主成份分析与因素分析的比较.pptVIP

第九章 主成份分析與因素分析 第一節 主成份分析原理 第二節 因素分析原理 第三節 SPSS的因素分析 第四節 因素分析範例 學習目標 認識主成份分析與因素分析的基本概念與目的。 瞭解主成份分析與因素分析的差異與關係。 理解主成份分析與因素分析的演算原理。 瞭解共變數矩陣與相關矩陣進行主成份分析的差異。 瞭解各種因素萃取與因素轉軸方法及其比較。 認識因素命名的原則。 理解負荷量、特徵值、共同性與解釋變異量彼此的關係。 認識SPSS的Factor程序與介面如何操作。 瞭解SPSS如何處理Factor程序的矩陣資料。 認識SPSS的各種因素分析應用實例。 第一節 主成份分析原理 一、主成份分析的基本概念 二、主成份的萃取 三、主成份分析的特點與觀念 一、主成份分析的基本概念(1/2) 若欲將變數減少成少數幾個互相獨立的線性組合變數，亦即潛在變量或成份，就必須使用主成份分析。 主成份分析法是考慮將資料中原有的p個變數做線性組合得到k個新變數。通常k比p小很多。 主成份分析法的另一項功能是能將彼此間具有相關關係的p個變數，經過線性組合後成為k個彼此間相關係數為0的新變數，此過程稱為萃取（Extraction）。 使經由線性組合而得到的成份之變異數為最大，使觀測值在這些成份上顯示出最大的個別差異來。 一、主成份分析的基本概念(2/2) 主成份分析除了用來簡化變數間之關係外，可用來縮減某一組欲進行多變量分析之變數的數目。 主成份分析也可將各變數的原始分數轉為主成份分數，以供進一步的統計分析。 主成份分析還可用來建構多種具有不同衡量單位變數之綜合指標。 主成份亦可根據其負荷量來對主成份命名。 例如：以身高與體重來建構「塊頭」指標、以成長率與市場佔有率來建構「行銷績效」指標。 二、主成份的萃取 (1/2) 1、計算相關矩陣或共變數矩陣估計共同性(community，或稱共通性)：若是相關矩陣則共同性設為1；若是共變數矩陣則共同性為各變數的變異數。 2 、從相關矩陣或共變數矩陣中，萃取主成份。 3、決定因素的數目。 4、因素命名與結果解釋。 二、主成份的萃取 (2/2) 假設有p個數字變數，則可計算出p個主成份。 共同性會等於1，亦即沒有誤差項，故此公式不寫出誤差項。 主成份分析重視的是「變異數」，因素分析重視的則是「共變異數」。為使變異數達到最大，通常進行主成份分析後不再轉軸，而因素分析則需要轉軸。 主成份分析使觀察值在這些主成份乃顯示出最大的個別差異。因素分析的目的是找出共同性。 主成份萃取的運算原理 使組合 ，在 下， Var(y)=a??a最大的解a是矩陣?的最大特徵值（eigenvalue）所對應的特徵向量（eigenvector） 最大特徵值所對應的特徵向量a是使Var(y)=a??a最大的解。 假設本範例有身高與體重兩變數，為了提高每位學生的分辨能力，要使線性組合 的變異數愈大愈好。在 的限制下，找 、 值使 最大。 主成份分析可使用共變異數矩陣，亦可使用或相關係數矩陣進行分析，一般當單位不同時以使用相關矩陣較佳。 以共變數矩陣來萃取主成份 ?通常是未知的，故以求出樣本共變異矩陣S代替? 。 以相關係數矩陣來萃取主成份 以相關矩陣R取代共變異數矩陣S，再求特徵值、特徵向量。 以S與R做主成份分析的結果可能會有很大的差別，以S做主成份分析，容易受使用變數單位的影響。在SPSS的FACTOR程序中的Extraction框中，盡量勾選Correlation(R)非Covariance(S)。 主成份分析的特點與觀念 （一）直交性。 （二）特徵值就是主成份的變異數。 （三）所有主成份的變異數總和與所有變數之變異數總 和相等。 （四）主成份解釋的變異數比例。 （五）主成份負荷（loading）。 （六）共同性（Communality，h2）。 （七）主成份分數（Score）。 直交性 1、第j個特徵向量（即係數向量）與第j－1個特徵向量直交：亦即 。 在本例中， 。 2、第j個主成份與第j－1個主成份直交：亦即 。 特徵值就是主成份的變異數 在本例中 同理可得 所有主成份的變異數總和與所有變數之變異數總和相等 在本例中 而且可得 主成份解釋的變異數比例 在本範例中，1.