第十三章 因子分析.ppt

第十三章 因子分析 多元分析处理的是多指标的问题。由于指标太多，使得分析的复杂性增加。观察指标的增加本来是为了使研究过程趋于完整，但反过来说，为使研究结果清晰明了而一味增加观察指标又让人陷入混乱不清。由于在实际工作中，指标间经常具备一定的相关性，故人们希望用较少的指标代替原来较多的指标，但依然能反映原有的全部信息，于是就产生了主成分分析、对应分析、典型相关分析和因子分析等方法。 调用Data Reduction菜单的Factor过程命令项，可对多指标或多因素资料进行因子分析。因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量，这与上一章的聚类分析不同），以较少的几个因子反映原资料的大部分信息。 13.1 因子分析基本例题 [例13-1]下表资料为25名健康人的7项生化检验结果，7项生化检验指标依次命名为X1至X7，对该资料进行因子分析。 1.数据准备 激活数据管理窗口，定义变量名：分别为X1、X2、X3、X4、X5、X6、X7，按顺序输入相应数值，建立数据库。 2.统计分析 激活Analyze菜单选 Data Reduction 的Factor..命令项，弹出Factor Analysis对话框。 (在对话框左侧的变量列表中选变量X1至X7，点击箭头按钮使之进入Variables框。) 3.点击Descriptives...钮， 弹出Factor Analysis:Descriptives对话框 在Statistics中: 选Univariate descriptives 要求输出各变量的均数与标准差， Initial solution (初始解) 显示初始公因子方差、特征值及解释变量的百分数。 Correlation Matrix栏中： 选Coefficients 要求计算相关系数矩阵 Significance levels (显著性水平） Determinant 相关系数矩阵行列式值 选KMO and Bartlett’s test of phericity项，要求对相关系数矩阵进行统计学检验 Inverse 逆相关系数矩阵 Reproduced 再生相关系数矩阵，显示残差值。 Anti-image 反映像相关系数矩阵与反映像协方差矩阵。 点击Continue钮返回Factor Analysis对话框。 点击Extraction...钮，弹出Factor Analysis:Extraction对话框，系统提供如下因子提取方法： Principal components：主成分分析法； Unweighted least squares：未加权最小平方法； Generalized least squares：综合最小平方法； Maximum likelihood：极大似然估计法； Principal axis factoring：主轴因子法； Alpha factoring：α因子法； Image factoring：多元回归法。 本例选用Principal components方法，之后点击Continue钮返回Factor Analysis对话框。 点击Rotation...钮，弹出Factor Analysis: Rotation对话框，系统有5种因子旋转方法可选： None：不作因子旋转； Varimax：正交旋转； Equamax：全体旋转，对变量和因子均作旋转； Quartimax：四分旋转，对变量作旋转； Direct Oblimin：斜交旋转。 旋转的目的是为了获得简单结构，以帮助我们解释因子。本例选正交旋转法，之后点击Continue钮返回Factor Analysis对话框。 点击Scores...钮，弹出弹出Factor Analysis: Scores对话框，系统提供3种估计因子得分系数的方法， 本例选Regression（回归因子得分），之后点击Continue钮返回Factor Analysis对话框，再点击OK钮即完成分析。 分析结果解释 在输出结果窗口中将看到如下统计数据： 系统首先输出各变量的均数（Mean）与标准差（Std Dev），并显示共有25例观察单位进入分析；接着输出相关系数矩阵（Correlation Matrix），经Bartlett检验表明：