5-因子分析.ppt

因子分析（Factor analysis） 因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计方法。在进行地质数据处理中，往往涉及到众多的地质变量及地质观测数据，需要对这众多的变量收集的大量数据进行分析寻找规律。多变量大样本虽然会为我们的研究提供丰富的信息，但由于变量及数据太多，使得分析的复杂性增加；同时在实际工作中，变量间经常具备一定的相关性，使得观测数据所反映的信息有重叠，从而增加了问题分析的复杂性。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，于是就产生了因子分析方法。因子分析就是将大量的彼此可能存在相关关系的变量转换成较少的，彼此不相关的综合因子的一种多元统计方法。这样既可实现变量降维，减少变量的数目，而且使各综合因子代表的信息不重叠。便于分析。 因子分析是通过对地质数据的分析建立一个成因系统。在地质上的作用主要表现在：①通过因子分析可用最简练的形式描述地质对象，即对观测到的大量地质现象进行综合归纳，将原始地质观测中为数众多的变量减少为几个新变量，以再现他们的内在联系。 ②对因子进行解释可探索各种地质现象的成因联系。例如在研究成矿作用时，因子可能具有矿化阶段的含义。 因此，因子分析是帮助我们对大量地质观测资料进行分析和作出较为合理解释的一种多变量统计方法。它能够从大量的观测资料中，在关系复杂的情况下，寻找影响它们的共同因素和特征因素。并以原始数据间的相关关系为基础，通过数学方法将许多彼此间具有错综复杂关系(它往往指示出某种地质上的共生组合和成因联系) 原始变量用综合因子代替，不仅对原始变量的相关信息损失无几，而且更能反映出地质现象的内在联系。 英国统计学家Moser Scott 1961年在对英国157个城镇发展水平进行调查时，原始测量的变量有57个，而通过因子分析发现，只需要用5个新的综合变量（它们是原始变量的线性组合），就可以解释95％的原始信息，对问题的研究从57维降低到5个维度，因此可以进行更容易的分析。 因子分析的用途 1、压缩原始数据 2、指示地学成因的推理方向 3、分解叠加的地学过程 因子分析特点 因子变量的数量远少于原有的指标变量的数量，对因子变量的分析能够减少分析中的计算工作量。 因子变量不是原有变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 因子变量之间不存在线性相关关系，对变量分析比较方便。 因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 因子分析的类型 如果对变量进行因子分析，称为R型因子分析，也称为主成份分析，R型因子分析研究变量之间的关系，在地质上表现为共生组合、成矿阶段划分等。如果对样品进行因子分析，称为Q型因子分析，也称为主因素分析，在地质上可表现为从大量样品中挑选关键性的典型标本，他们可以看着某种地质作用造成的典型产物，其它样品则可以看着不同地质作用下的混合影响的产物。 因子分析的数学模型 因子分析法是从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。它的基本思想是将原有的观测变量进行分类，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，那么每一类变量综合为一个新的变量，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线性函数与特殊因子之和来描述原来观测的每一变量。 设有p个可能存在相关关系的变量x1,x2,……,xp含有m个独立的公共因子F1,F2,……,Fm (mp), 变量xi含有独特因子εi(i=1…p)，诸εi间互不相关，且与Fj(j=1…m)也互不相关，每个xi可由m个公共因子和自身对应的独特因子εi线性表出： 为了得到因子分析结果的解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。 变量共同度 因子分析的步骤 因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。 因子分析常常有以下四个基本步骤：　　（1）确认待分析的原变量是否适合作因子分析。　　（2）构造因子变量。　　（3）利用旋转方法使因子变量更具有可解释性。　　（4）计算因子变量得分。 确认待分析的原变量是否适合作因子分析 因子分析是从众多的原始变量中构造出少数几个具有代表性意义的因子变量，这里面有一个潜在的要求，即原有变量之间具有较强的相关性。如果原有变量之间不存在较强的相关关系，那么就无法从中综合出能反映某些变量共同特征的少数公共因子变量来。因此，在因子分析时，