⑴ 关于主成分分析的stata操作步骤
先将变量标准化：egen z1 = std(x1)……
进行主成分分析：pca x*, mineigen(1)
主成分载荷分析：estat loading,cnorm(eigen)
效果分析：estat kmo（一般要大于0.7才适合做主成分分析）
碎石图：screeplot
主成分选择，一般选择前几个方差解释累计超过80%的因子主成分的因子
⑵ Stata软件 做主成分分析，如何画前三个主成份的散点图呢
贡献率太低啦
用screeplot就可以实现啦
⑶ 急求，如何用stata做主成分分析，具体步骤及结果怎样分析
这有具体的步骤，你可以参见这个，如果有数据的话，可以跑一下试试
http://wenku..com/link?url=Xd7s1YrEwtOfTC_goI-S5Kk-KITxjMOppg_uRK0YOwjLocbuJAVoHGpATgWem_WAymkNrm84n84vT1fLDXG791-A6FWbsTLS5MM3KI6GJWu
⑷ 高手帮我解答吧！拜托了！用主成分分析法怎样将很多数据整合成一个综合指标，软件用的是stata.
先做pca分析，然后提取特征值>1的项，累加其scole，最后得分就是你要的“综合指标”，没有单位哦。
⑸ 具体怎么在STATA中进行主成分分析，比如说有x1～x18个变量怎么操作
命令pca，具体的使用方法在help-Stata Command中搜索pca命令，打开help文件后，右上角偏下部分有Jump to，点击后直接跳转到examples，查看例子，简单明了。
⑹ 如何用Stata命令消除多重共线性问题
影响
（1）完全共线性下参数估计量不存在
（2）近似共线性下OLS估计量非有效
多重共线性使参数估计值的方差增大，1/(1-r2)为方差膨胀因子(Variance Inflation Factor, VIF)如果方差膨胀因子值越大，说明共线性越强。相反 因为，容许度是方差膨胀因子的倒数，所以，容许度越小，共线性越强。可以这样记忆：容许度代表容许，也就是许可，如果，值越小，代表在数值上越不容许，就是越小，越不要。而共线性是一个负面指标，在分析中都是不希望它出现，将共线性和容许度联系在一起，容许度越小，越不要，实际情况越不好，共线性这个“坏蛋”越强。进一步，方差膨胀因子因为是容许度倒数，所以反过来。
总之就是找容易记忆的方法。
（3）参数估计量经济含义不合理
（4）变量的显着性检验失去意义，可能将重要的解释变量排除在模型之外
（5）模型的预测功能失效。变大的方差容易使区间预测的“区间”变大，使预测失去意义。
需要注意：即使出现较高程度的多重共线性，OLS估计量仍具有线性性等良好的统计性质。但是OLS法在统计推断上无法给出真正有用的信息。
判断方法
如图，是对德国人口老龄化情况的分析，其中y是老龄化情况，线性回归的x1、x2、x3分别为人均国内生产总值、出生率、每个医生平均负担人口数。
判断方法1：特征值，存在维度为3和4的值约等于0，说明存在比较严重的共线性。
判断方法2：条件索引列第3第4的值大于10，可以说明存在比较严重的共线性。
判断方法3：比例方差内存在接近1的数（0.99），可以说明存在较严重的共线性。
解决方法
（1）排除引起共线性的变量
找出引起多重共线性的解释变量，将它排除出去，以逐步回归法得到最广泛的应用。
（2）差分法
时间序列数据、线性模型：将原模型变换为差分模型。
（3）减小参数估计量的方差：岭回归法（Ridge Regression）。
（4）简单相关系数检验法
⑺ Stata做主成分分析会自动标准化吗
你要区分变量是正向变量还是负向变量
把变量区分清楚了stata会自动进行标准化处理
⑻ 大神你好 想用STATA 做主成分分析 但是很多英文术语不明白 可以在线指导下吗
最主要命令就是pca啦
具体操作要结合数据会跟清楚