探索性因子分析汇编.docVIP

什么是探索性因子分析法？ 　　探索性因子分析法（Exploratory Factor Analysis，EFA）是一项用来找出多元观测变量的本质结构、并进行处理降维的技术。 因而，EFA能够将具有错综复杂关系的变量综合为少数几个核心因子。 探索性因子分析法的起源 　　因子分析法是两种分析形式的统一体， 即验证性分析和纯粹的探索性分析。 英国的心理学家Charles Spearman在1904年的时候，提出单一化的智能因子（A Single Intellectual Factor）。 随着试验的深入，大量个体样本被分析研究，Spearman的单一智能因子理论被证明是不充分的。 同时，人们认识到有必要考虑多元因子。 20世纪30年代，瑞典心理学家Thurstone打破了流行的单因理论假设，大胆提出了多元因子分析（Multiple Factor Analysis）理论。 Thurstone在他的《心智向量》（Vectors of Mind， 1935）一书中，阐述了多元因子分析理论的数学和逻辑基础。 [编辑] 探索性因子分析和验证性因子分析的异同[1] 　　探索性因子分析和验证性因子分析相同之处 　　两种因子分析都是以普通因子分析模型作为理论基础，其主要目的都是浓缩数据，通过对诸多变量的相关性研究，可以用假想的少数几个变量(因子、潜变量)来表示原来变量(观测变量)的主要信息。图1所示即为最简单、也最为常见的因子模型，每个观测变量(指标)只在一个因子(潜变量)上负荷不为零，x1、x2 、x3是潜变量ξ1的指标，x4、x5是潜变量ξ2的指标。 　　将图1所示的因子模型推广至一般意义上的因子模型后，各观测变量x_i与m个公共因子ξ1,ξ2,...,ξm之间的关系可以用数学模型表示如下： 　　x1 = λ11ξ1 + λ12ξ2 + ... + λ1mξm + δ1 　　...... 　　xk = λk1ξ1 + λk2ξ2 + ... + λkmξm + δk 　　其中：xi为各观测变量；ξi是公共因子；δi是xi，的特殊因子，有时也称误差项，包括xi的唯一性因子和误差因子两部分；λij是公共因子的负载；m是公共因子ξ1,ξ2,...,ξm的个数，k是各观测变量x1,...,xk的个数，mk。上式也可以简单地用矩阵表示如下：x = Λxξ + δ 　　其中： 　　x = (x1,x2,...,xk)T , ξ = (ξ1,ξ2,...,ξm) ，δ = (δ1,δ2,...,δk)T 　　，是负载矩阵 　　探索性因子分析和验证性因子分析的差异之处 　　1.基本思想不同 　　因子分析的基本思想是要寻找公共因子，以达到降维的目的。探索性因子分析主要是为了找出影响观测变量的因子个数，以及各个因子和各个观测变量之间的相关程度，以试图揭示一套相对比较大的变量的内在结构。研究者的假定是每个指标变量都与某个因子匹配，而且只能通过因子载荷凭知觉推断数据的因子结构。而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力，以试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预期一致。指标变量是基于先验理论选出的，而因子分析是用来看它们是否如预期的一样。其先验假设是每个因子都与一个具体的指示变量子集对应，并且至少要求预先假设模型中因子的数目，但有时也预期哪些变量依赖哪个因子。 　　2.应用前提不同 　　探索性因子分析没有先验信息，而验证性因子分析有先验信息。探索性因子分析是在事先不知道影响因子的基础上，完全依据样本数据，利用统计软件以一定的原则进行因子分析，最后得出因子的过程。 　　在进行探索性因子分析之前，不必知道要用几个因子，以及各因子和观测变量之间的关系。在进行探索性因子分析时，由于没有先验理论，只能通过因子载荷凭知觉推断数据的因子结构。上述数学模型中的公共因子数m 在分析前并未确定，而是在分析过程中视中间结果而决定，各个公共因子ξi统一地规定为均影响每个观测变量xi。在管理研究中，如仅仅从数据出发，很难得到科学的结果，甚至可能与已有的理论或经验相悖。因此，探索性因子分析更适合于在没有理论支持的情况下对数据的试探性分析。这就需要用验证性因子分析来做进一步检验。而验证性因子分析则是基于预先建立的理论，要求事先假设因子结构，其先验假设是每个因子都与一个具体的指示变量子集对应，以检验这种结构是否与观测数据一致。也就是在上述数学模型中，首先要根据先验信息判定公共因子数m，同时还要根据实际情况将模型中某些参数设定为某一定值。这样，验证性因子分析也就充分利用了先验信息，在已知因子的情况下检验所搜集的数据资料是否按事先预定的结构方式产生作用。 　　3.理论假设不同 　　探索性因子分析的假设主要包括