第3讲因子分析-SPSS软件使用之三.pptVIP

第3讲 SPSS软件使用之三 内容提要： 因子分析（主成分分析） 在各个领域的科学研究中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为科学研究提供丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在相关性而增加了问题分析的复杂性，同时对分析带来不便。如果分别分析每个指标，分析又可能是孤立的，而不是综合的。盲目减少指标会损失很多信息，容易产生错误的结论。 因此需要找到一个合理的方法，减少分析指标的同时，尽量减少原指标包含信息的损失，对所收集的资料作全面的分析。由于各变量间存在一定的相关关系，因此有可能用较少的综合指标分别综合存在于各变量中的各类信息。主成分分析与因子分析就是这样一种降维的方法。 一、因子分析的概念 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。综合指标称为因子或主成分。 例：假设原始变量：x1、x2、…、xm 因子（公共因素）： z1、z2、…、zn 则各因子与原始变量之间的关系可表示为： x1= a11z1+a12z2+…+ a1n zn+e1 x2= a21z1+a22z2+…+ a2n zn+e2 …… xm= am1z1+am2z2+…+ amn zn+em 其中aij（i=1，2，…，m；j= i=1，2，…，n ）称为公因子载荷系数，用于反映因子和各个变量间的密切程度，其实质是两者间的相关系数； ei（i=1，2，…，m）为残差。 写成矩阵形式：X=AZ+E 其中A称为公因子载荷系数矩阵，Z为公因子向量，E为残差向量。 因子分析的主要任务就是求出因子载荷系数矩阵A，系数越大，该变量与因子关系越近，或该因子贡献越大。 计算因子载荷系数矩阵的常用方法是主因素法（主成分法） 有时得到的初始因子解中各主因子的典型代表变量不是很突出，不便于对实际问题进行分析，此时考虑进行因子旋转，一般采用正交旋转。 主成分法寻找公因子：假定残差的影响很小可以忽略不计，公因子zj之间相互独立，则主成分法的数学模型一般为： z1= b11x1+b12x2+…+ b1m xm z2= b21x1+a22x2+…+ b2m xm …… zn= bn1x1+bn2x2+…+ bnm xm 写成矩阵：Z=BX，其中B成为因子得分矩阵 特征根：在某种程度上可以被看成是表示主成分影响力度大小的指标。如果特征根小于1，说明该主成分的解释力度还不如直接引入一个原始变量。 公因子方差比（communalities）：指的是按照所选标准提取相应数量的公因子后，各变量中信息分别被提出的比例。其值在0~1之间，取值越大，说明该变量能被因子说明的程度越高。 二、适用条件 三、因子数量的确定 主成分的累积贡献率：80~85％以上 特征根的值大于1 综合判断 四、因子分析的步骤 根据研究的问题选取原始变量 对原始变量标准化并求其相关矩阵 利用相关矩阵、KMO统计量和Bartlett’s球形检验分析原始变量之间的相关性 求解初始公共因子及因子载荷矩阵 计算因子旋转矩阵 计算因子得分矩阵 根据因子得分进一步分析 四、 SPSS软件的使用 菜单： Analyse→Data Reduction→ Factor 操作：将需要分析的变量移入Variables框。 点击“Descriptives”，选择常用描述统计量、相关系数矩阵、 KMO统计量、Bartlett’s球形检验等 点击“Extraction”，选择公因子提取方法（一般选择主成分分析法）、因子提取结果、因子提取标准(一般选特征值大于1)等。 点击“Rotation”，选择提取因子时是否采用旋转（若各因子很难找到所代表的实际意义时，可通过旋转找到合适的解释） 点击“Scores”，选择估计因子得分系数的方法、是否将因子得分作为新变量加入数据文件。 根据需要选择其他内容（一般使用默认项）。 结果 描述统计量、相关系数矩阵、 KMO统计量和Bartlett’s球形检验、公因子方差（communalities）、主成分列表（Total Variance Explained）、因子负荷矩阵（Component Matrix）、因子得分矩阵（Component Score Coefficient Matrix）等 定义变量→输入数据 选择菜单： Analyse→Data Reduction→ Factor 操作： 将5个变量移入变量框 点击“Descriptives”，选择常用描述