第7章节 因子分析.pptVIP

第一节 引言 一般认为因子分析是从Charles Spearman在1904 年发表的文章《对智力测验得分进行统计分析》开始，他提出这种方法用来解决智力测验得分的统计方法。目前因子分析在心理学、社会学、经济学等学科中都取得了成功的应用，是多元统计分析中典型方法之一。 因子分析( factor analysis )也是一种降维、简化数据的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个“抽象”的变量来表示其基本的数据结构。这几个抽象的变量被称作“因子”，能反映原来众多变量的主要信息。原始变量是可观测的显在变量，而因子一般是不可观测的潜在变量。 例如，在商业企业的形象评价中，消费者可以通过一系列指标构成的一个评价指标体系，评价百货商场的各个方面的优劣。但消费者真正关心的只是三个方面：商店的环境、商店的服务和商品的价格。这三个方面除了价格外，商店的环境和服务质量，都是客观存在的、抽象的影响因素，都不便于直接测量，只能通过其它具体指标进行间接反映。因子分析就是一种通过显在变量测评潜在变量，通过具体指标测评抽象因子的统计分析方法。又比如，在研究区域社会经济发展中，描述社会与经济现象的指标很多，过多的指标容易导致分析过程复杂化。一个合适的做法就是从这些关系错综复杂的社会经济指标中提取少数几个主要因子，每一个主要因子都能反映相互依赖的社会经济指标间共同作用，抓住这些主要因素就可以帮助我们对复杂的社会经济发展问题进行深入分析、合理解释和正确评价。 另外，对某一个指标来说，它的变动除受共同因素变动的制约以外，可能还有一些特殊的因素。共同因素和特殊因素一起决定了某个指标的变动。为了明确地显示出这些因素对观测指标的作用方式，就需要设计出一定的分析模型来对它们进行描述。 例如，学生升级升学以及各学期末都要对其所学各种课程进行考核，如中学生高考要考语文、数学、物理、化学、生物、历史、地理、外语等科目。从教育学上来看，学生各科成绩的好坏主要是受各个学生的阅读理解能力、抽象思维能力、记忆能力和学习刻苦努力程度支配的。 因此，学生各科成绩这些指标的变动就取决于上述四个共同因素和其它一些特殊因素的作用。 如果用 表示学生各科的考试成绩，用 表示共同因素称为公共因子，而用 表示各科成绩的特殊因子，则我们可以设想学生各科成绩是各个公共因子和特殊因子的线性函数，即可构造线性模型： 来描述学生各科的考试成绩，其中 是某科成绩的平均数即一般水平，由该模型可以看出各科成绩差异的原因。 类似的例子在社会经济生活中还可举出很多，如婚姻、生理、医学等方面。 既然对一个事物的观测指标系统是由一些公共因子和特殊因子作用形成的，那么对这些公共因子和特殊因子加以测定就是一件有意义的事情，特别是对公共因子的测定，就是一件更有意义的事情。 若知道了各个指标的公共因子有哪些，则就可用公共因子代替原始观测指标，从而达到分析简化的目的。 因子分析的内容非常丰富，常用的因子分析类型是 R 型因子分析和 Q 型因子分析。R 型的因子分析是对变量作因子分析，Q 型因子分析是对样品作因子分析。本章侧重讨论 R 型因子分析。 第二节 因子分析模型 一、因子分析的数学模型 无论是R 型或Q 型因子分析，都用公共因子 F 代替 X，一般要求 mp，mn，因此，因子分析与主成分分析一样，也是一种降低变量维数的方法。下面我们将看到，因子分析的求解过程同主成分分析类似，也是从一个协方差阵出发的。 因子分析与主成分分析有许多相似之处，但这两种模型又存在明显的不同。主成分分析的数学模型本质上是一种线性变换，是将原始坐标变换到变异程度大的方向上去，相当于从空间转换的角度上观看数据，突出数据变异的方向，归纳重要信息。而因子分析从本质上看是从显在变量去“提炼”潜在因子的过程。正因为因子分析是一个提炼潜在因子的过程，因子的个数 m 取多大是要通过一定规则确定的，并且因子的形式也不是唯一确定的。一般说来，作为“自变量”的因子F1，F2，…，Fm 是不可直接观测的。这里我们应该注意几个问题。 二、因子载荷阵的统计意义 前面的因子分析模型中出现了一个概念叫因子载荷矩阵，实际上因子载荷矩阵存在明显的统计意义。为了对因子分析过程和计算结果做详细的解释，我们对因子载荷矩阵的统计意义加以说明。