8因子分析.doc

因子分析，相较于主成分分析而言，通过对因子的旋转处理，使得我们可以更直观的认识到数据内部之间的关系，其目的即用有限个不可观测的因变量来解释原始变量间的相关关系。即用几个少数的综合因子来取代错综复杂关系的变量。 因子分析函数：factanal X,factors,scores ”none”,rotation ”varimax” 这个函数是基于极大似然方法求解 X为数据，矩阵或者数据框 factors为因子个数 scores为因子得分的计算方法，”regression”,”Bartlett” rotation为因子旋转方法 自编因子分析函数：factpc X,m,scores ”none”,rotation ”varimax” 这个函数是基于主成分方法来求解的。 极大似然法要求数据来自多元正态分布，这一点一般是很难满足的。而主成分法没有正态总体的要求。 对于数据d9.1 水泥行业运营因素做因子分析。 输入： X read.table clipboard,header T cor X #计算相关系数矩阵 #极大似然法进行因子分析 FA0 factanal X,3,rotation none FA0 Call: factanal x X, factors 3, rotation none Uniquenesses: x1 x2 x3 x4 x5 x6 0.005 0.005 0.005 0.271 0.005 0.548 Loadings: #因子载荷矩阵 Factor1 Factor2 Factor3 x1 0.950 -0.307 x2 0.948 -0.310 x3 -0.340 -0.782 0.517 x4 0.363 0.561 -0.531 x5 0.454 0.693 0.556 x6 0.383 0.163 0.527 Factor1 Factor2 Factor3 SS loadings 2.402 1.623 1.140 Proportion Var 0.400 0.271 0.190 #方差贡献率 Cumulative Var 0.400 0.671 0.861 #累计方差贡献率 The degrees of freedom for the model is 0 and the fit was 1.1422 #主成分法进行因子分析 library mvstats FA1 factpc X,3 $Vars #方差 方差贡献率 累计方差贡献率 Vars Vars.Prop Vars.Cum Factor1 2.570 0.4283 42.83 Factor2 1.713 0.2855 71.38 Factor3 1.249 0.2082 92.19 $loadings #载荷矩阵 Factor1 Factor2 Factor3 x1 0.7829 0.5029 -0.3624 x2 0.7811 0.4964 -0.3756 x3 -0.5786 0.7685 0.0802 x4 0.5951 -0.6990 -0.2415 x5 0.6317 -0.1457 0.6557 x6 0.5084 0.3367 0.6943 $scores #因子得分 Factor1 Factor2 Factor3 冀东水泥 1.10805 0.19287 -0.40233 大同水泥 -1.07195 1.46385 -0.37413 四川双马 -0.58577 -0.49848 0.24193 牡丹江 -1.17442 -0.77791 0.08986 西水股份 -0.05264 -0.46073 2.31615 狮头股份 -1.05007 2.04151 0.25174 太行股份 0.20807 0.48809 -0.23430 海螺水泥 2.20745 0.32524 1.16336 尖峰集团 -1.11541 -1.53235 0.39013 四川金顶 0.09714 -0.60602 -1.45691 祁连山 0.66096 1.03293 0.04173 华新水泥 0.41359 -1.08331 0.19805 福建水泥 0.86840 -0.53255 -1.82104 天鹅股份 -0.51340 -0.05315 -0.40422 $Rank F Ri 冀东水泥 0.48359 3 大同水泥 -0.12910 8 四川双马 -