x13 84 6。80 9。90 8。9560 。74225

x14 84 -7。23 44。65 8。5444 8。95935

x15 84 。55 2。11 1。0956 。28921

x16 84 1。00 10。00 4。6071 2。49828

x17 84 1。00 10。00 3。6786 2。59360

有效的 N

(列表状态) 84

4。2。2  主成分分析

根据表4。1，本文选取了17个指标进行风险评价，指标数量过多会使得建立的Logistic模型过于复杂，因此在建模之前，本文首先利用主成分分析法进行降维，将较多数量的指标转换为几个能够具有代替性的综合指标。利用SPSS 22版本软件，第一步先对整理后的数据进行如表4。3所示检验，从而判别所采集的样本数据能否做因子分析，通常我们认为KMO值超过0。5时都可以进行因子分析，由表4。3可知，本文所采用的样本数据的KMO值为0。750，且P值为零，通过了显著性检验，因此本文所采用的样本数据适合做主成分分析，得到如下表4。4主成分解释的方差统计表格。

表4。3 KMO 和 Bartlett 检验来:自[优E尔L论W文W网www.youerw.com +QQ752018766-

Kaiser-Meyer-Olkin 取样足够度的度量 。750

Bartlett 的球形度检验 近似 卡方 1080。116

df 136

显著性 。000

表4。4 主成分解释的方差统计表

成分 起始特征值 提取平方和和载入

合计 方差的% 累计的% 合计 方差的% 累计的%

1 6。096 35。861 35。861 6。096 35。861 35。861

2 2。683 15。782 51。643 2。683 15。782 51。643

3 1。758 10。343 61。986 1。758 10。343 61。986

4 1。438 8。456 70。442 1。438