spss课件主成分分析与因子分析.ppt

样本主成分 实际应用中，将样本 代入各主成分 中，可得到各样本主成分的观测值 原变量 主成分 1 2 序号 SPSS中： 变量在主成分上的载荷F是什么？相关系数 (在X标准化的情况下,F是相关系数; 否则,是 主成分的标准差与特征向量之分量的乘积) 特征向量是如何求的？（FD-1/2，D是协方差矩阵的对角阵） 主成分是X FD-1/2 问题 什么时候适合用主成份分析：BARTILETT检验，即相关系数矩阵是I吗 数据标准化何时需要？ 多少主成份合适？ 如何评价解的有效性？1/3数据作为试验好否。 11.2 因子分析 寻求基本结构 数据化简 设X，f都是标准化的： X1=a11f1+a12f2+…+a1mfm+e1 X2=a21f1+a22f2+…+a2mfm+e2 。。。………….. Xk=ak1f1+ak2f2+…+akmfm+ek 此aij是相关系数：xi,fj Xi,xj简单相关系数： rij= sum(ai1aj1,ai2aj2,…) Xi的方差 var(xi)=hi2+var(ei) hi2=sum(ai12,ai22,…) ----communality公共度,公因子方差,即解释了XI的方差多少. Fj的贡献：每列的系数平方和 vj=a1j2+a2j2+…+akj2 贡献率 Vj/k 目标： 第一个因子，贡献最大 第二个因子，贡献也大 。。。 (a11,a21,…ak1)t=sqrt(lemda1) b1t 上述b1是单位化特征向量。 其余a2,a3,…如同上述。 如此计算的因子个数,实际上是由主成分分析法决定的.当然可以由其它的方法决定几个因子(没介绍) 因子的贡献度是LEMDA 但是,不合适于理解于其含义 当初的正交性约束,我们也不必拘泥保持.说不定有更好的因子构念(结构,STRUCTURE) 因此可以再一次旋转(有许多方法,最常见的是最大方差法,目标是:使载荷靠近正负1或0) 于是,有更好的因子.但是,也可能旋转回原地了,那可不好.可以用其它的旋转方法试试,也许有更好的结果. 仅得到因子结构,又如何? 有学者还希望有后续研究,即要知道各个体的各因子的得分. 此事即得分值. 有人还希望得到总得分的排序. 总得分根据权重(贡献度)加权汇总 可得注意贡献度是哪个 因子分析得到的因子构念后,如何评价其有效性呢? 一个办法是:将大样本分为两个样本,分别做因子分析,看看其因子上的载荷是否一样.但是,仅凭眼光看几百个数字是否相同,难矣.所以,可以用一个样本分析得到的因子结构,再用另一个样本做验证性因子分析. 另一个方法是,评估因子构念的方差影响. 即根据载荷阵的每行(即每个变量与各因子的相关系数)最大值改为1,于是有了新的构念,即每个变量只有一个因子. 如此方法可用于两个保留样本,得到两个构念,为S0,S1.于是,S0’S1阵的对角元应较大而非对角元的值应很少或只有0个,如果原因子结构是有效的话. 这个方法可以用于某个特定因子结构的有效性判断. BOOTSTRAP法,可以用许多(k)个SO’Sk.,它们相加,视其对角子阵是否集中较大,而其它部分大体上是0或较小. 管理统计学 第十一章 Statistics for management 数据获取、统计原理 SPSS工具、管理应用 综合得分： 引言 变量太多会增加计算的复杂性 变量太多给分析问题和解释问题带来困难 变量提供的信息在一定程度上会有所重叠 用为数较少的互不相关的新变量来反映原变量所提供的绝大部分信息 引言 总体主成分 设 为某实际问题所涉及的 个随机变量。记 ，其协方差矩阵为 它是一个 阶负定矩阵。设 为 个常数向量，考虑如下线性组合： 总体主成分 因此，必须对 加以限制，否则 无界。最方便的限制是要求 具有单位长度，即我们在约束条件 之下，求 使 达到最大，因此 所确定的随机变量 称为 的第一主成分。 总体主成分 如果第一主成分 还不足以反映原变量的信息，进一步求 。 在约束条件 求使 达到最大。 第二主成分： 依次类推…… 总体主成分的求法 设 是 的协方差矩阵， 的特征值及相应的正交单位化特征向量分别为