易行、較為直觀，根據(jù)繪制的自相關(guān)分析圖和偏自相關(guān)分析圖，我們可以初步地識別平穩(wěn)序列的模型類型和模型階數(shù)。利用自相關(guān)分析法可以測定時間序列的隨機(jī)性和平穩(wěn)性，以及時間序列的季節(jié)性。
2、自相關(guān)函數(shù)的定義：滯后期為k的自協(xié)方差函數(shù)為： ，則 的自相關(guān)函數(shù)為： ，其中 。當(dāng)序列平穩(wěn)時，自相關(guān)函數(shù)可寫為： 。
3、樣本自相關(guān)函數(shù)為： ，其中 ，它可以說明不同時期的數(shù)據(jù)之間的相關(guān)程度，其取值范圍在-1到1之間，值越接近于1，說明時間序列的自相關(guān)程度越高。 4、樣本的偏自相關(guān)函數(shù)： 其中， 。
5、時間序列的隨機(jī)性，是指時間序列各項之間沒有相關(guān)關(guān)系的特征。使用自相關(guān)分析圖判斷時間序列的隨機(jī)性，一般給出如下準(zhǔn)則： ①若時間序列的自相關(guān)函數(shù)基本上都落入置信區(qū)間，則該時間序列具有隨機(jī)性； ②若較多自相關(guān)函數(shù)落在置信區(qū)間之外，則認(rèn)為該時間序列不具有隨機(jī)性。
6、判斷時間序列是否平穩(wěn)，是一項很重要的工作。運用自相關(guān)分析圖判定時間序列平穩(wěn)性的準(zhǔn)則是：①若時間序列的自相關(guān)函數(shù) 在k>3時都落入置信區(qū)間，且逐漸趨于零，則該時間序列具有平穩(wěn)性；②若時間序列的自相關(guān)函數(shù)更多地落在置信區(qū)間外面，則該時間序列就不具有平穩(wěn)性。
7、ARMA模型的自相關(guān)分析 AR(p)模型的偏自相關(guān)函數(shù) 是以p步截尾的，自相關(guān)函數(shù)拖尾。MA(q)模型的自相關(guān)函數(shù)具有q步截尾性，偏自相關(guān)函數(shù)拖尾。
這兩個性質(zhì)可以分別用來識別自回歸模型和移動平均模型的階數(shù)。ARMA(p,q)模型的自相關(guān)函數(shù)和偏相關(guān)函數(shù)都是拖尾的。
三、單位根檢驗和協(xié)整檢驗 1、單位根檢驗 ①利用迪基—福勒檢驗（ Dickey-Fuller Test）和菲利普斯—佩榮檢驗（Philips-Perron Test），我們也可以測定時間序列的隨機(jī)性，這是在計量經(jīng)濟(jì)學(xué)中非常重要的兩種單位根檢驗方法，與前者不同的事，后一個檢驗方法主要應(yīng)用于一階自回歸模型的殘差不是白噪聲，而且存在自相關(guān)的情況。 ②隨機(jī)游動 如果在一個隨機(jī)過程中， 的每一次變化均來自于一個均值為零的獨立同分布，即隨機(jī)過程 滿足： ， ，其中 獨立同分布，并且： ， 稱這個隨機(jī)過程是隨機(jī)游動。
它是一個非平穩(wěn)過程。 ③單位根過程 設(shè)隨機(jī)過程 滿足： ， ，其中 ， 為一個平穩(wěn)過程并且 ，，。
2、協(xié)整關(guān)系 如果兩個或多個非平穩(wěn)的時間序列，其某個現(xiàn)性組合后的序列呈平穩(wěn)性，這樣的時間序列間就被稱為有協(xié)整關(guān)系存在。這是一個很重要的概念，我們利用Engle-Granger兩步協(xié)整檢驗法和J 很高興回答樓主的問題 如有錯誤請見諒。
5.如何用spss主成分分析的時間序列分析
spss如何做主成分分析 主成分分析的主要原理是尋找一個適當(dāng)?shù)木€性變換： ?將彼此相關(guān)的變量轉(zhuǎn)變?yōu)楸舜霜毩⒌男伦兞浚??方差較大的幾個新變量就能綜合反應(yīng)原多個變量所包含的主要信息； ?新變量各自帶有獨特的專業(yè)含義。
住成分分析的作用是： ?減少指標(biāo)變量的個數(shù) ?解決多重相關(guān)性問題 步驟閱讀 工具/原料 spss20.0 方法/步驟 >01 先在spss中準(zhǔn)備好要處理的數(shù)據(jù)，然后在菜單欄上執(zhí)行：analyse--dimension reduction--factor analyse。打開因素分析對話框 >02 我們看到下圖就是因素分析的對話框，將要分析的變量都放入variables窗口中 >03 點擊descriptives按鈕，進(jìn)入次級對話框，這個對話框可以輸出我們想要看到的描述統(tǒng)計量 >04 因為做主成分分析需要我們看一下各個變量之間的相關(guān)，對變量間的關(guān)系有一個了解，所以需要輸出相關(guān)，勾選coefficience，點擊continue，返回主對話框 >05 回到主對話框，點擊ok，開始輸出數(shù)據(jù)處理結(jié)果 >06 你看到的這第一個表格就是相關(guān)矩陣，現(xiàn)實的是各個變量之間的相關(guān)系數(shù)，通過相關(guān)系數(shù)，你可以看到各個變量之間的相關(guān)，進(jìn)而了解各個變量之間的關(guān)系 >07 第二個表格顯示的主成分分析的過程，我們看到eigenvalues下面的total欄，他的意思就是特征根，他的意義是主成分影響力度的指標(biāo)，一般以1為標(biāo)準(zhǔn)，如果特征根小于1，說明這個主因素的影響力度還不如一個基本的變量。
所以我們只提取特征根大于1的主成分。如圖所示，前三個主成分就是大于1的，所以我們只能說有三個主成分。
另外，我們看到第一個主成分方差占所有主成分方差的46.9%，第二個占27.5%，第三個占15.0%。這三個累計達(dá)到了89.5%。
