医学信息学论文：主成分分析和因子分析.ppt

* * ? 因子方差贡献率 各因子所解释的原始变量的方差 除最后3列外，其余部分与主成分分析中的表相同。 “Rotation Sums of Squared Loadings”部分是因子旋转后对原始变量方差的解释情况。旋转后的累计方差没有改变，只是两个因子所解释的原始变量的方差发生了一些变化。 SPSS进行因子分析（结果解释） * * ? Varimax法得到的旋转后的因子载荷矩阵 第一个因子与财政收入、固定资产投资、年末总人口、社会消费品零售总额这几个载荷系数较大，主要解释了这几个变量。从实际意义上看，可以把因子1姑且命名为“经济水平”因子。而第二个因子与人均GDP、居民消水平这两个变量的载荷系数较大，主要解释了这两个变量，从实际意义看，可以将因子2姑且命名为“消费水平”因子 SPSS进行因子分析（结果解释） * * 原始的6个变量与两个因子的关系(模型表达) 因子分析的数学模型 表达式中的xi已经不是原始变量，而是标准化变量 SPSS进行因子分析（结果解释） * * ? 旋转后的因子载荷图 旋转后的因子载荷系数更加接近于1(如果旋转后的因子载荷系数向0-1分化越明显，说明旋转的效果越好)，从而使因子的意义更加清楚了 SPSS进行因子分析（结果解释） * * ? 按回归法(Regression)估计的因子得分系数矩阵 根据因子得分系数矩阵可将因子表示为变量的线性组合 SPSS进行因子分析（结果解释） * * 由因子得分系数矩阵，可以将公因子表示为各变量的线性组合。得到的因子得分函数为 上面表达式中的xi标准化变量。根据这一表达式便可以计算每个地区对应的第一个因子和第二个因子的取值，也称为因子得分(factor score)。有了因子得分，就可以对每个地区分别按照前面命名的“经济水平”因子和“消费水平”因子进行评价和排序 因子得分函数 SPSS进行因子分析（结果解释） * * ? 综合评价 每个地区的因子得分计算方法是：用每个共因子的方差贡献率做权数，对每个因子进行加权，然后加总得到每个地区的总因子得分 按总得分的多少进行排序，以反映各地区经济发展的差异 要由SPSS得出各样本的不同因子得分，点击【Scores】?【Save as variables】即可。SPSS会计算出每个因子的得分，并保存在工作表的FAC1_1和FAC2_1中 因子综合得分 SPSS进行因子分析（结果解释） * * ? 各地区的因子得分及排名 SPSS进行因子分析（结果解释） * * ? 地区两个因子得分的散点图 因子1得分最高的是广东，最低的西藏，这说明广东是经济发展水平较高的地区，西藏是经济发展水平较低的地区；因子2得分最高的是上海，最低的是贵州，说明上海是消费水平较高的地区，而贵州则是消费水平较低的地区 SPSS进行因子分析（结果解释） * * 同一问题可以有不同的因子分析解，如主成分解，主因子解，极大似然解等。在处理实际问题时，可根据具体问题选择不同的方法来获得客观实际的解。 可以通过各种方法进行因子旋转来获得满意的解。如果一次旋转所得结果不够理想，可以用迭代的方法进行多次旋转，直到最后相邻两次旋转所得的因子载荷阵改变不大时即可停止。 主成分分析和因子分析都是多元分析中处理降维的两种统计方法。只有当原始数据中的变量之间具有较强的相关关系时，降维的效果才会明显，否则不适合进行主成分分析和因子分析 即使得到了满意的主成分或因子，在运用它们对实际问题进行评价、排序等分析时，仍然要保持谨慎，因为主成分和因子毕竟是高度抽象的量，无论如何，它们的含义都不如原始变量清晰 几点注意 * * 两者的分析重点不一致： 主成分分析重点在综合原始变量的信息，而因子分析则重在解释原始变量之家的关系；此外，主成分分析中各主成分得分是可以准确计算的，而因子得分中各因子得分只能进行估计 两者之间具有密切的联系： 因子分析可以看作是主成分分析的推广和扩展，而主成分分析则可以看作是因子分析的一个特例。目前因子分析在实际中被广泛应用，而主成分分析通常只作为大型统计分析的中间步骤，几乎不再单独使用 主成分分析和因子分析的关系 实际运用 * * 某医院为了合理地评价该院各月的医疗工作质量，搜集了三年有关门诊人次、出院人数、病床利用率、病床周转次数、平均住院天数、治愈好转率、病死率、诊断符合率、抢救成功率等9个指标数据，如表1。现采用因子分析方法，探讨其综合评价指标体系。 * * 实际运用 谢谢 * * * SPSS的输出结果 各变量之间的相关系数矩阵 变量之间的存在较强的相关关系，适合作主成分分析 * * 各主成分所解释的原始变量的方差 SPS