《表1 解释的总方差：基于主成分多元回归的APP任务分派模型》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于主成分多元回归的APP任务分派模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

首先，从已完成的任务与会员信息中随机选择200个样本，进行整合处理，选取任务纬度、任务经度、会员纬度、会员经度、预定限额、信誉值六个因素做为自变量，对这些数据进行KMO检验和Bartlett球形检验，KMO值为0.503较接近1，Bartlett球形检验中的Sig.的值小于0.001，表明适合进行因子分析[3]。在表1的初始特征值中，最大的数值是1.79，后面依次1.534、1.264，这3个主成份能够代表原始数据的大部分信息，具有较强的解释力度。根据各个成分的累积方差贡献率，可以得到前3个主成份的特征值均大于1累积方差贡献率达到76.468%，这说明前3个主成份因子提供了原始数据的足够信息，能够很好的代替原始数据，因子分析结果是比较理想的。