企业创新绩效指标的主成分分析1案例背景本案例数据来源于260家企业涉及创新投入、研发人员、专利数量、市场份额、营业收入和净利润6个变量。分析过程使用SPSSAU在线数据分析平台完成主成分分析旨在对多个指标进行信息浓缩与权重计算。主成分分析通过线性变换将多个相关变量转化为少数几个互不相关的主成分在尽可能保留原始信息的前提下实现降维广泛应用于指标体系构建、综合评价和数据预处理等场景。2分析结果在SPSSAU【进阶方法】模块选择【主成分】将变量拖拽至右侧对应分析框操作如下图表1 KMO和Bartlett检验表1显示KMO值为0.8060.8Bartlett球形检验χ²1231.639df15p0.001表明变量间存在较强的相关性数据适合进行主成分分析。KMO统计量衡量变量间偏相关性的强弱取值范围为0~1KMO0.8表示数据适合性良好Bartlett球形检验的原假设为变量间相互独立p0.05则拒绝原假设确认变量间存在显著相关性。表2方差解释率表2显示主成分分析提取了2个主成分特征根1。第1主成分特征根为3.614方差解释率60.234%第2主成分特征根为1.601方差解释率26.677%。两个主成分累计方差解释率为86.911%超过80%的常用阈值信息保留充分说明用2个主成分即可代表原始6个变量的大部分信息。特征根代表各主成分所解释的方差大小Kaiser准则特征根1是确定主成分个数的常用标准。表3载荷系数表3报告了各变量在两个主成分上的载荷系数与共同度。载荷系数反映变量与主成分的相关程度绝对值越大表示该变量对主成分的贡献越大。第1主成分上创新投入0.810、研发人员0.784、专利数量0.791载荷较高反映企业的创新研发能力可命名为创新研发因子第2主成分上市场份额0.844、营业收入0.840、净利润0.827载荷较高反映企业的市场盈利能力可命名为市场盈利因子。各变量共同度均在0.85以上说明2个主成分对各变量的信息提取较为充分。共同度表示主成分对原始变量方差的解释比例一般要求大于0.5。表4线性组合系数矩阵表4展示了各变量在主成分上的线性组合系数用于计算主成分得分。线性组合系数是载荷系数除以对应特征根的平方根得到的可将原始变量标准化后加权求和得到主成分得分。表5权重结果表5报告了综合得分系数与权重。创新投入权重为10.43%研发人员9.23%专利数量9.55%市场份额17.17%营业收入16.92%净利润15.88%。市场盈利能力相关指标的权重整体高于创新研发指标反映在企业创新绩效评价中市场转化能力比研发投入本身更具决定性作用。权重计算方法为各主成分中变量的系数乘以该主成分的方差解释率占比后归一化反映各变量在综合评价中的相对重要性。表6样本缺失情况表6显示有效样本260份无缺失。表7相关系数矩阵表7展示了各变量间的Pearson相关系数。创新投入与研发人员r0.834、专利数量r0.822相关性较强市场份额与营业收入r0.799、净利润r0.771相关性较高而创新类指标与市场类指标之间相关性较低r0.28-0.38验证了提取2个主成分的合理性。表8 MSA指标值表8显示整体MSA值为0.806各变量MSA值均大于0.7进一步确认数据适合进行主成分分析。MSAMeasure of Sampling Adequacy是对每个变量抽样合适度的度量取值范围为0~1大于0.5为可接受。3可视化结果图1为碎石图直观展示了各主成分特征根的衰减趋势前2个主成分特征根明显大于1后续成分特征根趋于平缓形成肘部验证了提取2个主成分的合理性。图2为载荷图展示了各变量在两个主成分上的载荷分布创新类指标聚集在第1象限市场类指标聚集在第2象限两组指标在因子空间中明显分离。结论综上借助SPSSAU在线数据分析平台完成主成分分析提取了2个主成分累计方差解释率86.911%分别反映企业的创新研发能力与市场盈利能力。各变量共同度均高于0.85权重分布合理实现了6个指标的有效信息浓缩为企业创新绩效的综合评价提供了客观的权重依据。
企业创新绩效指标的主成分分析1案例背景本案例数据来源于260家企业涉及创新投入、研发人员、专利数量、市场份额、营业收入和净利润6个变量。分析过程使用SPSSAU在线数据分析平台完成主成分分析旨在对多个指标进行信息浓缩与权重计算。主成分分析通过线性变换将多个相关变量转化为少数几个互不相关的主成分在尽可能保留原始信息的前提下实现降维广泛应用于指标体系构建、综合评价和数据预处理等场景。2分析结果在SPSSAU【进阶方法】模块选择【主成分】将变量拖拽至右侧对应分析框操作如下图表1 KMO和Bartlett检验表1显示KMO值为0.8060.8Bartlett球形检验χ²1231.639df15p0.001表明变量间存在较强的相关性数据适合进行主成分分析。KMO统计量衡量变量间偏相关性的强弱取值范围为0~1KMO0.8表示数据适合性良好Bartlett球形检验的原假设为变量间相互独立p0.05则拒绝原假设确认变量间存在显著相关性。表2方差解释率表2显示主成分分析提取了2个主成分特征根1。第1主成分特征根为3.614方差解释率60.234%第2主成分特征根为1.601方差解释率26.677%。两个主成分累计方差解释率为86.911%超过80%的常用阈值信息保留充分说明用2个主成分即可代表原始6个变量的大部分信息。特征根代表各主成分所解释的方差大小Kaiser准则特征根1是确定主成分个数的常用标准。表3载荷系数表3报告了各变量在两个主成分上的载荷系数与共同度。载荷系数反映变量与主成分的相关程度绝对值越大表示该变量对主成分的贡献越大。第1主成分上创新投入0.810、研发人员0.784、专利数量0.791载荷较高反映企业的创新研发能力可命名为创新研发因子第2主成分上市场份额0.844、营业收入0.840、净利润0.827载荷较高反映企业的市场盈利能力可命名为市场盈利因子。各变量共同度均在0.85以上说明2个主成分对各变量的信息提取较为充分。共同度表示主成分对原始变量方差的解释比例一般要求大于0.5。表4线性组合系数矩阵表4展示了各变量在主成分上的线性组合系数用于计算主成分得分。线性组合系数是载荷系数除以对应特征根的平方根得到的可将原始变量标准化后加权求和得到主成分得分。表5权重结果表5报告了综合得分系数与权重。创新投入权重为10.43%研发人员9.23%专利数量9.55%市场份额17.17%营业收入16.92%净利润15.88%。市场盈利能力相关指标的权重整体高于创新研发指标反映在企业创新绩效评价中市场转化能力比研发投入本身更具决定性作用。权重计算方法为各主成分中变量的系数乘以该主成分的方差解释率占比后归一化反映各变量在综合评价中的相对重要性。表6样本缺失情况表6显示有效样本260份无缺失。表7相关系数矩阵表7展示了各变量间的Pearson相关系数。创新投入与研发人员r0.834、专利数量r0.822相关性较强市场份额与营业收入r0.799、净利润r0.771相关性较高而创新类指标与市场类指标之间相关性较低r0.28-0.38验证了提取2个主成分的合理性。表8 MSA指标值表8显示整体MSA值为0.806各变量MSA值均大于0.7进一步确认数据适合进行主成分分析。MSAMeasure of Sampling Adequacy是对每个变量抽样合适度的度量取值范围为0~1大于0.5为可接受。3可视化结果图1为碎石图直观展示了各主成分特征根的衰减趋势前2个主成分特征根明显大于1后续成分特征根趋于平缓形成肘部验证了提取2个主成分的合理性。图2为载荷图展示了各变量在两个主成分上的载荷分布创新类指标聚集在第1象限市场类指标聚集在第2象限两组指标在因子空间中明显分离。结论综上借助SPSSAU在线数据分析平台完成主成分分析提取了2个主成分累计方差解释率86.911%分别反映企业的创新研发能力与市场盈利能力。各变量共同度均高于0.85权重分布合理实现了6个指标的有效信息浓缩为企业创新绩效的综合评价提供了客观的权重依据。
