应用多元统计分析-第七章 主成分和因子分析课件.pptVIP

* * 因子分析的判断 KMO测度和巴特利特球体检验： KMO值：0.9以上非常好；0.8以上好；0.7一般；0.6差；0.5很差；0.5以下不能接受。 巴特利特球体检验的 H0:相关矩阵为单位阵 * 主成分和因子分析的一些注意事项 在得到分析的结果时，并不一定会都得到如我们例子那样清楚的结果。这与问题的性质，选取的原始变量以及数据的质量等都有关系 在用因子得分进行排序时要特别小心，特别是对于敏感问题。由于原始变量不同，因子的选取不同，排序可以很不一样。 * Spss实现 Spss选项:Analyze－Data Reduction－Factor 用Extraction，选择提取共因子的方法（如果是主成分分析，则选Principal Components）， 用Rotation，选择因子旋转方法（如果是主成分分析就选None）， 用Scores计算因子得分，再选择Save as variables（因子得分就会作为变量存在数据中的附加列上）和计算因子得分的方法（比如Regression）；要想输出Component Score Coefficient Matrix表，就要选择Display factor score coefficient matrix； * 因子分析—例 北京市各区县的社会经济发展水平存在着一定的差异，然而反映社会经济发展水平的指标很多，如何反映各区县之间的差异，进行多指标的综合评价是统计分析的问题之一。因为指标较多且之间的相关性很强，用主成分分析和因子分析可以用较少的综合指标，反映原来变量的较多的信息，达到降维简化分析过程的目的。 数据文件：北京市各区县主要指标因子分析.sav。数据来源：北京统计年鉴 2004 * 因子分析— 变量名称： x1-在岗职工平均工资（元/人） x2-地区生产总值（万元） x3-城镇居民人均可支配收入（元） x4-地方财政收入（万元） x5-全社会固定资产投资（万元） x6-社会消费品零售额（万元） x7-从业人数。 * 各指标的相关系数矩阵 * 特征值和贡献率 * * 碎石图 * 因子载荷矩阵 * 因子旋转 * 因子得分 * 因子得分 由因子得分系数，我们可以得到计算因子得分的线性方程： f1=-0.212x1+0.307x2-0.384x3+0.183x4+0.367x5+0.233x6+0.263x7 f2=0.573x1-0.163x2+0.799x3+0.025x4-0.265x5-0.052x6-0.095x7 * 练习一 某项研究消费者对购买牙膏偏好的调查，通过市场的拦截访问，用7级量表询问受访者对以下陈述的认同程度（1表示非常不同意，7表示非常同意）。 数据文件：牙膏属性评分.SAV 练习一 V1：购买预防蛀牙的牙膏是重要的 V2：我喜欢使牙齿亮泽的牙膏 V3：牙膏应当保护牙龈 V4：我喜欢使口气清新的牙膏 V5：预防坏牙不是牙膏提供的一项重要利益 V6：购买牙膏时最重要的考虑是富有美丽的牙齿 请问从调查数据能得到什么结论？ * * 由Component1、2的系数除以以 、 ，得到： Y1=-0.417x1-0.349x2-0.349x3+0.462x4+0.427x5+0.433x6 Y2=0.183x1+0.275x2+0.265x3+0.158x4+0.225x5+0.220x6 * 主成分分析 为什么spss中只取了两个主成分呢？ * 主成分分析 头两个成分特征值对应的方差累积占了总方差的81.142%，称为累计方差贡献率为81.142%。后面的特征值的贡献越来越少。 一般我们取累计方差贡献率达到85%左右的前k个主成分就可以了，因为它们已经代表了绝大部分的信息 。 Spss中选取主成分的方法有两个：一是根据特征根≥1来选取； 另一种是用户直接规定主成分的个数来选取。 * 特征值的贡献还可以从SPSS的所谓碎石图看出 * 可以把第一和第二主成分的点画出一个二维图以直 观地显示它们如何解释原来的变量的。 该图左面三个点是数学、物理、化学三科， 右边三个点是语文、历史、外语三科。 * 因子分析 因子分析是主成分分析的推广和发展。 为什么要进行因子分析？ 由主成分分析的模型可知： 成绩数据（student.sav） 主成分一： 主成分二： * Y1=-0.417x1-0.349x2-0.349x3+0.462x4+0.427x5+0.433x6 * 因子分析 我们如果想知道每个变量与公共因子的关系，则就要进行因子分析了。因子分析模型为： * 因子载荷 称为因子载荷（实际上是权数）。 因子载荷的统计意义：就是第i个变量与第j个公共因子的相关系数，即表示变量xi依赖于Fj的份量（