第6章 因子分析m.ppt

4.点击Rotation按钮，设置因子旋转的方法。这里选择Varimax(方差最大旋转)，并选择Display栏中的Rotated solution复选框，在输出窗口中显示旋转后的因子载荷阵。单击Continue按钮，返回主界面。 * * 5.点击Scores按钮，设置因子得分的选项。 选中Save as variables复选框，将因子得分作为新变量保存在数据文件中。选中Display factor score coefficient matrix复选框，这样在结果输出窗口中会给出因子得分系数矩阵。单击Continue按钮返回主界面。 6. 单击OK按钮，运行因子分析过程。 * （二） 主要运行结果解释 1. Communalities（给出变量共同度） 变量共同度反映每个变量对所提取的所有公共因子的依赖程度，此数值是因子载荷阵中每一行的因子载荷量的平方和，提取的因子个数不同，变量共同度也不同。 * 2. Total Variance Explained（给出各公因子方差贡献表） Initial Eigenvalues给出初始相关矩阵或协差阵矩阵的特征值，用于确定哪些因子应该被提取，共有三项： Total列为各因子对应的特征值，本例中共有四个因子对应的特征值大于1，因此应提取相应的四个公因子；% of Variance列为各因子的方差贡献率； Cumulative %列为各因子的累积方差贡献率，由下表可以看出，前四个因子已经可以解释89.651%的方差。 Rotation Sums of Squared Loadings给出提取出的公因子经过旋转后的方差贡献情况。 * * * * * * * 注意：在因子表达式中的各变量为进行标准化变换后的标准变量，均值为0，标准差为1。 * 7. 由于我们已经在Scores子对话框中选择了Save as variables复选框，因此，因子得分已经作为新的变量保存在数据文件中，变量名分别为fac1_1、fac2_1、fac3_1和fac4_1。此后，我们还可以利用因子得分进行其他的统计分析。 * * 在实际应用中，相关阵R与共同度（或特殊因子方差）都是未知的，需要先对它们进行估计。 对于总体相关阵R，我们可用样本相关阵进行估计。 对于共同度（或特殊因子方差）的估计却是比较困难的，到目前为止还没有一个十分令人满意的估计方法。 * 目前，最常用来估计共同度（或特殊因子方差）的方法有以下几种： 例：假设某地固定资产投资率x1，通货膨胀率x2，失业率x3的相关系数矩阵为： * * 则约相关矩阵为: (1) (2)求解特征根 * * (3)求解特征向量 对应着非零特征根的两个单位特征向量为： * 由此可得因子载荷阵为： * （4）因子分析模型为： * （5）变量的共同度 * * 第四节?? 因子旋转 一、为什么要进行因子旋转？ 建立因子分析数学模型的目的不仅是为了找出公共因子，更重要的是要知道每个公共因子的意义，以便对实际问题进行分析。但上面所介绍的估计方法所求出的公因子解，初始因子载荷阵并不满足“简单结构准则”，即各个公因子的典型代表变量不很突出,因而容易使公共因子的意义含糊不清，不便于对实际背景进行解释。 * 如：某个原有变量Xi 可能同时与几个因子变量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。这样的情况必然使得某个因子变量的实际含义模糊不清，而实际分析工作中，人们却希望对因子变量的含义有比较清楚的认识。 * 因此，我们希望通过某种手段使每个变量在尽可能少的因子上有比较高的载荷，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，那么它的实际含义也就清楚了。 实现上述目标的方法是对初始公因子进行线性组合，即对因子载荷阵实行旋转，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的比例，使因子结构更简单，更易于解释，以期找到意义更为明确，实际意义更明显的公因子。 简单的因子结构指每个变量在尽可能少的因子上有比较高的负载。 * 因子旋转方法有正交旋转和斜交旋转两类。 对公共因子作正交旋转就是对载荷矩阵U作一正交变换，右乘正交矩阵T，使得UT有更明显的实际意义。 旋转以后的公共因子向量为 ，它的各个分量