主成分与因子要点分析.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