概率统计统计-因子介绍.docVIP

第七章 因子分析 （补充教材） §7.1 因子分析的意义和作用 一、因子分析的概念和意义 因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计方法，在教育领域和若其它领域的科学研究中，往往需要对反映事物、现象从多个角度进行观测，也就设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但确增加了数据采集和处理的难度。更重要的是在大多数情况下，许多变量之间存在一定的相关关系，从而增加了问题分析的复杂性。 因子分析就是将大量的彼此可能存在相关关系的变量转换成较少的，彼此不相关的综合指标的一种多元统计方法。这样既可减轻收集信息的工作量，且各综合指标代表的信息不重叠。便于分析。 二、因子分析的基本过程 因子分析的基本过程可分为两个步骤： 第一步 主因子分析 是通过原始变量的相关系数矩阵内部结构的研究，导出能控制所有变量的少数几个综合变量，通过这少数几个综合变量去描述原始的多个变量之间的相关关系。一般来说，这少数的几个综合变量是不可观测的，故称其为因子，我们又称这种通过原始变量相关系数矩阵出发的因子分析为R型因子分析。因子分析所获得的反映变量间本质联系、变量与公共因子的关系的全部信息通过导出的因子负荷矩阵体现。 第二步 对因子解释和命名 从因子分析导出的负荷矩阵的结构出发，把变量按与公共因子相关性大小的程度分组，使同组内变量间的相关性较高，不同组的变量的相关性较低，按公因子包含变量的特点(即公因子内涵)对因子作解释命名。 例1 (见教材P162) 三、因子分析教材在分析测验中的作用(见教材P163-P164) §7.2 因子分析的原理和数学模型 一、数学模型(正交因子模型) 设m个可能存在相关关系的测试变量z1,z2,……,zm含有P个独立的公共因子F1,F2,……,Fp(m≥p),测试变量zi含有独特因子Ui(i=1…m)，诸Ui间互不相关，且与Fj(j=1…p)也互不相关，每个zi可由P个公共因子和自身对应的独特因子Ui线性表出： (7.2-1) 用矩阵表示： (参见教材p164) 简记为 且满足：(I) P≤m (II) COV(F.U)=0 （即F与U是不相关的） (III) E(F)=0 COV(F)= 即F1,……FP不相关，且方差皆为1，均值皆为0 (IV) E(U)=0 COV(U)=Im 即U1,……,Um不相关，且都是标准化的变量，假定z1,……,zm也是标准化的，但并不相互独立。 式中A称为因子负荷矩阵，其元素(即(7.2-1)中各方程的系数)aij表示第i个变量(zi)在第j个公共因子Fj上的负荷，简称因子负荷，如果把zi看成P维因子空间的一个向量，则aij表示zi在坐标轴Fj上的投影。 因子分析的目的就是通过模型(7.2-1)或。以F代Z，由于一般有P＜m，从而达到简化变量维数的愿望。 二、因子分析中的几个重要结论 因子分析数学处理的最后结果通常以因子负荷矩阵的形式给出，这个矩阵的一般形式如下表所示。 因子负荷矩阵的一般格式 测试 变量 因子负荷量 公共度(h2) 因子1 因子2 … 因子p 1 2 . . . m a11 a21 . . . am1 a12 a22 . . . am2 … … . . . … a1p a2p . . . amp 平方和 … 百分比 … 根据对模型(7.2-1)(或)的假定(I) ——(IV)可以证明有如下结论： 结论1 因子负荷aij是Zi与Fj的相关系数，Ci 是Zi与Ui的相关系数，即aij=, Ci= 证明提示： 将(7.2-1)的第i个方程两边乘以Fj，并求期望，运用假设条件即得aij=； 将(7.2-1)的第i个方程两边乘以Ui后求期望，由假设条件，可得Ci= 结论2 (即zi,zj的相关系数为矩阵A中第i,j两行向量之内积) 证明提示： 将(7.2-1)中第i,j两个方程两边分别相乘后各取数学期望并利用假设条件可得结论。 结论3 矩阵A中 第i行平方和记为 证明提示： 将(7.2-1)中第i个方程两边自乘再各自求期望并运用假设条件可得。 结论4 每个测试变量的方差由两部分组成： 证明提示： 对(7.2-1)第i个方程两边分别求方差并运用假设条件，我们称为测试变量Zi的特殊度，它表示Zi所含独特因子Ui对Zi方差所作的贡献。称为Zi的共同度或公共度，它代表全部公共因子对变量Zi的方差所作的贡献，特别