第十章 因子分析.pptVIP

Bartlett test of sphericity H0:相关系数矩阵是一个单位阵 如果统计量值比较大，且其相对应的p值小于用户指定的显著性水平，拒绝原假设，认为适合作因子分析。 反之，不拒绝原假设，不适合作因子分析。 反映象相关矩阵检验（Anti-image） 由于偏相关系数是在控制了其他变量对两变量影响的条件下，计算出来的净相关系数，如果变量之间确实存在较强的相互重叠传递影响，即如果变量中确实能够提取出公共因子，那么控制了这此影响后的偏相关系数必然很小，因此，如果反映象相关矩阵中的有关元素的绝对值比较大，则说明这些变量可能不适合作因子分析 KMO检验 KMO的取值在0和1之间，KMO越接近于1，则越适合作因子分析 SPSS实现(因子分析与主成分分析) 选Analyze－Data Reduction－Factor进入主对话框； 把指标变量选入Variables，然后点击Extraction， 在Method选择一个方法（如果是主成分分析，则选Principal Components）， 下面的选项可以随意，比如要画碎石图就选Scree plot，另外在Extract选项可以按照特征值的大小选主成分（或因子），也可以选定因子的数目； 之后回到主对话框（用Continue）。然后点击Rotation，再在该对话框中的Method选择一个旋转方法（如果是主成分分析就选None）， 在Display选Rotated solution（以输出和旋转有关的结果）和Loading plot（以输出载荷图）；之后回到主对话框（用Continue）。 如果要计算因子得分就要点击Scores，再选择Save as variables（因子得分就会作为变量存在数据中的附加列上）和计算因子得分的方法（比如Regression）；之后回到主对话框（用Continue）。这时点OK即可。 第十章 因子分析 第一节 因子分析方法 第二节 因子分析模型 第三节 因子分析模型的解 第四节 方差最大正交旋转 第五节 因子得分 第一节 因子分析方法 因子分析概念起源于20世纪初Karl Pearson 和Charles Spearmen等人关于智力测验的统计分析 因子分析的基本思想是把每个研究变量分解为几个影响因素变量，将每个原始变量分解成两部分因素，一部分是由所有变量共同具有的少数几个公共因子组成的，另一部分是每个变量独自具有的因素，即特殊因子。 xi=∑aijfj+ei 第二节 因子分析模型 一、因子分析模型 X*:标准化后的数据，F：公共因子，E：特殊因子 假设x*、F、E满足这样一些性质： (1)E(x*)=0 Var(x*)=1 (2)E(F)=0, cov(F)=I (3)E(E)=0, cov(E)=∑，cov(ei,F)=0 x1*=a11F1+a12F2+…+a1mFm+e1 x2*=a21F1+a22F2+…+a2mFm+e2 … xp*=ap1F1+ap2F2+…+apmFm+ep X*=AF+E 或X*=FA+E 其中X*=(x1*,x2*…,xp*)′, F=(F1,F2,…,Fm) ′E=(e1,e2,…ep) ′ a11 a12 … a1p A= a21 a22 … a2p … ap1 ap2 … app A称为因子载荷矩阵或因子负荷矩阵 二、因子载荷量的统计意义与性质 1、因子载荷aij的统计意义 xi*=ai1F1+ai2F2+…+aimFm+ei Cov(xi*,Fj)=cov(∑aikFk+ei,Fj) =cov(∑aikFk,Fj)+cov(ei,Fj) =aij 在各公共因子不相关的前提下，aij是xi*与Fj的相关系数，表示xi*依赖于Fj的程度。反映了第i个原有变量在第j个公共因子上的相对重要性。因此， aij的绝对值越大，则公共因子Fj与原有变量Xi的关系越强。 2、变量共同度及其统计意义(行平方和) 因子载荷阵中第 i行元素的平方和称为xi* 的共同度。 h12=a112+a122+…+a1m2 h22=a212+a222+…+a2m2 。。。 hp2=ap12+ap22+…+apm2 hi2反映了全部公共因子对变量Xi*的影响，是全部公共因子对变量方差所做出的贡献，