主成分与因子教案.ppt

统计分析方法 主成分分析与因子分析 第一部分主成分分析 我们经常遇到有很多变量的数据。 在如此多的变量之中，有很多是相关的。 人们希望能够找出它们的少数“代表”（综合指标）来对它们进行描述。 下面介绍两种把变量维数降低以便于描述、理解和分析的方法：主成分分析（principal component analysis）和因子分析（factor analysis）。 主成分法的基本思想 考虑二维情形，即只有两个变量，它们由横坐标和纵坐标所代表；因此每个观测值都有相应于这两个坐标轴的两个坐标值； 这些数据大致分布于一个椭圆形的区域中，如下图所示： 这个椭圆有一个长轴和一个短轴。 在短轴方向上，数据变化很少；在极端的情况，短轴如果退化成一点，那只有在长轴的方向才能够解释这些点的变化了；这样，由二维到一维的降维就自然完成了。 如果长轴变量代表了数据包含的大部分信息，就用该变量代替原先的两个变量（舍去次要的一维），降维就完成了。 椭圆（球）的长短轴相差得越大，降维效果越好。 主成分法的数学模型 实际使用过程中，先将变量标准化 运用拉格朗日乘子法求约束条件下的极值： 令 得： 结论（以y1为例） 原变量相关系数矩阵的最大特征值即为y1的方差， 第二部分因子分析 一、因子分析的作用 因子分析的作用主要有两个： 1.数据简化 可为进一步应用其他统计方法（如相关分析、回归方法、判别分析法等）提供便利条件。 2.寻求变量的基本结构 二、因子分析的基本步骤 1.计算所有变量的相关矩阵，根据计算结果判断应用因子分析方法是否合适。如果各变量独立性较强，则不适合。 2.提取因子。该步要确定求因子解的方法，和提取因子的个数。 3.进行因子旋转，对旋转后的新因子作出实际意义解释。 4.计算因子值。即每个Case的各因子值（称为因子得分值） 三、因子分析法的基本操作 Analyze →Data Reduction →Factor… 打开Factor Analysis对话框 将参与因子分析的变量依次选入Variables框中 分别对“Extraction”, “Rotation”, “Scores” 等项进行设置. 单击“OK”即可 “Extraction”对话框选项 Method: Principal components (主成分分析，系统默认) Unweighted least square (普通最小二乘法) Generalized least squares (广义最小二乘法) Maximum likelihood (最大似然法) Principal Axis factoring (主轴因子法) Alpha (α因子提取法) Image (映像分析法) Extract：决定提取因子的个数 Eigenvalue over: 指定要提取因子的最小特征值，系统默认值为1 Number of factors:直接指定提取的因子个数。 Display:指定与初始因子有关的输出项 Unrotated factor solution:显示未旋转的因子解 Scree plot:显示碎石图，用于决定因子提取个数。 “Rotation”对话框选项 Method:选择因子旋转方法 None(不进行旋转) Varimax (方差最大法) Equamax (等量最大法) Quartimax (四次方最大法) Direct Oblimin (斜交旋转) Display:指定输出选项 Rotated solution:显示旋转后的因子解 Loading plots:显示因子载荷图 “Scores”对话框选项 Method:指定计算因子值方法 Regression:回归法 Bartlett:巴特利特法 Anderson-Rubin:安德森—鲁宾法 Save as variables:将因子值作为新变量保存在数据文件中。 例1 对公司业绩评价，选取了11个指标。 （详见“因子分析”数据文件） 本例目的： 将11个指标进行简化综合 判断“是否适合作因子分析” 请进行以下操作…………. 输出“碎石图” 请作以下操作……….. 进行因子旋转（一般都需要） 否则所得因子无法命名（缺乏实际经济意义） 操作………. 计算因子得分 操作………….. 要求因子载荷系数按大小顺序排列 操作………. 输出结果：相关系数矩阵 用于判断是否作因子分析 如果存在大量的接近零的相关系数，则不适合作因子分析。 KMO指标大于0.7时，适合作因子分析。 0.6以上，作因子分析还可以 0.6以上