主成分案例分析
主成分分析案例范文
主成分分析案例范文假设我们有一个包含多个汽车特征的数据集，每个汽车被表示为一个m维向量。
我们想要对数据进行降维，以便更好地理解和可视化数据。
我们可以利用主成分分析，将高维数据转换为低维数据，然后选择其中的几个主成分进行分析。
首先，我们需要对数据进行标准化处理，即使得每个维度的均值为0，方差为1、这是因为PCA是一种基于协方差矩阵的方法，对于不同单位和尺度的变量，会导致主成分的不准确。
接下来，我们计算数据的协方差矩阵。
协方差矩阵描述了数据之间的线性关系，其中每个元素表示两个变量之间的协方差。
对于m维数据，其协方差矩阵为一个大小为mxm的矩阵。
然后，我们计算协方差矩阵的特征向量和特征值。
特征向量描述了协方差矩阵的主要方向，特征值表示了数据在特征向量方向的方差。
特征向量按照对应特征值的大小进行排序，最大的特征值对应的特征向量即为第一主成分，第二大的特征值对应的特征向量即为第二主成分，以此类推。
我们可以选择前k个主成分进行降维，其中k可以根据需求进行选择。
最后，我们将数据投影到所选择的前k个主成分上。
具体做法是将数据与特征向量构成的转换矩阵相乘，得到数据在新的低维空间中的表示。
通过PCA降维，我们可以减少数据的维度，并保留了大部分的方差信息。
这有助于数据可视化和分析。
下面以一个具体的例子说明PCA的应用。
假设我们有一个汽车数据集，其中包含汽车的各种特征，如车速、发动机功率、车重、燃油消耗等。
我们的目标是将这些特征进行降维，并查看是否可以找到一些有趣的模式。
首先，我们对数据进行标准化处理，确保每个特征的均值为0，方差为1然后，我们计算数据的协方差矩阵，找到其特征向量和特征值。
接下来，我们选择前两个特征值最大的特征向量作为第一和第二主成分。
这两个主成分分别表示数据的主要方向。
我们可以将数据投影到这两个主成分上，得到一个二维的表示。
最后，我们可以在二维空间中绘制投影后的数据，并观察数据之间的分布。
如果在二维空间中存在一些有趣的模式，我们可以进一步探索这些模式，并进行更深入的分析。
主成分分析报告
主成分分析报告第一点：主成分分析的定义与重要性主成分分析（Principal Component Analysis，PCA）是一种统计方法，它通过正交变换将一组可能相关的变量转换为一组线性不相关的变量，这组变量称为主成分。
这种方法在多变量数据分析中至关重要，尤其是在数据的降维和可视化方面。
在实际应用中，数据往往包含多个变量，这些变量可能存在一定的相关性。
这样的数据集很难直接进行分析和理解。
主成分分析通过提取数据中的主要特征，将原始的多维数据转化为少数几个互相独立的主成分，使得我们能够更加清晰地看到数据背后的结构和模式。
主成分分析的重要性体现在以下几个方面：1.降维：在数据集中存在大量变量时，通过PCA可以减少数据的维度，简化模型的复杂性，从而降低计算成本，并提高模型的预测速度。
2.去除相关性：PCA能够帮助我们识别和去除变量间的线性相关性，使得我们分析的是更加纯净的独立信息。
3.数据可视化：通过将多维数据映射到二维或三维空间中，PCA使得数据的可视化成为可能，有助于我们直观地理解数据的结构和模式。
4.特征提取：在机器学习中，PCA可以作为一种特征提取工具，提高模型的性能和泛化能力。
第二点：主成分分析的应用案例主成分分析在各个领域都有广泛的应用，下面列举几个典型的案例：1.图像处理：在图像处理领域，PCA被用于图像压缩和特征提取。
通过将图像转换到主成分空间，可以大幅度减少数据的存储空间，同时保留图像的主要信息。
2.金融市场分析：在金融领域，PCA可以用来分析股票或证券的价格动向，通过识别影响市场变化的主要因素，帮助投资者做出更明智的投资决策。
3.基因数据分析：在生物信息学领域，PCA被用于基因表达数据的分析。
通过识别和解释基因间的相关性，PCA有助于揭示生物过程中的关键基因和分子机制。
4.客户细分：在市场营销中，PCA可以用来分析客户的购买行为和偏好，通过识别不同客户群的主要特征，企业可以更有效地制定市场策略和个性化推荐。
主成分分析法及其应用
主成分分析法及其应用一、本文概述主成分分析法（Principal Component Analysis，简称PCA）是一种广泛应用于数据降维和特征提取的统计方法。
它通过正交变换将原始数据集中的多个变量转换为少数几个互不相关的主成分，这些主成分能够最大程度地保留原始数据集中的信息。
本文旨在全面介绍主成分分析法的基本原理、实现步骤以及在各个领域中的应用案例。
我们将详细阐述主成分分析法的数学基础和算法流程，包括协方差矩阵、特征值、特征向量等关键概念的计算方法。
然后，我们将通过实例演示如何使用主成分分析法进行数据降维和特征提取，以及如何通过可视化工具展示降维后的数据效果。
我们将探讨主成分分析法在机器学习、图像处理、生物信息学、社会科学等多个领域中的实际应用，展示其在数据分析和处理中的重要价值和潜力。
二、主成分分析法的基本原理主成分分析法（Principal Component Analysis，简称PCA）是一种在多个变量中找出主要影响因素，并通过降维技术把多个变量转化为少数几个互不相关的综合变量的统计方法。
这种方法在保持数据信息损失最小的原则下，通过正交变换将原始数据转化为一个新的坐标系统，使得在这个新的坐标系统中，任何数据的最大方差都投影在第一主成分上，第二大的方差都投影在第二主成分上，以此类推。
变量降维：在多数情况下，原始数据集中可能存在多个变量，这些变量之间可能存在相关性。
主成分分析通过构造新的变量（即主成分），这些新变量是原始变量的线性组合，并且新变量之间互不相关，从而将原始的高维数据空间降维到低维空间，实现数据的简化。
方差最大化：主成分分析的另一个重要原理是方差最大化。
这意味着，第一个主成分将捕获数据中的最大方差，第二个主成分捕获第二大方差，以此类推。
通过这种方式，主成分分析能够识别出数据中的主要变化方向和模式。
数据解释性：主成分分析生成的主成分是对原始数据的线性变换，因此，每个主成分都可以被解释为原始变量的某种组合。
主成分分析经典案例
主成分分析经典案例
主成分分析是一种常用的数据降维和模式识别方法，它可以帮助我们发现数据
中隐藏的结构和模式。
在实际应用中，主成分分析有很多经典案例，下面我们将介绍其中一些。
首先，我们来看一个经典的主成分分析案例，手写数字识别。
在这个案例中，
我们需要识别手写的数字，例如0-9。
我们可以将每个数字的图像表示为一个向量，然后利用主成分分析来找到最能代表数字特征的主成分。
通过这种方法，我们可以将复杂的图像数据降维到较低维度，从而更容易进行分类和识别。
另一个经典案例是面部识别。
在这个案例中，我们需要识别不同人脸的特征。
同样地，我们可以将每个人脸的图像表示为一个向量，然后利用主成分分析来找到最能代表人脸特征的主成分。
通过这种方法，我们可以将复杂的人脸数据降维到较低维度，从而更容易进行人脸识别和验证。
此外，主成分分析还可以应用于金融领域。
例如，在投资组合管理中，我们可
以利用主成分分析来发现不同资产之间的相关性和结构。
通过这种方法，我们可以将复杂的资产数据降维到较低维度，从而更容易进行资产配置和风险管理。
在医学领域，主成分分析也有着重要的应用。
例如，在基因表达数据分析中，
我们可以利用主成分分析来发现不同基因之间的相关性和结构。
通过这种方法，我们可以将复杂的基因表达数据降维到较低维度，从而更容易进行基因分析和疾病诊断。
总之，主成分分析在各个领域都有着重要的应用。
通过发现数据中的主要结构
和模式，主成分分析可以帮助我们更好地理解和利用数据。
希望以上经典案例的介绍能够帮助您更好地理解主成分分析的应用。
主成分分析在SPSS中的实现和案例
主成分分析在SPSS中的实现和案例
主成分分析（PCA）是一种常用的数据降维方法，可以将多个相关变量转化为少数几个无关的主成分。
在SPSS中实现PCA的步骤如下：
1. 打开SPSS软件，并打开需要进行PCA分析的数据集。
2. 选择“分析”菜单下的“降维”选项，再选择“因子”。
3. 在弹出的窗口中，选择需要进行PCA分析的变量，添加至“因子”列表中。
4. 点击“提取”按钮，选择提取主成分的方式，可以选择保留的主成分个数或者保留的方差比例。
5. 点击“确定”按钮，返回因子分析结果窗口，可以查看提取的主成分特征根、方差贡献率以及旋转后的载荷矩阵等信息。
下面介绍一个PCA的案例：假设研究人员要对顾客满意度进行研究，数据集包括顾客的年龄、性别、消费金额、服务态度、产品质量等变量。
为了降低变量维度，可以进行PCA分析。
在SPSS 中进行该分析的步骤如上述操作。
结果表明，经过PCA分析，可以选择保留3个主成分，解释总方差达到了80%以上。
第一主成分代表消费水平，第二主成分代表服务品质，第三主成分代表年龄和性别。
这说明顾客的满意度受到这3个方面的影响较大。
总之，主成分分析在SPSS中的实现方法简单易行，可以有效地解决多变量相关性较强的问题，为研究提供更加深入的解释和认识。
主成分分析法概念及例题
主成分分析法主成分分析（principal components analysis，PCA）又称：主分量分析，主成分回归分析法目录[显示]1 什么是主成分分析法2 主成分分析的基本思想3 主成分分析法的基本原理4 主成分分析的主要作用5 主成分分析法的计算步骤6 主成分分析法的应用分析o案例一：主成分分析法在啤酒风味评价分析中的应用[1]1 材料与方法2 主成分分析法的基本原理3 主成分分析法在啤酒质量一致性评价中的应用4 结论7 参考文献[编辑]什么是主成分分析法主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。
在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。
它是一个线性变换。
这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。
主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。
这是通过保留低阶主成分，忽略高阶主成分做到的。
这样低阶成分往往能够保留住数据的最重要方面。
但是，这也不是一定的，要视具体应用而定。
[编辑]主成分分析的基本思想在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。
这些涉及的因素一般称为指标，在多元统计分析中也称为变量。
因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。
在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。
主成分分析正是适应这一要求产生的，是解决这类题的理想工具。
同样，在科普效果评估的过程中也存在着这样的问题。
科普效果是很难具体量化的。
在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。
主成分分析法案例
主成分分析法案例主成分分析法（Principal Component Analysis, PCA）是一种常用的多变量统计分析方法，它可以帮助我们发现数据中的主要特征和结构，从而简化数据集并减少信息丢失。
在本文中，我们将通过一个实际案例来介绍主成分分析法的应用。
案例背景。
假设我们有一个包含多个变量的数据集，我们希望通过主成分分析法来找出其中的主要特征，并将数据进行降维，以便更好地理解和解释数据。
数据准备。
首先，我们需要对数据进行预处理，包括数据清洗、缺失值处理、标准化等操作。
在这个案例中，我们假设数据已经经过了预处理，并且符合主成分分析的基本要求。
主成分分析。
接下来，我们将利用主成分分析法来分析数据。
主成分分析的基本思想是通过线性变换将原始变量转化为一组线性无关的新变量，这些新变量被称为主成分，它们能够最大程度地保留原始数据的信息。
在进行主成分分析之前，我们需要计算数据的协方差矩阵，并对其进行特征值分解。
通过特征值分解，我们可以得到数据的主成分和对应的特征值，从而找出数据中的主要特征。
案例分析。
假设我们得到了数据的前三个主成分，我们可以通过观察主成分的载荷（loadings）来理解数据中的结构。
载荷可以帮助我们理解每个主成分与原始变量之间的关系，从而解释数据的特点和规律。
通过主成分分析，我们可以发现数据中的主要特征和结构，从而更好地理解数据。
同时，我们还可以利用主成分分析的结果进行数据的降维，从而简化数据集并减少信息丢失。
结论。
通过以上案例分析，我们可以看到主成分分析法在多变量数据分析中的重要作用。
通过主成分分析，我们可以发现数据中的主要特征和结构，从而简化数据集并减少信息丢失。
同时，主成分分析还可以帮助我们更好地理解和解释数据，为后续的分析和应用提供有力支持。
总结。
在本文中，我们通过一个实际案例介绍了主成分分析法的基本原理和应用。
主成分分析是一种常用的多变量统计分析方法，它可以帮助我们发现数据中的主要特征和结构，从而简化数据集并减少信息丢失。
主成分分析报告PCA(含有详细推导过程以及案例分析报告matlab版)
主成分分析法(PCA)在实际问题中，我们经常会遇到研究多个变量的问题，而且在多数情况下，多个变量之间常常存在一定的相关性。
由于变量个数较多再加上变量之间的相关性，势必增加了分析问题的复杂性。
如何从多个变量中综合为少数几个代表性变量，既能够代表原始变量的绝大多数信息，又互不相关，并且在新的综合变量基础上，可以进一步的统计分析，这时就需要进行主成分分析。
I. 主成分分析法(PCA)模型（一）主成分分析的基本思想主成分分析是采取一种数学降维的方法，找出几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关。
这种将把多个变量化为少数几个互相无关的综合变量的统计分析方法就叫做主成分分析或主分量分析。
主成分分析所要做的就是设法将原来众多具有一定相关性的变量，重新组合为一组新的相互无关的综合变量来代替原来变量。
通常，数学上的处理方法就是将原来的变量做线性组合，作为新的综合变量，但是这种组合如果不加以限制，则可以有很多，应该如何选择呢？如果将选取的第一个线性组合即第一个综合变量记为1F ，自然希望它尽可能多地反映原来变量的信息，这里“信息”用方差来测量，即希望)(1F Var 越大，表示1F 包含的信息越多。
因此在所有的线性组合中所选取的1F 应该是方差最大的，故称1F 为第一主成分。
如果第一主成分不足以代表原来p 个变量的信息，再考虑选取2F 即第二个线性组合，为了有效地反映原来信息，1F 已有的信息就不需要再出现在2F 中，用数学语言表达就是要求0),(21=F F Cov ，称2F 为第二主成分，依此类推可以构造出第三、四……第p 个主成分。
（二）主成分分析的数学模型对于一个样本资料，观测p 个变量p x x x ,,21，n 个样品的数据资料阵为：⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=np n n p p x x x x x x x x x X212222111211()p x x x ,,21=其中：p j x x x x nj j j j ,2,1,21=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛= 主成分分析就是将p 个观测变量综合成为p 个新的变量（综合变量），即⎪⎪⎩⎪⎪⎨⎧+++=+++=+++=ppp p p p p p p p x a x a x a F x a x a x a F x a x a x a F 22112222121212121111 简写为：p jp j j j x x x F ααα+++= 2211p j ,,2,1 =要求模型满足以下条件：①j i F F ,互不相关（j i ≠，p j i ,,2,1, =）②1F 的方差大于2F 的方差大于3F 的方差，依次类推③.,2,1122221p k a a a kp k k ==+++于是，称1F 为第一主成分，2F 为第二主成分，依此类推，有第p 个主成分。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
主成分案例分析主成分分析案例---我国各地区普通高等教育发展水平综合评价(一)案例教学目的主成分分析试图在力保数据信息丢失最少的原则下，对多变量的截面数据表进行最佳综合简化，也就是说，对高维变量空间进行降维处理。
本案例运用主成分分析方法综合评价我国各地区普通高等教育的发展水平。
通过本案例的教学，力图使学生加深对主成分分析的统计思想和实际意义的理解，明确主成分分析方法的适用环境，掌握主成分分析软件实现操作方法，提高学生思考、分析和解决实际问题的能力。
(二)案例研究背景近年来，我国普通高等教育得到了迅速发展，为国家培养了大批人才。
但由于我国各地区经济发展水平不均衡，加之高等院校原有布局使各地区高等教育发展的起点不一致，因而各地区普通高等教育的发展水平存在一定的差异。
对我国各地区普通高等教育的发展水平进行综合评价，明确各地区的差异，有利于管理和决策部门从宏观上把握各地区普通高等教育的发展现状，更好的指导和规划高教事业的健康发展。
(三)案例研究过程1、建立综合评价指标体系高等教育是依赖高等院校进行的，高等教育的发展状况主要体现在高等院校的相关方面。
遵循选取评价指标的目的性和可比性原则，从高等教育的五个方面选取十项评价指标，具体如下:2、数据资料指标的原始数据取自《中国统计年鉴，1995》和《中国教育统计年鉴，1995》除以各地区相应的人口数得到十项指标值见表1。
其中:x为每百万人口高等院校数;x为每十万人口高等院校毕业生数;x123为每十万人口高等院校招生数;x为每十万人口高等院校在校生数;4x 为每十万人口高等院校教职工数;x 为每十万人口高等院校专职56教师数;x为高级职称占专职教师的比例;x为平均每所高等院校的78在校生数;x为国家财政预算内普通高教经费占国内生产总值的比9重;x为生均教育经费。
10表1-1 我国各地区普通高等教育发展状况数据地区 x x x x x x x x x x 12345678910北京1 5.96 310 461 1557 931 319 44.36 2615 2.2 13631 上海2 3.39 234 308 1035 498 161 35.02 3052 0.9 12665 天津3 2.35 157 229 713 295 109 38.4 3031 0.86 9385 陕西4 1.35 81 111 364 150 58 30.45 2699 1.22 7881 辽宁5 1.5 88 128 421 144 58 34.3 2808 0.54 7733吉林6 1.67 86 120 370 153 58 33.53 2215 0.76 7480 黑龙江7 1.17 63 93 296 117 44 35.22 2528 0.58 8570 湖北8 1.05 67 92 297 115 43 32.892835 0.66 7262 江苏9 0.95 64 94 287 102 39 31.54 3008 0.39 7786 广东10 0.69 39 71 205 61 24 34.5 2988 0.37 11355 四川11 0.56 40 57 177 61 23 32.62 3149 0.55 7693 山东12 0.57 58 64 181 57 22 32.95 3202 0.28 6805甘肃13 0.71 42 62 190 66 26 28.13 2657 0.73 7282 湖南14 0.74 42 61 194 61 24 33.06 2618 0.47 6477 浙江15 0.86 42 71 204 66 26 29.94 2363 0.25 7704 新疆16 1.29 47 73 265 114 46 25.93 2060 0.37 5719 福建17 1.04 53 71 218 63 26 29.01 2099 0.29 7106 山西18 0.85 53 65 218 76 30 25.63 2555 0.43 5580 河北19 0.81 43 66 188 61 23 29.82 2313 0.31 5704 安徽20 0.59 35 47 146 46 20 32.83 2488 0.33 5628 云南21 0.66 36 40 130 44 19 28.55 1974 0.48 9106 江西22 0.77 43 63 194 67 23 28.81 2515 0.34 4085海南23 0.7 33 51 165 47 18 27.34 2344 0.28 7928 内蒙古24 0.84 43 48 171 65 29 27.65 2032 0.32 5581 西藏25 1.69 26 45 137 75 33 12.1 810 1 14199 河南26 0.55 32 46 130 44 17 28.41 2341 0.3 5714 广西27 0.6 28 43 129 39 17 31.93 2146 0.24 5139 宁夏28 1.39 48 62 208 77 34 22.7 1500 0.42 5377 贵州29 0.64 23 32 93 37 16 28.12 1469 0.34 5415 青海30 1.48 38 46 151 63 30 17.87 1024 0.38 73683、主成分分析定性考察反映高等教育发展状况的五个方面十项评价指标，可以看出，某些指标之间可能存在较强的相关性。
比如每十万人口高等院校毕业生数、每十万人口高等院校招生数与每十万人口高等院校在校生数之间可能存在较强的相关性，每十万人口高等院校教职工数和每十万人口高等院校专职教师数之间可能存在较强的相关性。
为了验证这种想法，计算十个指标之间的相关系数，的相关矩阵如下: X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X1 1.000 0.943 0.953 0.959 0.9750.980 0.407 0.066 0.868 0.661 X2 0.943 1.000 0.995 0.995 0.974 0.9700.614 0.350 0.804 0.600 X3 0.953 0.995 1.000 0.999 0.983 0.981 0.626 0.344 0.823 0.617X4 0.959 0.995 0.999 1.000 0.988 0.986 0.610 0.326 0.828 0.612 X5 0.975 0.974 0.983 0.988 1.000 0.999 0.560 0.241 0.859 0.617 X6 0.980 0.970 0.981 0.986 0.999 1.000 0.550 0.222 0.869 0.616 X7 0.407 0.614 0.626 0.610 0.560 0.550 1.000 0.779 0.366 0.151 X8 0.066 0.350 0.344 0.326 0.241 0.222 0.779 1.000 0.112 0.048 X9 0.868 0.804 0.823 0.828 0.859 0.869 0.366 0.112 1.000 0.683 X10 0.661 0.600 0.617 0.612 0.617 0.616 0.151 0.048 0.683 1.000 可以看出某些指标之间确实存在很强的相关性，如果直接用这些指标进行综合评价，必然造成信息的重叠，影响评价结果的客观性。
主成分分析方法可以把多个指标转化为少数几个不相关的综合指标，因此，可以考虑利用主成分进行综合评价。
利用spss11.5软件对十个评价指标进行主成分分析，相关矩阵的前几个特征根及其贡献率如下:序号特征根贡献率累计贡献率1 7.50215857 5.92517132 0.75022 1.57698725 1.04077379 0.90793 0.53621346 0.32983445 0.96154 0.20637902 0.06137774 0.98225 0.14500127 0.12281456 0.99676 0.02218671 0.01506645 0.9989可以看出，前两个特征根的累计贡献率就达到90%以上，主成分分析效果很好。
下面选取前四个主成分(累计贡献率就达到98%)进行综合评价。
前四个特征根对应的特征向量分别为:Prin1 Prin2 Prin3 Prin4x1 0.349690 -.197248 -.163939 -.102208x2 0.359021 0.034325 -.108403 -.226582x3 0.362252 0.029115 -.090026 -.169164x4 0.362251 0.013769 -.112789 -.160744x5 0.360530 -.050673 -.153385 -.044208x6 0.360156 -.064634 -.164455 -.003183x7 0.224121 0.582629 -.039679 0.081178x8 0.120071 0.702075 0.357657 0.070228x9 0.319240 -.194110 0.120384 0.899945x10 0.245179 -.286509 0.863707 -.245705由此可得四个主成分分别为Z=0.350x +0.359x +…0.245x1210Z=0.197x+0.034x+…0.286x1210Z=0.164x+0.108x+…0.864x1210Z=0.102x+0.227x+…0.246x1210从主成分的系数可以看出，第一主成分主要反映了前六个指标(学校数、学生数和教师数方面)的信息，第二主成分主要反映了高校规模和教师中高级职称的比例，第三主成分主要反映了生均教育经费，第四主成分主要反映了国家财政预算内普通高教经费占国内生产总值的比重。
把各地区原始十个指标的标准化数据代入四个主成分的表达式，就可以得到各地区的四个主成分值。
4、利用主成分进行综合评价分别以四个主成分的贡献率为权重，构建主成分综合评价模型:F =0.7502Z+0.1577Z +0.0536Z+0.0206Z 1234把各地区的四个主成分值代入上式，可以得到各地区高教发展水平的综合评价值以及排序结果。
地区名次综合评价值北京 1 9.098 上海 2 4.619 天津 3 2.665 陕西 4 .844 辽宁 6 .653 吉林5 .726 黑龙江 7 .201 湖北 8 .070 江苏 9 -.174 广东 11 -.347 四川 14 -.661 山东 18 -.797 甘肃 13 -.586 湖南 16 -.729 浙江 17 -.746 新疆 12 -.528 福建 15 -.699 山西 19 -.836河北 22 -.968安徽 27 -1.150云南 21 -.912江西 26 -1.129海南 25 -1.103内蒙古 24 -1.094西藏 10 -.191河南 28 -1.371广西 29 -1.416宁夏 20 -.890贵州 30 -1.510青海 23 -1.038(四)案例研究结果各地区高等教育发展水平存在较大的差异，高教资源的地区分布很不均衡。