因子分析%20%20幻灯片.pptVIP

因子分析 流行病与卫生统计学系 回顾：主成分分析的任务 将彼此相关的指标变量转化为彼此不相关的指标变量； 将个数较多的指标变量转化为个数较少的指标变量。 将意义单一的指标变量转化为意义综合的指标变量。 主成分分析的基本原理 寻找一个适当的线性变换： 将彼此相关的变量转变为彼此不相关的新变量； 方差较大的几个新变量就能综合反应原多个变量所包含的主要信息； 新变量各自带有独特的专业含义。 相关性的另一个角度分析： 观测指标间存在相关性，是受某些不可观测的潜在因素的影响造成的. 如： 学生的语文，英语成绩相关，是受其语言能力的影响，学生的数学，物理化学成绩相关，是受其逻辑推理能力的影响。 因子分析的应用 因子分析最早用于社会科学领域，特别是心理测验学，后已扩展到自然科学领域。例如：用于地矿探测，智力测量，健康评价等。 因子分析的目的 理论上讲：研究原始变量的内部关系，简化原变量的内部结构，分析变量中存在的相关关系。 从应用上讲：寻求众多变量的共同因子，即：探讨 多个能直接测量的且有一定相关性的实测指标是如何受少数几个不能直接测量的相对独立的因子支配的。 因子分析的基本思想 根据变量间相关性的大小把变量分组，使得同组内的变量之间的相关性（共性）较高，并用一个因子来代表这个组的变量，而不同组的变量相关性较低（个性）。 第一节 探索性和确定性因子分析的区别 一、什么是探索性因子分析？ 探索性因子分析是去探讨一组可测变量的特征，性质和内部的关联性，并揭示有多少主要的潜在因子可能影响这些可测变量。 二、什么是确定性因子分析？ 确定性因子分析是在探索性因子分析的基础上进一步确定每一个潜在因子对可测变量的影响程度，以及了解这些潜在因子之间的关联程度。 第二节 探索性因子分析的基本原理 【例16-1】表16-1给出了三个指标之间的相关系数，其中，x 1 是孩子的数学成绩，x 2 是孩子的语文成绩，x 3 是孩子的英语成绩。求影响或支配这三个成绩指标变量的潜在因子。 总 结 什么是探索性因子分析？ 探索性因子分析的模型？ 什么是可测变量、潜在变量、因子载荷？ 如何确定潜在因子的个数？ 因子旋转的目的是什么？ 如何解释潜在因子的意义？ 结 束 第五节 探索性因子分析在医学中的应用 探索性因子分析的用处： 一般情况下，多个指标之间往往存在复杂的关联性，探索性因子分析方法可以有效地找出这些数据中的综合信息，也就是说，找出隐藏在数据中的潜在变量，这样对多个指标变量的关联性或依存性分析分析就可以转化为对少数几个潜在变量的分析，既使得问题得到化简，又使得理论得到提升。 【例16-2】 研究者收集了40名学生的12项智力指标。这12项指标分别为常识(x 1)、类同(x 2)、计算(x 3)、词汇(x 4)、理解(x 5)、数字广度(x 6)、填图(x 7)、图片排列(x 8)、积木(x 9)、拼图(x 10)、译码(x 11)和迷津(x 12)。将原始数据经过标准化处理后，计算其相关系数矩阵，结果列在表16-4中。试进行探索性因子分析。 【SAS程序】 data eg16_2 (type=corr) ； input _name_ $3. x1-x12 ； _type_=Corr ； cards; x1 1.0000 . . . . . . . . . . . x2 0.6904 1.0000 . . . . . . . . . . . . . . run； proc factor data=eg16_2 rotate=varimax （指定因子旋转方 法） reorder（指定将指标变量按每一个潜在因子载荷的绝对 值大小由小到大重新排序） ； var x1-x12； run； 【SAS 输出结果】 ① Eigenvalues of the Correlation Matrix: Total = 12 Average = 1 1 2 3 4 5 6 Eigenvalue 4.5720 1.8812 1.0520 1.0227 0.7104 0.6069 Difference 2.6909 0.8292 0.0293 0.3123 0.1035