主成分与因子.docVIP

因子分析与因子分析法 HYPERLINK /view/45376.htm \t _blank 主成分分析通过 HYPERLINK /view/476001.htm \t _blank 线性组合将原变量综合成几个主成分，用较少的 HYPERLINK /view/1618362.htm \t _blank 综合指标来代替原来较多的指标（变量）。在 HYPERLINK /view/613565.htm \t _blank 多变量分析中，某些变量间往往存在相关性。是什么原因使变量间有关联呢？是否存在不能直接观测到的、但影响可观测变量变化的公共因子？因子分析法（Factor Analysis）就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。 可以说，因子分析是 HYPERLINK /view/45376.htm \t _blank 主成分分析的推广，也是一种把多个变量化为少数几个综合变量的 HYPERLINK /view/613565.htm \t _blank 多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。 因子分析主要用于：1、减少分析变量个数；2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。 1. 因子 HYPERLINK /view/1302053.htm \t _blank 分析模型 因子分析法是从 HYPERLINK /view/437195.htm \t _blank 研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的 HYPERLINK /view/2169890.htm \t _blank 线性函数与特殊因子之和来描述原来观测的每一分量。 因子 HYPERLINK /view/1302053.htm \t _blank 分析模型描述如下： ⑴X = (x1，x2，…，xp）￠是可观测随机 HYPERLINK /view/77260.htm \t _blank 向量， HYPERLINK /view/1052684.htm \t _blank 均值 HYPERLINK /view/77260.htm \t _blank 向量E(X)=0， HYPERLINK /view/121095.htm \t _blank 协方差阵Cov(X)=∑，且协方差阵∑与 HYPERLINK /view/3523768.htm \t _blank 相关矩阵R相等（只要将变量标准化即可实现）。 ⑵F = (F1，F2，…，Fm）￠ （mp）是不可测的向量，其 HYPERLINK /view/1052684.htm \t _blank 均值向量E(F)=0， HYPERLINK /view/1304423.htm \t _blank 协方差矩阵Cov(F) =I，即向量的各分量是相互独立的。 ⑶e = (e1，e2，…，ep）￠与F相互独立，且E(e)=0， e的 HYPERLINK /view/121095.htm \t _blank 协方差阵∑是对角阵，即各分量e之间是相互独立的，则模型： x1 = a11F1+ a12F2 +…+a1mFm + e1 x2 = a21F1+a22F2 +…+a2mFm + e2 ……… xp = ap1F1+ ap2F2 +…+apmFm + ep 称为因子 HYPERLINK /view/1302053.htm \t _blank 分析模型，由于该模型是针对变量进行的，各因子又是 HYPERLINK /view/935574.htm \t _blank 正交的，所以也称为R型正交因子模型。 2. 模型的统计意义 模型中F1，F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。e1，e2，…，ep叫做特殊因子，是 HYPERLINK /view/77260.htm \t _blank 向量x的分量xi(i=1，2，…，p）所特有的因子，各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷 HYPERLINK /view/10337.htm \t _blank 矩阵A中的元素（aij）是为 HYPERLINK /view/2