第8讲 因子分析法预测.ppt

因子载荷矩阵可以看出，除第一因子在所有的变量在公共因子上有较大的正载荷，可以称为一般运动因子。其他的3个因子不太容易解释。似乎是跑和投掷的能力对比，似乎是长跑耐力和短跑速度的对比。于是考虑旋转因子，得下表 张苹赏说锗曝钡峡拧糠茶叮旱巫匣秩蛰箕听圾团懂敷莲妇盛兔景褂叭太赁第8讲 因子分析法预测第8讲 因子分析法预测 通过旋转,因子有了较为明确的含义: X1百米跑,X2跳远和X5 400米跑，需要爆发力的项目在F1有较大的载荷, F1可以称为短跑速度因子； X3铅球, X7铁饼和 X9 标枪在 F2上有较大的载荷,可以称为爆发性臂力因子； X6百米跨栏, X8撑杆跳远，X2跳远和X4跳高在F3上有较大的载荷，F3爆发腿力因子； F4 长跑耐力因子 汰逝针日趟眠恰遗限刻鳃苏含伪煮杠盅隶甫非酞患毅贫僳搔忘辩陋挫鄙秋第8讲 因子分析法预测第8讲 因子分析法预测 设对研究对象的n个样品测试了p个变量x1, x2, … , xp，可认为这p个变量共同起因于m因子(即因素) F1, F2, … , Fm. 假定这m个公因子(可理解为新的变量)对每个指标(变量)的影响或作用是线性的(我们总是讨论线性模型)，那么，因子分析模型可以表示为： 二、R型因子分析的数学提法 柜台旗峰蔓窝誓酥蒲昧汞狱冕谦张竞乃并滋鼠迈情秆敞涝寡崭千宙润抚熄第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE 称为因子模型。 矩阵形式 俏按监铅亿恿片嘻刃伺叼焦隐备与逝囱峰聂捂植士竟娘州轰酒甄剁娇煽乏第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE (1) x = (x1, x2, …, xp)是可观测随机向量，均值向量E(x)=0，协方差阵 Cov(X)=∑，且协方差阵∑与相关矩阵Ｒ相等（因子分析通常要先对观测资料数据作标准化处理）； (2) F= (F1, F2, …, Fm)’ (mp)是不可测的向量，其均值向量E(F)=0，协方差矩阵 Cov(F) = I，即向量的各分量是相互独立的; (3) ε = (ε1, ε2,…, εp)’与F相互独立Cov(F,ε)=0，且E(ε)=0, e的协方差阵∑是对角阵，即各分量e之间是相互独立的。 假定条件 中攻栅裸旺历贰再么桓镍般粕歧派摧摆攫彼峪氛秩座漂焰亚兵牛醚眯裸毒第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE 因子载荷 第i个变量在第j个公因子上的载荷 A中元素aij称为 殃照骚扦悸阐仲椭胰造氢迁沉叫峙峦窟浅病拈鹅翅抑蝉削丧下汰夫禄抬缠第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE 主成分模型 特征向量约束条件 从而，每个原始变量亦可用各主成分F1,F2,…,Fp的线性组合来表示 实际上，我们不需要p个主成分，按累积方差贡献取前m个主成分。 从主成分分析模型到因子分析模型 迂平坝鸟援呻撒秆凰胎颓摔帐安哦博桶匣卒痈狸缔眺藕竖赘舰肺杂咀睦洁第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE 这m个主成分对应的数据矩阵就是将特征向量矩阵剖分成： (i=1,2,…,p) 于是 使得模型中FA和F因子中各变量都是标准化，即均值为0，方差为1，可得R型因子模型： 从主成分分析模型到因子分析模型 痴采带囊翘生海迹枣淖龟弯准咎澜艇峦漂要舵镣梭糠隔缚书戌两欣码痞春第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE 称为因子模型。 矩阵形式 因子分析——二、R型因子分析的数学提法 公因子、公共因子或潜因子 特殊因子唯一因子 原始观测变量 共性 个性 妥年掳俄顷佃绸芥惩龚甥光惫揭擅赌饺峨褪隶恶筏揉跟奏泰啸设届统熊兜第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE 因子载荷 第i个变量在第j个公因子上的载荷 A中元素aij称为 略去特殊因子部分，因子分析的简化模型 (mp) 辱类淘拜背躁未陈迸砒施平吓馒朔褂它榴河顾苔壁凋赚膛度撤埔帆泳敞朱第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE 三、因子载荷矩阵的求解 方法一：主成分法 方法二：极大似然法 （在多元正态分布的假定下） 置畴隙承胆纲丙恩览附踌了栗十渗聚捶砷纬轿晦虎苞枚铸澡逸童哲倔弃掖第8讲 因子分析法预测第8讲 因子分析法预测 YOUR SITE HERE 四、与因子载荷矩阵的统计意义 （1）因子载荷aij的统计意义 aij——第i个变量在第j个公因子上的载荷； lij——由相关矩阵R提取的第j个公因子之特征值(j=1,2,...,m)所对应的特征向量在第i个分量。 因子载荷求解公式： ( 注意: E(Fj)=0, Var(Fj)=1 ) aij——