第6讲多元分析要点.pptVIP

因子旋转程序运行结果： Orthogonal Transformation Matrix 表示因子旋转阵， Rotated Factor Pattern 为旋转后得到的因子载荷。Standardized Scoring Coefficients为因子得分系数结果。 6.5 因子分析 6.5 因子分析 根据得到的因子得分函数计算各个样本的因子得分 3. 因子得分： 以上为12个样本的5个指标值，以及2个公共指标的得分，因子F1中J地区的得分最高，说明该地区的服务教育服务设施较好。因子F2中L地区的得分最高，说明该地区的就业情况较好。 6.5 因子分析 因子分析与主成分分析的区别与联系 因子分析、主成分分析都是重要的降维方法（数据简化技术），因子分析可以看作是主成分分析的推广和发展。 主成分分析不能作为一个模型来描述，它只能作为一般 的变量变换，主成分是可观测的原始变量的线性组合；因子分析需要构造因子模型，公共因子是潜在的不可观测的变量，一般不能表示为原始变量的线性组合。 因子分析是用潜在的不可观测的变量和随机影响变量的线性组合来表示原始变量，即通过这样的分解来分析原始变量的协方差结构（相依关系）。 6.5 因子分析 现实生活中两组变量间的相关关系的问题很多， 例如家庭的特征（如户主的年龄、家庭的年收入、户 主的受教育程度等）与消费模式（如每年去餐馆就餐 的频率、每年外出看电影的频率等）等等。为此， 1936年由Hulling提出了典型相关分析，揭示了两组 多元随机变量之间的关系。 6.6 典型相关分析 典型相关分析基本思想 通常情况下，为了研究两组变量 的相关关系，可以用最原始的方法，分别计算两组变量之间的全部相关系数，一共有pq个简单相关系数，这样又烦琐又不能抓住问题的本质。如果分别找出两组变量的各自的某个线性组合，讨论线性组合之间的相关关系，则更简捷。 6.6 典型相关分析 首先分别在每组变量中找出第一对线性组合， 使其具有最大相关性， 然后再在每组变量中再找出第二对线性组合，使其分别与本组内的第一线性组合不相关，第二对本身具有次大的相关性，即u2和v2与u1和v1相互独立，但u2和v2相关， 如此下去，直至两组变量的相关性被提取完为止。 6.6 典型相关分析 例 蔬菜产出水平主要体现在蔬菜总产量(Y1)、人均 蔬菜占有量(Y2)、蔬菜总产增长速度(Y3)三个方面， 并称作因变量组（简称“产出组”）。问题：因变量组 与自变量X1(市场经济综合因素)、X2(劳动力动力因 素) 、X3(气候因素)(简称“影响组”)的关系如何？ data ex; input y1-y3 x1-x3 @@; cards; /*数据省略*/ proc cancorr data=ex all;var y1-y3; with x1-x3; run; 6.6 典型相关分析 程序运行结果如下： 6.6 典型相关分析 结果表明：前两个典型相关系数较高，表明相应典型变量之间密切相关。 序号 典型相关系数 标准误差 特征值 方差比率 累计方差比率 1 0.982193 0.010189 27.3309 0.9270 0.9270 2 0.810462 0.099059 1.9142 0.0649 0.9919 3 0.439231 0.232983 0.2390 0.0081 1.0000 整理得到蔬菜产出水平与影响因素的三个自变量的 典型相关系数及特征值 6.6 典型相关分析 序号 F计算值 自由度 F检验的显著性概率 1 10.88 9 0.0001 2 3.60 4 0.0282 3 6.15 1 0.1765 结果表明：只有前两对典型变量通过了统计量检验， 表明相应典型变量之间相关关系显著，能够用三个自 变量影响变量来解释产出变量。 6.6 典型相关分析 序号 典型相关模型 1 v1=6.1649 Y1－5.2034 Y2+0.0696 Y3 w1=0.9953X1－0.0054 X2－0.0948X3 2 v2=14.7443Y1－15.0750Y2+0.9105Y3 w2= － 0.0132 X1＋0.9591 X2－0.2804 X3 典型相关模型结果如下： 6.6 典型相关分析 结果分析：自变量X1即市场经济综合因素对中国蔬菜产出水平起根本性作用。市场经济综合因素与蔬菜总产出的关系体现在第一对典型变量v1和w1中，v1是中国蔬菜产出水平各指标的线性组合，其中，蔬菜总产出（Y1）的载荷为6.164，是各产出水平指标中最大的。w1是影响因素指标的线性组合，其中市场经济综合因素(X1)的