第十章 实用多元统计分析.pptVIP

（2）第i个主成分Yi的方差为第i个特征值λi，每两个不相同主成分间的协方差为0，则Y1,…,Ym的协方差矩阵S是一对角矩阵∧，其对角元素分别为λ1…λm，其他元素均为0。 （3）S和∧的对角元素之和相等，即两个协方差矩阵的迹相等 由此可得，第k个主成分的方差占总方差的比例= 称此为主成分Yk的贡献率。 则前K个主成分的累计贡献率= 《应用统计学》精品课程 （4）主成分Yi与Xj的相关系数 称为因子负荷量。 （5） 《应用统计学》精品课程 《应用统计学》精品课程 为了研究上海、北京房地产指数与其他价格指数之间的关系，设定4个变量，见表10.12。 表10.12 房地产指数变量 变 量 名 称 x1 中国房地产板块股票价格指数 x2 中国房地产北京城市指数 x3 中国房地产上海城市指数 x4 全国零售价格指数 10.3.5 应用实例 表中10.12中所有变量的数据均取自1997年1月～2000年6月有关的统计资料，样本容量为n=42。根据这些数据计算的样本相关矩阵为 其特征值为： λ1 =2.333， λ 2 =1.089 λ3 =0.540 λ4=0.038 对应的特征向量分别为 《应用统计学》精品课程 这样就可以得到4个主成份。其第一、第二主成份分别为 《应用统计学》精品课程 根据10.3.4小节中的结论（2）、（3）可以求出各个主成份的方差和方差贡献，见表10.13。 主成份 可解释的方差 方差贡献率 累计方差贡献率 Y1 2.333 0.583 0.583 Y2 1.089 0.272 0.855 Y3 0.540 0.135 0.990 Y4 0.038 0.010 1.000 ∑ 4.000 1.000 表10.13 方差贡献 由表10.13可见 ，前两个主成份的累计方差贡献率达到了85.5% 这 就 说明如用两个成分Y1 和 Y2 去代替原来的4个变量X1, X2 ,X3 ,X4的话，所不 能解释的方差不足15%，因此不致损失太多的信息 。利用（10.33）还可以 求出因子负荷，表10.14 给出了计算结果。 《应用统计学》精品课程 表10.14 因子负荷 变 量 Y1 Y2 X1 0.757 0.211 X2 -0.412 -0.874 X3 0.832 0.520 X4 0.948 -0.087 由因子负荷表可以看出第一主成份Y1和变量X1,X3 ,X4关系密切，因 此，它的意义或命名应根据X1,X3 ,X4的意义来决定；第二主成份Y2和X2 的关系最密切，而与X1,X3 ,X4的关系不密切。 《应用统计学》精品课程 《应用 统计学》精品课程 10.4 因子分析 Factor components analysis 10.4.1 因子分析的基本思想 10.4.2 子分析的数学表达式 10.4.3 正交因子模型与回归模型的比较 10.4.4 关于因子负荷的主要结论 10.4.5应用实例 《应用 统计学》精品课程 10.4.1因子分析的基本思想 因子分析的基本思想是将可以直接观测的变量进行分类，使彼此 之间相关性较密切的变量分在同一类中，且使不同类的变量之间的相关性尽量降低。这样每一类的变量实质上代表了一个本质因子。因子分析就是要寻找这种类型的模型或结构。 10.4.2因子分析的数学表达式 设m个变量的n个样品的观测数据矩阵为 由于X1，…Xm之间可能互相独立，也可能彼此相关，因此，我们将m个 变量Xi（i=1,…,m)表示成因子F1…FP以及因子ui(i=1,…,m)的线性组合 《应用统计学》精品课程 《应用统计学》精品课程 式中，FK(K=1,…P)与所有的变量X1，…Xm都有关，称为公共因子； 而ui(i=1,…m)仅与相应的一个变量Xi有关，称为单因子。公共因子的 系数aik(i=1,…p)称为第i个变量Xi在第k个公共因子FK上的因子载荷。 为讨论问题的方便，假定原始变量Xi、公共因子FK以及单因 子ui均已化为标准化，且各因子互相独立。若进一步假定公共 因子F1…FP满足 EFK=0 (K=1,…,P) Cov(FK,Ft)= 单因子u1,…,um满足 Eui=0 (i=1,…,m) Cov(ui,uj)= 以上模型称为正交因子模型。 《应用统计学》精品课程 10.4.3正交因子模型与回归分析比较 对于线性组合中的一个式子 与多元回归模型