[因子和主成分分析.pptVIP

因子分析 因子是一种多变量化简技术。目的是分解原始变量，从中归纳出潜在的“类别”，相关性 较强的指标归为一类，不同类间变量的相关性较低。每一类变量代表了一个“共同因子”，即一种内在结构，因子分析就是要寻找该结构。 因子分析概述 如下面的5个变量中含有两个独立的公共因子F1和F2。再假设这五个变量分别是基本建设投资、平均工资水平、商品零售价格指数、居民消费水平 。 Z1=0.02F1＋0.99F2 ＋ ε1 Z2=0.94F1－0.01F2 ＋ ε2 Z3=0.13F1＋0.98F2 ＋ ε3 Z4=0.84F1＋0.42F2 ＋ ε4 Z5=0.97F1－0.02F2 ＋ ε5 因子分析概述 概述第一公因子主要影响居民消费水平可能就是居民消费指数、第二公因子则主要影响基本建设投资，代表投资水平。ε代表特殊因子，只对当前变量有影响，表示该变量中独特的，不能被公因子所解释的。因子分析的目的就是以公共因子来代替变量。 因子旋转 建立因子分析数学模型的目的不仅仅是找出公共因子，并且对变量进行分组，更重要的是知道每一个变量的意义，以便于我们对问题作出科学的分析，因子载荷矩阵不是唯一的，可以通过相应的正交变换生成另外的一个载荷矩阵。 初始载荷矩阵中往往出现各个因子的代表变量不是很突出，大多数因子与许多变量相关，容易使得因子的含义不清，不利于对因子的解释，这时候就要进行因子旋转。 因子旋转的方法常见的正交旋转、斜交旋转、直接斜交旋转、四次最大正交旋转等 因子分析概述 方法用途 研究设计阶段/问卷效果评估阶段 ?评价问卷的结构效度 统计分析阶段 ?寻找变量间潜在结构 ?内在结构证实 适用条件样本量 适用条件： 样本量与变量数的比例应在5：1以上 总样本量不得少于100，而且原则上越大越好各变量间必须有相关性?KMO统计量：0.9最佳，0.7尚可，0.6很差，0.5以下放弃 Bartlett’s球形检验 因子分析概述 标准分析步骤 判断是否需要进行因子分析，数据是否符合要求进行分析， 按一定标准确定提取的因子数目 考察因子的可解释性，并在必要时进行因子旋转，以寻求最佳解释方式如有必要，可计算出因子得分等中间指标供进一步分析使用 公因子数量的确定 主成分的累积贡献率：80~85％以上 特征根大于1 综合判断因子分析时更重要的是因子的可解释性 国有银行中层管理人员胜任模型 研究目的： 以我国中层管理人员为研究对象，从典型性行为和心理出发，揭示优秀职工的特质于行为表现来确定任职者需要的任职要求和相关的素质。 研究设计 对国有的工、农、中、建的50名中层管理者进行结构性访谈，收集反映经营管理者任职要求的关键行为，以此确定可能的52个胜任特征。（通过预研究对量表进行修改） 对可能的52个特征设计出问卷，对380名中层管理人员进行调查。回收问卷并进行分析。 从52项胜任特征中选择出来评定的均值大于5.5的26项胜任特征的（Analyze－descriptive statistics－ descriptive） 具体操作解析 菜单位置：Analyze－Data Reduction－factor 选入全部需要分析的变量 相关按钮说明： Extraction Descriptive Rotation Score Option 相关按钮说明 — Scores Save as variables 将因子作为新变量保存在数据编辑器窗口 Display factor 输出因子得分系数矩阵是标准后的得分系数 统计结果分析 对以下几个表格的解读： 观测变量之间的相关矩阵（correlation Matrix） KMO和Bartlett检验结果 公共因子方差（communalities） 全部方差解释（Total variance Explained） 因子载荷矩阵（component Matrix） 和旋转后的因子载荷矩阵（Rotated component Matrix） （因子载荷矩阵×转换矩阵＝旋转后的因子载荷矩阵） 变量间的相关矩阵（correlation） 变量间的相关性矩阵给出了变量之间相关系数，同时还包括相关系数检验的显著水平（在设置时指定输出）。 相关系数矩阵的值越大约好，说明变量之间的相关性越大，这样就越可能找到公共因子；显著性水平矩阵的值越小越好，说明相关性越显著。下面的Determina