五因素分析.pptVIP

五、因素分析 定义 因素分析（factor analysis） 根据相关性大小把变量分组，使得同组内变量之间的相关性较高，不同组之间的相关性较低。 每组变量对应于一个所谓的因子（factor）。在因素分析中，因子被认为是造成该组变量变化的共同原因。 因子分析的特点 因子分析的数量远少于原有的指标变量的数量，对因子变量的分析能够减少分析中的计算工作量。 因子变量不是对原有变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映变量大部分的信息。 因子分析的四个基本步骤： （1）确定待分析的原有若干变量是否适合于因子分析； （2）构造因子变量； （3）利用旋转使得因子变量更具有可解释性； （4）计算因子变量的得分。 因子分析的两个核心问题： （1）如何构造变量； （2）如何对因子变量进行命名解释。 第一步：确定待分析的原有若干变量是否适合于因子分析 判断是否适合于因子分析的依据：原有变量之间是否具有较强的相关性，如果有，则适合。 SPSS提供的判断变量是否适于做因子分析的方法： 巴特利特球形检验（Bartlett Test of Sphericity） 该方法是以变量的相关系数矩阵为出发点。它的零假设相关系数矩阵是一个单位阵。如果巴特利特球形检验的统计量数值较大，且其对应的相伴概率值小于用户给定的显著性水平，那么应该拒绝零假设。反之，则不能拒绝零假设，认为相反系数矩阵可能是单位阵，不适于做因子分析。 KMO（Kaiser— Meryer — Olkin）检验 KMO统计量用于比较变量间简单相关和偏相关系数。KMO取值范围在0和1之间。 Kaiser给出了一个KMO是否适合做因子分析的标准： 0.9KMO，非常适合； 0.8KMO0.9，适合； 0.7KMO0.8，一般； 0.6 KMO0.7，不太适合 KMO0.5，不适合 第二步：构造因子变量 因子分析中有多种确定变量的方法，如基于主成分模型的主成分分析法、基于因子分析模型的主轴因子法、极大似然法、最小二乘法等。 使用最多的是：主成分分析法。 主成分分析法： 它是寻找因子的一个主要方法，是一种数学变换方法。 原理：设有n个样品，各观察了m个指标（x1，x2，x3，…Xm）。现在希望用较少的综合指标（y1，y2，y3,… yp）来反映各原始指标中所包含的信息。一般的计算方法是：先计算原指标间的相关矩阵，计算该矩阵的特征根和特征向量。将特征根由大到小排列，分别计算出其对应的主成分。 相关矩阵：原始指标首先标准化，然后求两两之间的相关系数组成的矩阵。 特征根：根据相关矩阵得到的特征矩阵。 第三步：利用旋转使得因子变量更具有可解释性 原始变量都是有物理含义的，对其进行线性变换后得到的新综合变量的物理含义是什么呢？对于因子变量的解释，可以进一步说明影响远变量系统构成的主要因素和系统特征。 在实际工作中，主要是通过对载荷矩阵A的值进行分析，得到因子变量和原变量的关系，从而对新的因子变量进行命名。 在实际分析中，可以通过因子矩阵的旋转来分析清楚新的因子变量的含义。 旋转的方法有：正交旋转、斜交旋转、方差极大法，其中最常用的是方差极大法。 第四步：计算因子变量得分 因子变量得分是因子分析的最后一步。 因子变量的得分是确定每一个样本数据在不同因子上的具体数据值。 估计因子得分的方法有： 回归（Regression）法 Bartlett法 Anderson—Rubin法等。 例： 假设调查某校高中新生的情况，包括身高、体重、语文入学成绩、数学入学成绩、英语入学成绩、家庭人均年收入、家庭月均支出。 七个变量分成三组： 身高、体重为一组，反映学生身形； 三科入学成绩为一组，反映学习的学习成绩； 家庭人均年收入、年景月均支出为一组，反映学生的家庭经济状况。 例题： 下面是12个问卷题目，用于调查小学生的欺负行为。让被试根据他（她）自己过去一年欺负同学的情况无记名回答。采用6级记分：1-从来没有；2-有时这样；3-一个月有一两次；4-一周一次左右；5-一周几次；6-几乎天天如此。 Q1说同学坏话； Q2有同学走过来时故意撞上去； Q3让人传播某个同学的谣言； Q4说点难听的取笑同学； Q5向同学扔东西； Q6让人不要理某个同学； Q7给同学取不好的绰号； Q8推撞同学； Q9给某个同学脸色看； Q10嘲弄同学的长相； Q11挑起事端和人打架； Q12有意不让某个同学参加活动。 结果解释 该表给出了KMO检验和巴特利特球形检验的结果。 其中，KMO值为0.564，根据统计学家给出的分析，KMO取值小于0.6，不太适合做因子分析。 巴特利特球形检验给出的相伴概率为0.000，小于显著性水平0.05，因此拒绝零假设，认为适合做因子分析。 因子分子后，因子提取的结果。其中： In