因子分析(FactorAnalysis)..docVIP

因子分析 (Factor Analysis) 主成份(principal component) 分析是因子分析的一個特例，在此特例中，前面幾個主成份即為選定之共同因子。 (A) 定義： eigenvector of eigenvalue 則 ， (B) 在(A)中即為主成份分析：尋找使得= 有最大的變異 且 在(B)中, 共同因子，使得第一個共同因子貢獻最大變異，此變異(Communality)應為。但在PC中變異已標準化至1，故將在PC中係數改變至。 而定義共同因子 f1 即為Y1，而其係數為 取前面m個PC當作共同因子,則 ， where 共同因子模式 即 共同因子， 特有因子， ：loading of ith observation on the jth common factor 則X之Variance-Covariance matrix ， 一般假設 共同因子在分解成為： 主要分解的變異部份為： 共同因子所能解釋的部份 ：communality。 若T為一 orthogonal matrix ， where ， 且，， 在因子分析中可旋轉至任一軸，使得共同因子容易解釋，經旋轉後之共同解釋變異部份不變。 一般步驟為先固定communalities為SMC(squared multiple correlation) 即 所得之作為communality(diagonal 部份之值) 此時Var-Cov matrix 成為 (Reduced Correlation Matrix) 依照PC做法並旋轉使得係數(loading)之 variance 為最大(此種旋轉稱為Varimax)，但此時矩陣不一定為正定，故eigenvalue可能出現負值。 資料分析講義：因子分析Factor Analysis options nodate nonotes ps=60; data factor1; input pop school employ service house; cards; 5700 12.8 2500 270 25000 1000 10.9 600 10 10000 3400 8.8 1000 10 9000 3800 13.6 1700 140 25000 4000 12.8 1600 140 25000 8200 8.3 2600 60 12000 1200 11.4 400 10 16000 9100 11.5 3300 60 14000 9900 12.5 3400 180 18000 9600 13.7 3600 390 25000 9600 9.6 3300 80 12000 9400 11.4 4000 100 13000 ; proc factor data=factor1; run; proc factor prior=smc data=factor1 preplot rotate=varimax reorder plot; run; Initial Factor Method: Principal Components Prior Communality Estimates: ONE Eigenvalues of the Correlation Matrix: Total = 5 Average = 1 Eigenvalue Difference Proportion Cumulative 1 2 1 0.5747 0.5747 2 1 1 0.3593 0.9340 3 0 0 0.04