多指标综合评价中主成分分析与因子分析方法的比较.pdf

维普资讯 第21卷第5期 统 计 与 信 息 论 坛 Vol1．21No．5 2006年9月 Statistics InformationForum Sept．，2006 统【计理论与方法】 多指标综合评价中 主成分分析和因子分析方法的比较 王文博，陈秀芝 (西安交通大学 经济与金融学院，陕西 西安 710061) 摘要：文章通过对主成分分析和因子分析在研究 目的、分析原理、SPSS软件实现过程方面的比较，指出在 多指标综合评价时应用两种方法应该注意四个问题 ，以正确地进行实证研究。 关键词：主成分；因子；区别 中图分类号：0 12．4 文献标识码：A 文章编号：1007—3116(2006)05—0019—04 1901年由KarlPerason引进，对非随机变量讨论， 一 、 问题的提 出 1933年数学家Hotelling把它推广到随机向量 【卜 。 在多元统计分析中，主成分和因子分析是两种 这种方法的思想就是把相关联的原始变量用不相关 很重要的数据降维方法。随着两种方法不断被研究 的新变量表示，表示方式为线性组合；出于简化数据 推广，它们越来越多地被应用于实证分析尤其是多 的目的，选取新变量个数少于原始变量个数，被选取 指标综合评价中。但是由于对两种方法的原理理解 的新变量就是 “主成分”。选取的原则是不丢失主要 不透彻，对统计软件SPSS中两种方法的实现过程 信息，衡量信息量的指标是主成分的方差，方差越 不清楚，导致在实际应用时错误使用输出结果，使定 大，说明主成分包含的信息量越大。 量分析出现偏差。 (2)主成分分析的原理。理解主成分分析的原 理需要特别注意以下两个方面： 二、主成分分析和因子 其一，数学模型及其统计特征： 分析的区别、联系 Fml=A xpl，为保证线性组合的系数确 首先假定 x是已经标准化的P维随机向量，因 定、唯一，模型需要满足： 此 x的协差阵和相关系数阵是同一的，用 R表示； (I)Cov(Fi， )：0，即各个主成分之间互不 是R的第i大特征根， 对应的单位特征向量P组 相关 ； 成的矩阵为Epp= (Pl’P2，·．-， )，F是 m维主成 (Ⅱ)Var( )= ， 是R的第 大特征根；主 分向量，z是 m维公共因子向量，拿是特殊因子向量。 成分的形成顺序按照方差大小排列，即第一主成分 主成分分析和R型因子分析都是对变量降维， 方差最大，第二主成分方差第二大，依次类推； 分析的对象相同，所以本文主要讨论主成分分析和 (Ⅲ)A ，A =I ，即系数阵是单位阵。 R型因子分析的区别和联系。 其二，系数阵的特征和估计。应用主成分模型的 (一)主成分分析和因子分析简介 关键是估计系数阵A 。多元统计学已经证明： 1．主成分分析 A × =(Pl，P2，…，P )，P是R的特征根 对 (1)发展历史和研究 目的。主成分概念最早在 应的单位特征向量。 收稿 日期：2006—03—16 作者简介：王文博(1953一)，男，陕西省西安市人 ，教授，硕士生导师，研究方向：计量经济模型与应用 、经济预测与决策； 陈秀芝(1981一)，女，天津市