以Excel和SPSS为工具的管理统计 第11章 因子分析.pptVIP

应用统计第5章 本章教学目标： 掌握因子分析的基本概念、基本原理及其分析应用的基本步骤； 熟练使用软件进行因子分析； 能应用因子分析方法解决实际问题 本章主要内容： §11.1 因子分析模型 §11.2 模型参数的统计意义 §11.3 变量的相关性检验 §11.4 模型的参数估计方法 §11.5 因子得分 §11.6 上机实现 本章内容重点： 因子分析的概念; 模型的参数估计方法；上机实现 因子分析最初是由英国心理学家C.Spearman提出的。1904年他在美国心理学刊物上，发表了第一篇有关因子分析的文章。以后逐渐扩展到社会学、气象学、政治学、医学、地理学及管理学的领域。 因子分析和主成分分析有很大的不同，主成分分析不能作为一个模型来描述，它只能作为一般的变量变换，主成分分析是可观测变量的线性组合；而因子分析需要构造一个因子模型，公共因子一般不能表示为原始变量的线性组合。因子分析中的因子一般能够找到实际意义，主成分分析的主成分综合性太强，一般找不出实际意义。 C.Spearman 模型：学生p门功课的成绩是由一个起公共作用的智力因子f和起特殊因子决定的。 其中是各门功课的平均成绩。 L. Thurstone 模型：智利因子多于一个 一、因子分析模型 因子分析的一般模型 其中 为均值， 为公共因子， 为特殊因子，它们都是不可观测的随机变量。上式可用矩阵表示为 二、因子模型的性质 X的协方差矩Σ可以进行如下分解： 即可得 如果X为各分量已标准化了的随机变量，则Σ就是相关矩阵R，既有 因子模型具有两个重要的性质： 模型不受变量量纲的影响 因子载荷不是惟一的。 §11.2 模型参数的统计意义 一、A的元素 的统计意义 即 是 与 之间的协方差。若X为各分量已标准化了的随机变量，则 为 与 之间的相关系数 二、A的行元素平方和的统计意义 令 ，于是 反映了公共因子对 的影响，可以看成是公共因子对 的方差贡献，称为共性方差(communality)；而 是特殊因子对的方差贡献，称为特殊方差(specific variance)。当X为各分量已标准化了的随机向量时， ，此时有 三、A的列元素平方和的统计意义 令 ，于是有 反映了公共因子 对 的影响，是衡量公共因子 重要性的一个尺度，可视为公共因子 对 的 的总方差贡献。 §11.3变量X1,X2,…,Xp之间的相关性检验 KMO样本测度(Kaiser-Meyer-Olkin Measure of Sampling Adequacy)。 它是所有变量 的简单相关系数的平方和与这些变量之间偏相关系数的平方和之差。 相关系数实际上反映的是公共因子起作用的空间。偏相关系数放映的是特殊因子起作用的空间。KMO接近于1，越适合于作公共因子分析。KMO过小，不适合于作因子分析。数据是否作因子分析，一般采用如下主观判断：KMO在0.9以上，非常适合；0.8~0.9，很适合；0.7~0.8，适合；0.6~0.7，不太适合；0.5~0.6,很勉强；0.5以下，不适合。 (2) 巴特莱特球体检验(Barlett test of sphericity)。 这个统计量从整个相关系数矩阵来考虑问题，其零假设是相关系数矩阵为单位矩阵，可以用常规的假设检验判断相关系数矩阵是否显著异于零。 §11.4 模型的参数估计方法 估计因子载荷矩阵A和特性方差矩阵D的方法有主成分法、主因子法和极大似然法。 一、主成分法 由主成分分析可知，对于随机观测向量 ，若其相关阵的特征根为： ≥ ≥ … ≥ ，对应的特征向量矩阵为 ，且 ，则主成分向量为： 且 由于A是一个正交矩阵，所以若用主成分向量来表示原始观测向量，则有 且 令 ，并令 则有 并且有 显然，这就形成了一个不包含任何特殊因子的因子分析模型。 当然，假定原始观测变量完全由公共因子决定，不存在特殊因子，可能是不合适，因此我们给定公共因子数目mp，只取 的前m列为因子载荷矩阵，而将p-m列留给特殊因子，这时共性方差