高级统计与 EFA .ppt

PCA与EFA 二者的共性 都是数据简化的技术 都涉及抽取的过程 都解释变量和因素的关系 都计算因素分数 二者的差别 EFA 假定观测变量的背后有潜在变量(因素) EFA 具有多种形式的估计方法和抽取方法 EFA 是基于”因果”的世界观,认为潜在变量”造成”了观测变量. EFA只解释那部分共同方差,而PCA是解释共同方差和独特方差两部分 探索性因素分析（EFA）的局限 用于研究的初始阶段，帮助产生假设 解决的解释没有参照，可能是主观的 旋转的可能性无穷多 在验证假设时，确证性因素分析(Confirmatory Factor Analysis) 更可靠 探索性因素分析 (EFA)与验证性因素分析 (CFA) 理论 EFA:无事先建立的理论为指导 CFA:以事先建立的理论为指导 对因素数目和变量与因素关系的假定 EFA试图揭示一组数目较多变量潜在结构，故对因素数目无任何假定，它假定任何变量都可能与任何因素相关 CFA的最低要求是: 事先假设模型中因素的数目, 哪个变量会在哪个因素上有载荷 一个好的研究往往不单纯用EFA，而是以EFA开始，以CFA结束。 3. PCA结构矩阵所包含的信息 因素载荷 （factor loading） 变量(行)与因素(列)间的相关系数 因素载荷的平方是因素解释变量的方差百分比 将所有属于这一因素的变量载荷的平方(列)求和 ，然后除以变量的数目，就得到变量解释方差的百分比 因素 载荷是诠释不同因素意义的基础 因素载荷 （factor loading） 每一变量与主成分的相关 .32 marginal; .45 fair (most use .30 rule) Variables PC1 PC2 Sadness .70 .20 Depression .70 .15 Anger .40 .50 Excitement -.20 -.60 PCA结构矩阵所包含的信息 结构系数的平方是 VAF(variance accounted for). 将列的VAF加和,就是因素的特征值eigenvalues (?) e.g., ?1 = 1.18; ?2 = 1.04 将其除以因素的个数 (e.g., 4) VAF1 = .30, VAF2 = .26 这个因素分析所解释的方差百分比 -就 VAF加和: .30 + .26 = .56 or 56% Variables PC1 PC2 Sadness .49 .20 Depression .49 .23 Anger .16 .25 Excitement .04 .36 特征值 （eigenvalue） 给定因素的特征值度量了被此因素所解释的所有变量的方差 因素的特征值可以用所有变量因素载荷的平方和来计算 特征值的比率是该因素相对于该变量解释重要性的比率 如果一个因素的特征值低, 即意味着它对于变量方差解释的贡献很小，可以被忽略 注意未旋转时的特征值和旋转后的特征值不同, 尽管特征值的总和会相同。应报告旋转后的特征值 共通性 (h) 一个变量被成分所解释的方差部分. 将行的VAF加和,就是变量的特征值 hsadness= .69, hdepression = .72, hanger .41, hexcitement = .40 Variables PC1 PC2 Sadness .49 .20 Depression .49 .23 Anger .16 .25 Excitement .04 .36 共通性（communality） 被某个因素解释的变量的方差部分 一个变量如果将其它变量作为预测源（predictors），其多重相关系数的平方 旋转不会使共通性改变 可以解释为外在指标（变量能够体现因素）的信度。 4. 因素的命名 考察每个因素, 注意那些因素载荷最高的变量（markers） 考察因素载荷看最初的解释是否得到因素载荷的证实 标记变量(Marker) 仅与一个因素有高相关 清晰地反映一个因素的本质特征 一个因素应一开始就得到标记变量的明确界定，则围绕该因素增加其他的观测变量才有意义 5. 因素转轴（factor rotation） 转轴的目的：将所抽取的因素，经过数学转换，使因素或成份具有清楚的区隔，能够反映出特定的意义，称为转轴。目的是在理清因素与因素之间的关系，以确立因素间最简单的结构。 转轴