《表1 解释的总方差（汛期）》

  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

《基于小波分析的汛期月径流量预测模型研究》

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

因子分析前，首先进行KMO检验和巴特利球体检验。KMO检验用于检查变量间的相关性和偏相关性，取值在0～1之间。KMO统计量越接近于1，变量间的相关性越强，因子分析的效果越好。实际分析中，KMO统计量在0.7以上时效果比较好；当KMO统计量在0.5以下时不适合应用因子分析法。采用主成分分析方法分析以上数据，得出汛期实测数据对应的KMO值为0.819（大于0.8），意味着变量间的相关性较强，说明变量很适合作因子分析。巴特利特球形检验法是以相关系数矩阵为基础的。它的零假设相关系数矩阵是一个单位阵，即相关系数矩阵对角线的所有元素均为1，所有非对角线上的元素均为0。巴特利特球形检验法的统计量Sig值是根据相关系数矩阵的行列式得到的。如果Sig值较大，且其对应的相伴概率值小于指定的显著水平0.05时，拒绝零假设，表明相关系数矩阵不是单位阵，原有变量之间存在相关性，适合进行主成分分析；反之，数据不适合进行主成分分析。对本次采用的数据进行Bartlett的球形度检验，其Sig值小于显著水平0.05，说明变量之间存在相关关系。所选取的影响因子的数据符合因子分析的条件，适合做主成分分析。进行主成分分析时，由表1可知前4个主成分贡献率累计百分比为88.943%，对应的初始特征值分别是8.364、2.975、2.190、0.702，根据初始特征值计算得到主成分表达式的系数矩阵（表2），进一步计算得到汛期四个主成分Y1、Y2、Y3、Y4作为预测输入。