多元统计因子解析：.pptVIP

zf zf 第7章 因子分析 §7.1 因子分析概述 §7.2 因子分析的数学模型 §7.3 因子载荷阵的估计 §7.4 因子旋转 §7.5 因子得分 §7.6 因子分析的上机实现 因子分析的重点 1、什么是因子分析？ 2、因子分析的基本思想 3、因子分析的数学模型以及模型中公共因子、 因子载荷、变量共同度的统计意义 4、因子旋转的意义 5、因子分析的软件实现 7.1 因子分析的概述 1、什么是因子分析？ 因子分析(Factor Analysis)是主成分分析的推广，也是利用降维的思想，由研究原始变量相关矩阵或协方差矩阵的内部依赖关系出发，把一些具有错综复杂关系的多个变量归结为少数几个综合因子，以再现原始变量与因子之间的关系，并可以根据不同因子对变量进行聚类的一种多元统计分析方法。 2、因子分析的基本思想： 基于变量之间的相关性，通过对变量相关系数矩阵结构的研究，找出能控制所有变量的少数几个随机变量即因子来描述多个变量之间的相关性，从而将每个原始变量分解成两部分：一部分是由所有变量共同具有的少数几个公共因子，另一部分是每个变量独自具有的因素，即特殊因子。  3、因子分析的目的： (1)简化变量维数。即以最少的共同因素（公共因子），再现因子与原始变量之间的内在联系。 (2)用于分类，可以对变量或样品进行分类。 R型和Q型因子分析 (1)R型： 从变量的相关阵出发，找出控制所有变量的几个公共因子，用以对变量进行分类。 (2)Q型： 从样本的相似矩阵出发，找出控制所有样品的几个主要因素，对样品进行分类。 。 例：在企业形象或品牌形象的研究中，消费者通过一个有24个指标构成的评价体系，评价百货商场的24个方面的优劣。 但消费者主要关心的是三个方面，即商店的环境、商店的服务和商品的价格。因子分析方法可以通过24个变量之间的相关性，找出反映商店环境、商店服务水平和商品价格的三个潜在的因子，对商店进行综合评价： 称F1、F2、F3是不可观测的潜在因子,称为公共因子。是24个变量共同具有的，但是每个变量又有自己的个性，不被包含的部分εi ，称为特殊因子。 7.2 因子分析的数学模型 一、正交因子模型：以R型因子分析为例 （1） （2） （3） 二、因子分析模型的性质 2、因子载荷不是惟一的 设T为一个m×m的正交矩阵，令A*=AT，F*=T’F，则模型可以表示为 三、因子分析模型中几个重要统计量的意义： 1.因子载荷aij 2.变量共同度----又称共性方差或公因子方差（community或common variance）是因子载荷矩阵的第i行的元素的平方和。 表示所提的m个公共因子变量对变量Xi的方差所做的贡献，从共同性的大小可以判断这个原始实测变量与公共因子间之关系程度。 特殊因子方差（剩余方差）----各变量的特殊因素影响大小就是1减掉该变量共同度的值。 所有的公共因子和特殊因子对变量Xi的贡献为1。hi2反映了全部公共因子对变量Xi的影响，是全部公共因子对变量方差所做出的贡献，或者说Xi对公共因子的共同依赖程度，称为公共因子对变量Xi的方差贡献。 Hi2接近于1，表明该变量的原始信息几乎都被选取的公共因子说明了。 特殊因子的方差，反映了原有变量方差中无法被公共因子描述的比例。 四、因子的基本内容 1、因子分析的基本步骤： （1）因子分析的前提条件鉴定 考察原始变量之间是否存在较强的相关关系，是否适合进行因子分析。因为： 因子分析的主要任务之一就是对原有变量中信息重叠的部分提取和综合成因子，最终实现减少变量个数的目的。所以要求原有变量之间应存在较强的相关关系。否则，如果原有变量相互独立，不存在信息重叠，也就无需进行综合和因子分析。 （2）因子提取 研究如何在样本数据的基础上提取综合因子。 （3）因子旋转 通过正交旋转或斜交旋转使提取出的因子具有可解释性。 （4）计算因子得分 通过各种方法求解各样本在各因子上的得分，为进一步分析奠定基础。 2、因子分析前提条件——相关性分析： 分析方法主要有： （1）计算相关系数矩阵(correlation coefficients matrix) 如果相关系数矩阵中的大部分相关系数值均小于0.3，即各变量间大多为弱相关，原则上这些变量不适合进行因子分析。 （2）计算反映象相关矩阵（Anti-image correlation matrix) 反映象相关矩阵，如果其主对角线外的元素大多绝对值较小，对角线上的元素值较接近1，则说明这些变量的相关性较强