生物医学研究的统计方法之二十因子分析.pptVIP

生物医学研究的统计方法 因子分析 Factor Analysis 主成分分析： 以原变量的线性组合将原变量组合成少数几个主成分。 因子分析： 将原变量分解成几个公因子的线性组合，从而更好地理解原变量的内在关系。 回顾：主成分分析的任务 将彼此相关的指标变量转化为彼此不相关的指标变量； 将个数较多的指标变量转化为个数较少的指标变量。 将意义单一的指标变量转化为意义综合的指标变量。 主成分分析的基本原理 寻找一个适当的线性变换： 将彼此相关的变量转变为彼此不相关的新变量； 方差较大的几个新变量就能综合反应原多个变量所包含的主要信息； 新变量各自带有独特的专业含义。 相关性的另一个角度分析： 观测指标间存在相关性，是受某些不可观测的潜在因素的影响造成的. 如： 学生的语文，英语成绩相关，是受其语言能力的影响，学生的数学，物理化学成绩相关，是受其逻辑推理能力的影响。 仅包含一个潜在因子的探索性因子分析路径图 数学模型 假设原有变量有p个，标准化后分别用 表示，且每个变量的均值是0，标准差是1，现将每个原有变量用m（mp）个因子 的线性组合来表示，即： 因子分析的基本步骤 1、因子分析的前提条件； 因子分析的前提条件是原始变量之间应 存在较强的相关关系。 2、因子提取，计算因子负荷； 3、使因子更具有命名可解释性，解释变量间的关系； 4、计算各样本的因子得分。 确定因子个数 一般原则： 累积贡献率（累积方差）达到70～85％； 特征根≥1。 解释潜在因子的实际意义 解释潜在因子的实际意义，一般以因子载荷的大小为依据。因子载荷大的指标变量受潜在因子支配的作用大。 如何判别因子载荷的大小？ 当因子载荷大于或等于0.5时，可认为该因子f支配对应的指标X。 特征向量 Eigenvectors Prin1 Prin2 Prin3 Prin4 Prin5 Prin6 x1 0.522252 -.195699 -.189953 -.253741 0.226568 0.732908 x2 0.525559 -.080164 -.167681 -.388390 0.304015 -.667812 x3 0.511208 -.181857 -.103986 0.334729 -.758103 -.089540 x4 0.345993 -.046978 0.741653 0.456060 0.346103 -.015969 x5 0.188783 0.656595 -.470338 0.498021 0.252640 0.013219 x6 0.185358 0.699199 0.392072 -.465521 -.312900 0.091793 第一主成分： C1=0.522252x1+0.525559x2+0.511208x3+0.345993x4+0.188783x5+0.185358x6 主成分分析法 因子模型（全分量模型）表达形式 由 C=Ax反解为x=AC 即 矩阵A称载荷矩阵，反映各成分对原始变量x各分量的贡献大小。 主成分分析法 因子模型（全分量模型）表达-- 主成分标准化变换 x=Lc 实例主成分分析法—特征值（方差）及其比例 主成分分析分析法—L矩阵 主成分分析法—L矩阵 假设公因子Fj的解释能力能够以其因子载荷平方的方差来度量，考虑两个因子的平面正交旋转，设因子载荷矩阵为: 经过旋转要求 将V对φ求导，并令其为零，经过计算，其旋转角度可按下面公式求得 注意L矩阵的下标，是列在前，行在后 迭代主成分(主因子)分析法 1. 收集原始数据并整理为下表 2.对各指标进行标准化 3.求指标间的相关系数矩阵RX 4.求指标间的约相关系数矩阵R* （1）R*的非对角线元素与相关矩阵