第章主成分分析与因子分析.pptVIP

这时，取F1轴为主成分，则F1这一个指标就能反映x1、x2两个指标的80%的主要信息，称为第一主成分。F2这个指标反映x1、x2的20%信息，称为第二主成分。显然，主成分不再是原来的某一个变量，而是原来多个变量的线性组合。主成分分析的重点在提取原指标的主要信息，一般不必旋转即可达到分析的目的。 相关系数矩阵 原有变量的相关系数矩阵确定原用变量不适合进行因子分析 ⑵ 如图2 （初始特征值）、（提取平方和负荷）、（旋转平方和负荷），可见前面2个因子的特征值大于1，Cumulative %（累积）贡献率为83.164%。 （3）初始因子负荷矩阵见图3，提取2个主成分， 表中每一个载荷量表示主成分与对应变量的相关系数，第一个成分在每一载荷的系数比较比较大，几乎反映了五种中草药种微量元素的所有信息。不妥 旋转后的成分矩阵， 钾、钙、锰在第一个主 成分上的载荷为0.750, 0.904,0.966。 镁、铜、锌、铁在第 二个主成分上的载荷 为0.631,0.979,0.988, 0.639 （4）如图，据因子得分系数矩阵, 第一个主成分得分的计算公式为： fac1=0.263K+0.394Ca +-0.088Mg+0.162Cu+0.106Fe-0.153Fe+0.393Mn wuwei.sav会生成变量名为fac1-1和fac2-1, 的2个变量，其对应于各个体的值就是按这3式计算出来的主成分得分。主成分得分服从标准正态分布。 龙胆草2 党参3 细辛1 山茱萸4 肉桂5 三. 主成分分析的应用 综合评价:用每个主成分的贡献率λi /m作对应个体主成分得分的权重，可建立个体综合评判函数： C＝(λ1/m)×fac1＋(λ2/m)×fac2＋…＋(λm/m)×facm 因子分析的目的之一是鉴别有实际意义的因子，经过旋转后的因子矩阵得到有意义的因子 第二节 因子分析 一. 因子分析的意义 旋转后的成分矩阵， 钾、钙、锰在第一个主 成分上的载荷为0.750, 0.904。 铜、锌、铁在第二个主 成分上的载荷为 0.631,0.979,0.988,0.639 因子分析的任务是从观测数据出发，通过分析xl，x2,.., xm之间的相关性，找出公因子F1，F2，………，Fp，估计出因子载荷 {bjk} 和特殊因子的方差{σ}，然后将这些抽象因子{Fi}赋予有实际背景的解释或给以命名。 利用综合出的少数因子，以再现原始变量和因子之间的相互关系，以达到降维和对原始变量进行分类的目的。因子分析中综合指标应该比原始变量少，但包含的信息量应该相对损失较少。 因子分析的数学模型 x1= b11F1+ b12 F2 +b13 F3 +…+b1p Fp+ e1 x2= b21F1+ b22 F2 +b23 F3 +…+b2p Fp+ e2 （20.2) ……　　………　　　………　　……… xm= bm1F1+ bm2 F2 +bm3 F3 +…+bmp Fp+ ep F1，F2，…，FP称为公因子，ei~N(0，σi2)。bjk为第 j 个变量在第 k 个因子的载荷（相关系数），表示xi依赖Fk的份量(比重)，统计术语叫作权，提出因子分析的心理学家将它称为载荷，bjk 反映了第 i个变量在第 k 个公共因子上的相对重要性，如它可以表示某个元素对人体的重要性。 （20.2) 矩阵 X＝BF+E。X为向量(x1，x2，…，xm)′F为公因子向量(F1，F2，…，FP)′E为残差向量(E1，E2，…，EP)′；B为由因子载荷构成的系数矩阵： 称为第i个变量xi的共性方差，i=1，，…，m） 。 var（xi）= hi2+ σi2。xi为标准化变量时，var（xi）= hi2+ σi2=1，0≤hi2≤1 称为第 j 个公因子Fj 的方差贡献 ，（i=1，2，…，m） 。 第 j 个公因子的方差贡献率，简称因子贡献率 因子分析通常包括适用检验、因子数目、旋转变换、因子得分四个步骤 判断数据是否适于因子分析，采用适用检验，是在分析前，进行KMO统计量（0.5不宜因子分析）及球形检验（P0.05因子分析应慎重）。 按累计贡献率≥70%或特征值≥1 确定因子数目 判断数据是否适于因子分析，采用适用检验，是在分析前，进行KMO统计量（0.5不宜因子分析）及球形检验（P0.05因子分析应慎重）。 若分析结果虽保证因子之间正交性(不相关)，但因子不易命名，可通过旋转变换使公因子负荷系数向更大(向1)或更小(向0)方向变化，使因子负荷（因子的系数）具有鲜明的实际意义 用公共因子代表原始变量时，有时更有利于描述研究对象