信息分析方法一.ppt

第五章 信息分析方法（一）;本章思考题;本章主要内容;5.1 相关分析方法;相关关系的基本概念 ;;2、相关关系的分类;;散点图（scatter plot） ;数据保存在文件“散点图.sav”中;相关系数;;;图示相关系数：散点图（scatterplot）图1：完全相关（相关系数r=1 ）;图2：正相关（相关系数r=0.702）;图3：负相关（相关系数r= - 0.8）;图4：不相关（相关系数r=0.071）;;主要的相关系数：;相关系数的检验;SPSS中相关分析的实现：;;相关分析实例;;;相关分析实例;;;例8：风景区经济增长的相关因素分析;;偏相关分析对于辨别变量间的虚假相关有极为重要的作用。;;5.1.1 内容分析法;;例2：;例4：;1、内容分析（Content Analysis）法简介;;;;2、内容分析法的形成与发展;;;;3、内容分析法的理论基础;;4、内容分析法的一般步骤;;;;;;;5、内容分析法的主要类型;;6、内容分析的相关软件;;;;7、内容分析法的应用;８、内容分析法的应用实例;5.1.2 引文分析法;;;;;;引文网络;　　当然，根据上述三个假设，我们可以很方便地把上图的引文网络用矩阵形式表示：;4、引文分析的测度指标;;;5、引文分析的主要类型;引文耦合与共引文分析;文献的聚类分析;6、引文分析的工具;情报学家Eugene Garfield;;;;;7、引文分析的局限;8、引文分析方法的应用;;引文分析的准实例1;引文分析实例2～4;引文分析的实例5;;;;论文数与平均引文长度（篇均参考文献数）的分布：;论文数与自引数之间的关系：;自引率的变化 ：;;;结果;结论;5.1.3 因子分析;;;变量过多带来的问题;因子的特点;;1、因子分析的数理统计背景;因子分析的数学原理之简介;样本观测数据的标准化处理;简记为：;　　　　　　　　　　，且满足：;;因子载荷 　　可以证明，在因子不相关的前提下，因子载荷aij是变量xi与因子Fj的相关系数，其绝对值的大小直接反映因子Fj对解释变量xi的重要程度。 变量共同度 　　变量xi的共同度　　的数学定义为： 　　变量xi的共同度刻画了全体因子对变量xi的信息解释的程度，是衡量因子分析效果的重要依据。;因子的方差贡献 　　因子Fj的方差贡献的数学定义为： 　　因子Fj的方差贡献反映了因子Fj对原有变量的解释能力。因子的方差贡献和方差贡献率是衡量因子重要性的关键指标。 ;2、因子分析的过程;巴特利特球度检验;KMO测度;KMO测度;;;特征值λ;;⑦ 因子得分（factor scores） 　　(j=1,2,..., m) 　　注意：wj1,wj2,...,wjp为第j个因子在第1,2,...,p个变量处的因子得分系数。注意，它并不等于因子载荷aij。 ⑧ 模型的适合度（model fitness） 　　因子分析的最后，应该对构建的模型是否适合问题 本身有一个认识，这就涉及到模型的适合度的判断。这 种判断常常基于残差矩阵而进行。 ;;Analyze→Data reduction→Factor --------------------------------------------- Discriptives按钮（输出描述性统计量） Statistics框（基本统计量框，用于订制需输出的基本统计量） Univariate descriptives(输出各个变量的基本描述统计量) Initial solution（输出因子分析的初始解） Correlation Matrix框（指定考察因子分析条件的方法及输出结果） Coefficients（输出相关系数矩阵） Significance levels（输出相关系数检验的概率p值） Determinant（输出变量相关系数矩阵的行列式值） Inverse（输出相关系数矩阵的逆矩阵——与相关系数矩阵的积为单位阵） Anti-image（输出反映象相关矩阵） KMO and Bartletts test of sphericity（进行巴特利特球体检验和KMO检验） ---------------------------------------------------- Extraction按钮（提取因子的方法） Principal components（默认，主成分分析法） Analyze框（指定提取因子的依据） Correlation matrix（相关系数矩阵） Covariance matrix（协方差阵） Extract（指定如何确定因子数目） Eigenvalues over（输入一个特征值，默认为1，SPSS将提取大于该值的特征