主成分分析和因子分析.ppt

分析结果： 1、因子分析的前提条件判断——KMO和Bartlett的检验 Bartlett球度检验的概率P值为0.000，即拒绝原假设，即相关矩阵不是单位矩阵，代表母群体的相关矩阵间有共同因素存在，适合进行因素分析。同时，KMO值为0.771，根据度量标准可知，原变量适合做因子分析。 2、构造因子变量 （1）公因子方差 这是因子分析的共同度，第二列显示了初始的共同度，全部为1；第三列是提取特征根的共同度，表中大部分变量的共同度都高于80%，变量丢失信息较少，因子分析的效果较好。 （2）未旋转的解释总方差 主成分个数提取原则为特征值大于1的为主成分，因此本题只取前两个主成分，它们的累积解释方差占到87.036 %，并且第一主成分的特征根是6.363，第二主成分的特征根是1.470。 （3）碎石图 从碎石图可以看出，从第2个因子开始，曲线变得比较平缓，最后接近一条直线。因此，可以抽取前2个因子。 （4）未旋转成份矩阵 如果一个变量在某个因子上有较大的负荷，就说明可以把这个变量纳入该因子，但是，常常会有很多变量同时在几个未旋转的因子上有较大的负荷，比如百元销售收入实现利税X5这一变量在因子1和因子2上同时有较大的负荷，这就使得解释起来比较困难，因此查看旋转以后的结果能较好地解决这个问题。 3、利用因子旋转，使因子更具有命名可解释性 （1）旋转后总的解释方差 与旋转前相比，旋转后的特征值有所变化，最大特征值与最小特征值之间的差距变得相对集中，但是，旋转前、后的总特征值没有改变，最后的累积方差百分比也没有改变，仍然为87.036% 。 （2）旋转成份矩阵 表中各变量根据负荷量的大小进行了排列。旋转后的因子矩阵与旋转前的因子矩阵有明显的差异。从旋转后的矩阵表中，根据这些变量的原始意义可以对两个因子进行命名。因子1可命名为资金及工业产值，因子2可命名为产值利税。 十章第3题 某主管局管辖20个工厂,现要对每个工厂作经济效益分析,经研究确定从所取得的生产成果同所消耗的人力,物力,财力的比率,选取五个指标作分析 x1-固定资产产值率, X2-净产值劳动生产率, X3-百元产值流动资金占用率, X4-百元产值利润率, X5-百元资金利润率. 试利用探索性因子分析方法分析可能存在的公共因子并命名。 Spss 操作：分析——因子分析——降维 分析结果： 1、KMO和Bartlett的检验 Bartlett球度检验的概率P值为0.000，即原假设被拒绝，也就是说，可以认为相关系数矩阵和单位矩阵有显著差异。同时，KMO值为0.495，根据度量标准可知，原变量适合做因子分析。 2、公因子方差 这是因子分析的共同度，第二列显示了初始的共同度，全部为1；第三列是提取特征根的共同度，本题是在指定特征根大于1的条件下的共同度。表中每个变量的共同度都高于80%，变量丢失信息较少。 3、解释的总方差 该表由三部分组成，分别是初始因子解的方差解释、提取因子解的方差解释和旋转因子解的方差解释。第一个因子的特征值为2.683，解释了5个原始变量总方差的53.65%，第二个因子的特征值为1.715，解释了5个原始变量总方差的34.302%，累积方差贡献率为87.952%，也就是两个因子解释了所有变量的87.952%。 从表中可以看出，有两个因子被提取和旋转，其累积解释总方差的百分比和初始解的前两个变量相同，但经过旋转后的因子重新分配了各个因子解释原始变量的方差，使得因子方差更接近，也更易于解释。 4、成分矩阵和旋转后成分矩阵 成分矩阵给出了每一个变量在因子上载荷。从表中可以看出，除第4个变量外，所有变量在第一个因子上的载荷都比较高，即与第一个因子的相关度较高，第一个因子解释了大部分变量的信息。第二个因子与原始变量的相关程度相对小，对原始变量解释效果不太明显。 旋转成分矩阵给出了每一个变量在因子上载荷。从表中可以看出，因子1可以替代X1、X3的作用，因子2替代X2、X4、X5的作用。将因子1命名为物力指标，因子2命名为人力及财力指标。 5、旋转空间中的成分图 旋转后的载荷矩阵图可以看作是旋转后的载荷矩阵的图形的表示。 第4题 朗莱曾分析美国联邦政府雇员人数（Y）与国民总产出隐含平减指数（X1），国民总产出（X2），失业人数（X3），武装力量人数（X4），14岁及以上非慈善机构人口数（X5），时间变量（X6）等的关系，数据如下。试利用探索性因子分析方法分析可能存在的公共因子并命名。 输入数据，选择分析—降维—因子分析，选入变量，检验是否适合进行因子分析 上述结果表明了原始变量间有较强的相关性，因而进行因子分析是合适的。 因子分析： 因子矩阵 主成分分析方法得到两个因子。因子的载荷如表中所示 共同度 左表是反应因子的共同度，因子共同度反应公共因子对变量方差的贡献，对公共