第14讲因素题稿.ppt

  1. 1、本文档共74页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
心理测量学 第十四讲 因素分析 一、概述 心理测验通常显示出从中度到高度的正相关 归纳推理:通过注意到两个测验似乎拥有共同的特征,鉴别出言语能力这个更一般的、抽象的、普通的变量 请解释:为什么RC和VOCAB之间的相关、FR 和EF之间的相关是高的,而所有其他的相关是低的 表2 对表1中的相关进行一个因素分析的结果 这个分析表明,这里有两个不同的因素 奇怪:根据常识或者直觉就能够精确解释结果,心理学为什么把自己陷入复杂的方法中去 因素分析为判定因素的数量和这些因素的统计特征提供了一个分析方法 二、因素分析数学模型 因素分析是通过研究多个变量间相关系数矩阵(协方差矩阵)的内部依赖关系,找出能综合所有变量的少数几个随机变量,这几个随机变量是不可测量的,通常称为因子,或因素,然后根据相关性的大小把变量分组,使得同组内的变量之间相关性较高,但不同组的变量相关性较低。 图1 因素分析模型 因素分析模型,是每个观测变量由一组因素的线性组合来表示,设有k个观测变量(此为标准化变量),分别为x1,x2,…,xk,其中xi为具有零均值、单位方差的标准化变量 (1) f1,f2,…,fm叫做公因子(common factors),它们是各个观测变量所共有的因子,解释了变量之间的相关。公共因子都是均值为0,方差为1的变量。 (3) aij称为因子负荷(factor loadings),它是第i个变量xi在第j个公因子fj上的负荷。因素负荷或因素载荷,实质就是公因子fj和变量xi的相关系数。矩阵A=(aij)称为因子载荷矩阵。 三、基本概念 因素(factor)和因素负荷 1、因素(factor)和因素负荷 因素负荷或因素载荷aij,第i个变量在第j个因子上的载荷,实质就是公因子fj和变量xi的相关系数(也就是原始变量与因素分析时抽取出来的共同因素之间的相关) 2、公因子方差或共同度 共同度(communality)又叫公共方差,变量xi的公因子方差记做hi2 如何理解公因子方差呢? 请回忆一下测定系数或决定系数 负荷系数的平方就是变量xi与因子fj的共同变异 表3 x1=a11f1+a12f2 +u1 x2=a21f1+a22f2 +u2 x3=a31f1+a32f2 +u3 x4=a41f1+a42f2 +u4 x5=a51f1+a52f2 +u5 3、特征值和因子的贡献(解释量) 每个公因子对数据的解释能力,可以用该因子所解释的总方差来衡量,通常称为该因子的贡献(contributions) ,记为Vp 实际中更常用相对指标,即因子贡献率,用每个因子所解释的方差占所有变量总方差的比例来表示 特征值: 可以证明,各主成分特征值等于其因子贡献 总结:公因子方差是所有因子对某一个变量的解释力;特征值是某一个因子对所有变量的解释力 四、因素分析的步骤 首先,计算所有变量的相关矩阵 1、计算相关矩阵 计算所有变量之间的相关系数,得到相关矩阵R 巴特莱特球形检验:该统计量从检验整个相关矩阵出发,其零假设为相关矩阵是单位矩阵。所以要拒绝该假设,才能进行因素分析。 2、提取因子 要确定因子的个数和求因子解的方法 ①因子提取方法 主成分分析法 公因子分析法:包括主轴因子法、极大似然法、最小二乘法、alpha法等 大多数情况下,这两种方法得到的解很接近,一般常用主成分分析法和主轴因子法。 ②因子个数的确定 二是碎石检验准则(scree test criterion) ,这种图的形状像一个山峰,从第一个因子开始,曲线迅速下降,然后下降变得平缓,最后变成近似一条直线,曲线变平开始的前一个点认为是提取的最大因子个数 3、因子旋转 因素分析的目的不仅是求出公因子,更主要的是要知道每个因子的意义。通过坐标变换使因子解的实际意义更容易解释 因子旋转的目的是通过改变坐标轴的位置,重新分配各个因子所解释的方差的比例,使因子结构更简单,更易于解释 简言之,就是调整因素负荷矩阵式中的行、列值向0和1极化,使某些变量的负荷尽可能往某个因子上集中,而另一些变量的负荷尽可能往另一个因子上集中 旋转图解:良好的旋转应当使得变量向量尽可能落在坐标轴附近,且各坐标轴附近积聚的变量数或者各因素的累计贡献应大致平均。二维坐标系中,正交旋转只需把坐标轴旋转到尽可能接近变量处即可。多维坐标系将因子空间分解成多个二维平面,分别进行简单结构的旋转,直到得出稳定、一致的结果。 对旋转的理解 降维的过程就通过旋转坐标,把方差最大方向做为坐标,而淘汰方差较小的纬度,这样就可以将N维空间的问题转化为一维空间的距离问题。 一般来说,转轴的方法有两大类:正交转轴法和斜交转轴法 正交旋转(orthogonal rotation)方

文档评论(0)

希望之星 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档