第六章--因子分析.pptVIP

由spss输出方差解释表及碎石图可看出，前三个特征值较大，其余五个特征值均较小。前三个公共因子对样本方差的贡献和为87.085%，于是我们选取3个公共因子。 因子载荷的估计如右： 上表可得出企业经济效益指标体系的因子分析模型（特殊因子忽略不计）： 由因子分析模型可知，第一个主因子F1主要由固定资产利税率，资金利税率，销售收入利税率，资金利税率这四个指标所决定，这四个指标在主因子F1上的载荷均在0.85以上，它代表着企业经济活动中的盈利能力，而且主要因子F1对x1的方差贡献已达60%之多，所以更说明F1是企业经济效益指标体系中的主要方面。此外，固定资产产值率对F1的贡献也相对较大，这也是反映企业经济活动的盈利能力的主要指标。企业要提高经济效益，就要在这个主因子方面下功夫。 分析结论： 第二个主因子F2主要由流动资金周转天数所决定，说明企业经济活动中流动资金周转快慢与企业的生产经营及市场信息息息相关。企业要提高经济效益就要在产品结构的调整上想办法，要生存适销对路的产品，提高本企业产品的市场占有率。 第三个主因子F3主要反映了企业的产值和能耗，产值和能耗反映的是投入与产出的关系。企业要提高经济效益就不能忽视降低生产成本。 相关论文： 1. 高校绩效评估量化研究——因子分析法的应用 2. 基于层次分析法和因子分析的社区满意度评价体系 3. 基于因子分析的区域经济不平衡发展研究 4. 基于因子分析的我国商业银行竞争力突变综合评价 5. 企业经济效益的综合分析与评价——因子分析法的应用 6. 基于因子分析法构建大中型工业企业技术 创新能力评价模型 第六章 因子分析 6.1 因子分析的基本思想 6.2 因子载荷的求解 6.3 因子分析的基本步骤 6.4 因子分析的上机实现 因子分析（factor analysis）模型是主成分分析的推广。它也是利用降维的思想，由研究原始变量相关矩阵内部的依赖关系出发，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。相对于主成分分析，因子分析更倾向于描述原始变量之间的相关关系；因此，因子分析的出发点是原始变量的相关矩阵。因子分析的思想始于1904年Charles Spearman对学生考试成绩的研究。近年来，随着电子计算机的高速发展，人们将因子分析的理论成功地应用于心理学、医学、气象、地质、经济学等各个领域，也使得因子分析的理论和方法更加丰富。本章主要介绍因子分析的基本理论及方法，运用因子分析方法分析实际问题的主要步骤及因子分析的上机实现等内容。 1. 因子分析的基本思想 因子分析的基本思想是根据相关性大小把原始变量分组，使得同组内的变量之间相关性较高，而不同组的变量间的相关性则较低。每组变量代表一个基本结构，并用一个不可观测的综合变量表示，这个基本结构就称为公共因子。 例如：如何反应物价变动的情况？ 对各种商品的价格做全面调查固然可以达到目的，但不可取。 实际上，某一类商品中其价格之间存在明显的相关性，只要选择几种主要商品的价格或对这几种商品的价格进行综合——综合商品的价格（因子），就足以反映某一类物价的变动情况。只要抓住少数几个主要因子（代表经济变量间的相互依赖的一种经济作用），就可以帮助我们对复杂的经济问题进行分析和解释。 6.1 因子分析的基本思想 1、一个典型案例： 1904年Spearman研究了33名学生在古典语(C)、法语(F)、英语(E)、数学(M)、判别(D)和音乐(Mu)这6门考试成绩的相关性，得到如右的相关矩阵R： 2. 因子分析的基本理论及模型 C F E M D Mu C 1 0.83 0.78 0.7 0.66 0.63 F 0.83 1 0.67 0.67 0.65 0.57 E 0.78 0.67 1 0.64 0.54 0.51 M 0.7 0.67 0.64 1 0.45 0.51 D 0.66 0.65 0.54 0.45 1 0.4 Mu 0.63 0.57 0.51 0.51 0.4 1 数据Xi都是标准化后的标准化指标，E(Xi)=0，D(Xi)=1 他从中发现了一个有趣的规律：任意两列的元素（不考虑对角元素）大致成比例。 则每一科的考试成绩都遵从以下形式： 其中F是公共因子，对各科考试成绩都有影响，均值为0，方差为1。ei是特殊因子，仅对某科有影响，且F与ei相互独立。 在上述的假设条件下， 斯皮尔曼最初使用因子分析方法对学生的考试成绩进行研究时，发现学生的