第十因子答案.ppt

第十章 因子分析 因子分析的提出 为尽可能完整描述一个事物，往往要收集它的许多指标 多指标产生的问题： 计算处理麻烦 信息重叠 从众多的指标中剔除一些指标又会造成信息丢失 因子分析的基本思想 因子分析的基本出发点 将原始指标综合成较少的指标，这些指标能够反映原始指标的绝大部分信息（方差） 这些综合指标之间没有相关性 因子变量的特点 这些综合指标称为因子变量，是原变量的重造 个数远远少于原变量个数，但可反映原变量的绝大部分方差 不相关性 可命名解释性 因子分析的基本步骤 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 因子分析的数学模型 数学模型（xi为标准化的原始变量；Fi为因子变量；kp） 也可以矩阵的形式表示为： X=AF+ε F：因子变量 A：因子载荷阵 aij: 因子载荷 ε: 特殊因子 因子分析的相关概念 因子载荷 在因子变量不相关的条件下，aij就是第i个原始变量与第j个因子变量的相关系数。aij绝对值越大，则Xi与Fi的关系越强 变量的共同度(Communality) 也称公因子方差。Xi的变量共同度为因子载荷矩阵A中第i行元素的平方和 可见：Xi的共同度反应了全部因子变量 对Xi总方差的解释能力 因子分析的相关概念 因子变量Fj的方差贡献 因子变量Fj的方差贡献为因子载荷矩阵A中第j列各元素的平方和 可见：因子变量Fj的方差贡献 体现了同一因子Fj对原始所有 变量总方差的解释能力 Sj/p表示了第j个因子解释原所 有变量总方差的比例 原有变量是否适合作因子分析 计算原有变量的相关系数矩阵 一般小于0.3就不适合作因子分析 确定因子变量--主成份分析 主成份分析法的数学模型 ： 该方程组要求： 将原有的P个相关变量Xi作 线性变换后转成另一组不 相关的变量Yi 确定因子变量--主成分分析 系数uij依照两个原则来确定 yi与yj (i≠j,i,j=1,2,3,…p)互不相关； y1是x1,x2,x3,…,xp的一切线性组合（系数满足上述方程组）中方差最大的；y2是与y1不相关的x1,x2,x3,…,xp的一切线性组合中方差次大的；yP是与y1, y2, y3,…yp都不相关的x1,x2,x3,…,xp的一切线性组合中方差最小的； y1在总方差中所占比例最大，它综合原有变量的能力最强，其余变量在总方差中所占比例依次递减，即：其余变量综合原有变量的能力依次减弱。 确定因子变量--主成分分析 确定因子变量--主成份分析 主成份分析的基本步骤： 将原始数据标准化 计算变量间简单相关系数矩阵R 求R的特征值λ1≥λ2≥λ3≥…λp≥0及对应的单位特征向量μ1, μ2, μ3,…μp 得到：yi=u1ix1+u2ix2+…+upixp 确定因子变量—计算因子载荷 确定因子变量个数 确定k个因子变量 根据特征值λi确定：取特征值大于1的特征根 根据累计贡献率：一般累计贡献率应在70%以上。 确定因子变量个数 确定k个因子变量 通过观察碎石图的方式确定因子变量的个数。 因子分析的基本步骤 1.菜单选项：analyze-Data Reduction-Factor 2.选择参与因子分析的变量到Variables框 3.Discriptive:分析是否适合做因子分析 4.Extraction：选择构造因子变量的方法。 默认主成分分析法。 Extract框：指定确定因子个数的标准 因子变量的命名解释 发现： aij的绝对值可能在某一行的许多列上都有较大的取值，或aij的绝对值可能在某一列的许多行上都有较大的取值。 表明： 某个原有变量xi可能同时与几个因子都有比较大的相关关系，也就是说，某个原有变量xi的信息需要由若干个因子变量来共同解释；同时，虽然一个因子变量可能能够解释许多变量的信息，但它却只能解释某个变量的一少部分信息，不是任何一个变量的典型代表。 结论：因子变量的实际含义不清楚 因子变量的命名解释 通过因子旋转使： 每个变量在尽可能少的因子上又比较高的载荷，即：在理想状态下，让某个变量在某个因子上的载荷趋于1，而在其他因子上的载荷趋于0。 这样：一个因子变量就能够成为某个变量的典型代表，它的实际含义也就清楚了。 因子旋转的目的是通过改变坐标轴的位置，重新分配各个因子所解释的方差比例，使因子结构更简单。 因子旋转不改变模型对数据的拟和程度，不改变每个变量的方差共同度 因子变量的命名解释 因子旋转方法 因子正交旋转方法和斜交旋转方法 方差最大法(正交旋转)： 从简化因子载荷矩阵的每一列出发，使和每个因子有关的载荷平方的方差最大 当只有少数几个变量在某个因子上有较高的载荷时，对因子的解释是最简单的 即使正交旋转也不一