高级统计 EFA课件.pptVIP

PCA与EFA 二者的共性 都是数据简化的技术 都涉及抽取的过程 都解释变量和因素的关系 都计算因素分数 二者的差别 EFA 假定观测变量的背后有潜在变量(因素) EFA 具有多种形式的估计方法和抽取方法 EFA 是基于”因果”的世界观,认为潜在变量”造成”了观测变量. EFA只解释那部分共同方差,而PCA是解释共同方差和独特方差两部分 探索性因素分析（EFA）的局限 用于研究的初始阶段，帮助产生假设 解决的解释没有参照，可能是主观的 旋转的可能性无穷多 在验证假设时，确证性因素分析(Confirmatory Factor Analysis) 更可靠 探索性因素分析 (EFA)与验证性因素分析 (CFA) 理论 EFA:无事先建立的理论为指导 CFA:以事先建立的理论为指导 对因素数目和变量与因素关系的假定 EFA试图揭示一组数目较多变量潜在结构，故对因素数目无任何假定，它假定任何变量都可能与任何因素相关 CFA的最低要求是: 事先假设模型中因素的数目, 哪个变量会在哪个因素上有载荷 一个好的研究往往不单纯用EFA，而是以EFA开始，以CFA结束。 3. PCA结构矩阵所包含的信息 因素载荷 （factor loading） 变量(行)与因素(列)间的相关系数 因素载荷的平方是因素解释变量的方差百分比 将所有属于这一因素的变量载荷的平方(列)求和