运筹学ly资料.pptVIP

因子分析 课程：运筹学 一、因子分析的基本原理 因子分析就是将错综复杂的实测变量归结为少数几个不可观测因子的多元统计分析方法。其目的是揭示变量之间的内在关联性，降低数据维数，便于发现规律或本质。 因子分析的基本原理是根据相关性大小把变量分组，使得同组变量之间的相关性较高，不同组变量之间相关性较低。每组变量代表一个基本结构，这个结构用公共因子来进行解释。 因子分析的目的之一，即要使因素结构的简单化，希望以最少的共同因素，能对总变异量作最大的解释，因而抽取得因素愈少愈好，但抽取因素的累积解释的变异量愈大愈好。 在因子分析的共同因素抽取中，应最先抽取特征值最大的共同因素，其次是次大者，最后抽取共同因素的特征值最小，通常会接近0。 二、因子分析的数学模型 设原有P个变量X1，X2，X3，…，Xp且每个变量(或经标准化处理后)的均值为0，标注差均为1。现将每个原有变量用K(KP)个因子f1，f2， f3，…，fk的线性组合表示为X=AF+ε，即有： 三、因素分析的相关概念 实测变量Xi的共同度 Xi的共同度为因子载荷矩阵A中第i行元素的平方和。Xi的共同度反映了全部因子变量对Xi总方差的解释能力。 因子变量Fj的特征值 Fj的特征值为因子载荷矩阵A中第j列各元素的平方和。它反映了因子变量Fj对实测变量的贡献。 因子变量Fj的方差贡献率 Fj的方差贡献率表示了第j个因子解释原所有变量总方差的比例。它体现了因子Fj对原始所有变量总方差的解释能力。 四、因素分析的基本步骤 将原始数据标准化 确认待分析的原始变量是否适合作因子分析 构造因子变量 利用旋转方法使因子变量具有可解释性 计算每个样本的因子变量得分 五、因子和主成分分析的联系和区别 联系：两者得到的因子变量与主成分变量在数量上显著少于原始变量，可以达到降维的目的。两者都是用少数不相关的综合变量尽可能全面的反映多个原始变量的信息（一般大于或者等于85%），消除了原始变量的相关性，可信度得到提高，统计结果可以有效地解释现实问题。 区别：（1）来源不同。 在因子分析过程中，新变量则是通过原始变量之间的复杂关系对原始变量进行分解，得到公共因子和特殊因子。其中公共因子是所有原始变量中所共同具有的特征，而特殊因子则是原始变量所特有的部分。在主成分分析过程中，新变量是原始变量的线性组合，即将多个原始变量经过线性变换得到新的变量。 （2）数据处理原则和解释差异的程度不同。 因子分析法则是通过原始变量的相关系数矩阵将变量进行分组，分组的原则是将相关性较高的变量置于一组中，但组与组之间的变量相关性较低。 主成分分析法利用方差-协方差矩阵将原始变量进行多次线性变换，转换成一组彼此不相关的变量，在这个过程中，变量的方差之和保持不变，方差最大的作为第一主成分变量，以此类推， 得到数量较少的、 可以涵盖大部分原始变量信息几个主成分。 总的来说，因子分析只能解释变量的部分变异，而主成分分析法则解释了所有变异。 六、因素分析案例 案例一 本文运用因子分析法对江西省11个城市的经济情况进行分析,按经济综合实力评价各市在全省的地位，并为江西省各市经济发展规划与决策提出了相应的政策建议。在本文中选取了能足够反映经济发展总水平的7项主要指标（均以万元为单位），指标来源于2005年江西统计年鉴。 提取了两个公因子之后可以计算共同度，如下所示， 案例二 本文根据所构建的房地产发展状况评价指标体系，采用《中国房地产统计年鉴2007》的相关数据，使用SPSS统计分析软件，对我国35个大型城市进行评价和分析。该指标体系分为三个层次：总体层，状态层，变量层．总体层包含1个总体指标，反映各个状态层的总体状况；状态层包含5个指标，是房地产经济效益发展水平的5个侧面；变量层为基础指标，共由1 7个指标组成。 KMO检验给出抽样充足量的测度，检验变量间的偏相关系数是否过小。Bartlett球形检验检验相关系数矩阵是否是单位阵，如果是单位阵，则表明不适合采用因子模型。经SPSS检验结果如表2所示。 根据Kaiser给出的是否适合做因子分析的KMO标准为：KMO0.9，非常适合；0.9KMO0.8，适合；0.8KMO0.7，一般;0.7KMO0.6，不太适合；KMO0.5不适合，故KMO检验通过。同时，相伴概率为0.000，小于显著水平0.05，表明Bartlett球形检验通过．所以本文所选的变量适合做因子分析。 因子分析过程中，以特征值大于1为标准提取因子，采用方差极大化方法对因子荷载矩阵进行旋转，可得到旋转后的因子特征值和贡献率(见表3)以及旋转后的因子载荷矩阵(见表4)。 所提取的两个公因子累积贡献率为91.984％85％，所以所提取公因子有效．可以认为原来的17个指标可以综合成两个主因子：F1和F2。根据因子分析原理，两个主