09GIS-计-9-因子分析.pptVIP

5)如需旋转，单击Rotation按钮，打开旋转对话框，可设置旋转方法； 6)单击Scores按钮，打开因子得分对话框，可进行必要的设置； 7)OK 4)单击Extraction按钮，打开提取对话框，进行必要的设置； 2. 界面操作演示 * 主成分/因子分析 第 5 节 提供丰富信息 采集大量变量（指标） 地理（及其它）研究 增加分析难度 相关性（多重共线性） 信息冗余 主因子分析/因子分析 变量（指标）简化 （变量相互独立） 尽量保留信息 再现内在联系 采集大量变量（指标） 多元统计分析 一、 主成分分析/因子分析的基本方法原理 1. 基本原理 * 主成分（因子）的直观意义 * 向维空间推广多（多变量） * 数学解释 2. 主成分分析与狭义的“因子分析”的关系 x1 x2 z1 z2 α 设有n件样品, 每个样品观测两个指标x1 , x2 若 x1 , x2 相关则点群呈线性增或减型分布 在变量空间,方差分散于x1 , x2轴 在因子空间,方差集中于z1 轴 z1 =l11x1 + l12x2 z2 =l21x1 + l22x2 x1 x2 z1 z2 α 由于变化性集中于z1 Z1 ——新变量即是主成分（主因子,公因子） 故以新变量z1代替x1,x2 {z1→(x1,x2 )}信息损失很少 推广（多变量多维空间）： n件样品观测p个指标（变量） 在p维变量空间中，方差分散于p个x轴中 (z1, z2,…zm ) →→→ (x1, x2,…xp ) 新变量代替旧变量信息损失很小 变换(坐标轴旋转) 在p维因子空间中，方差集中于m个z轴中 z1 =l11x1 + l12x2 +…+ l1pxp z2 =l21x1 + l22x2 +…+ l2pxp … … … … zm =lm1x1 + lm2x2 +…+ lmpxp 确定lij的原则： * zi 与zj (i≠j) 相互独立(互不相关) * z1 , z2 …依次是原变量 所有线性组合中方 差最大、次最大…… 从数学上说： 主成分/因子分析的目的： 解释多元数据的方差-协方差矩阵内部的构造 所用的方法： 从相关或方差-协方差矩阵中提取 特征值 特征向量 反映方差贡献← 主成分(主因子)← x1 =a11F1 + a12F2 + … + a1kFk + … a1mFm x2 =a21F1 + a22F2 + … + a1kFk + … a2pFp … … … … xm =am1F1 + am2F2 +…+ a1kFk + … ammFm 主成分分析之主因子模型 X =A·F X =A·F +ε 矩阵表示: +ε2 +ε3 狭义“因子分析”之主因子模型 x1 =a11F1 + a12F2 +…+ a1kFk x2 =a21F1 + a22F2 +…+ a2kFk … … … … xm =am1F1 + am2F2 +…+ amkFk +ε1 X = A·F X = (x1, x2, … xP )T F = (F1 ,F2 , … Fk)T a11 a12 … a1k a21 a22 … a2k ∶ ∶ ∶ ap1 ap2 … apk A = Fij=C·X= AjT·R-1·X ，（C=R-1·AjT） ( x1, x2, … xP ) → (F1 ,F2 , … Fk) 原始相关变量组合 → 新变量(主因子)组合 多重共线性 → 相互独立 信息冗余 → 信息不重叠 方差有大、有小 → 较大并有序 变量难以取舍 → 有明确结构, 可解释 3. 与因子有关统计意义 * 因子载荷（aij）的统计意义 a11 a12 … a1k a21 a22 … a2k ∶ ∶ ∶ aP1 aP2 … aPk F1 F2 … Fk x1 x2 ∶ xP hi2=ai12 +ai22+…+aim2 Sj=a1j2 +a2j2+…+aPj2 * 因子载荷矩阵中各行元素平方和（hi2） —公因子方差（hi2）的统计意义 * 因子载荷矩阵各列元素平方和(Sj） —公因子Fj的方差贡献的统计意义 Sj S1 S2 … Sm hi2 h12 h22 ∶ hP2 a11 a12 … a1m a21 a22 … a2m ∶ ∶ ∶ aP1 aP2 … aPm F1 F2 … Fm x1 x2 ∶ xP 累积方差贡献% 旋转 因子载荷矩阵 如上所求出的主因子解,即初始因子载荷矩阵有时并不能满足“简单结构准则”,因为可能出现一些“中等载荷”。 因子的“典型