现代统计分析方法与应用课件 第十三章 因子分析.pptVIP

* 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 其操作步骤如下：在spss中点选graphs,在出来的下拉菜单中点击scatter，进入scatterplot对话框，选择simple，点击define按钮，如图： 在弹出的simple scatterplot对话框中，分别选择fac1_1,fac2_1作为x轴与y轴，点击ok，即可得到如上因子得分图。 操作图如下： * 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 将各城市在三个因子上的得分进行加权综合，就得到了综合得分。根据综合得分就可综合评价城市的发展水平。综合得分前五名的城市依次是上海、北京、深圳、广州和天津；综合得分最低的五个城市依次是西宁、银川、兰州、呼和浩特和海口。再结合各因子得分进行分析，北京在城市规模及经济发展水平，基础设施建设方面均位于前列，但是在居民住房面积上的得分较低，因此，需在这方面加大改善力度。上海在城市规模及经济发展水平及居民住房上得分最高，在基础设施方面得分不太理想，这可能是因为上海人口较多所致。而综合得分较低的城市的在经济发展水平上的得分都较低，在城市发展战略上应把经济的发展放在首位，只有经济发展了，城市设施水平及其他方面才能搞上去。 * 中国人民大学六西格玛质量管理研究中心 * §13.4 因子分析的上机实现 目录 上页 下页 返回 结束 另外，因子得分图分析表明，就城市规模而言，历史悠久的城市大于新兴城市；就城市设施水平而言，南方城市普遍好于北方城市，新兴城市好于老城市；综合来讲，东部地区城市发展水平高于西部地区城市。上海、北京、深圳三城市综合发展水平较接近，上海规模大，但基础设施水平较低；北京规模大、基础设施水平较高，但是居民人均住房较小；深圳规模不大，但是基础设施水平较高、人均住房面积较大。此外，综合得分值大于零的城市还有广州、天津、重庆、南京、青岛、成都、杭州等。但是这些城市与上海、北京及深圳有一定的差距。其他城市综合得分都小于零，在因子得分图中大概位于原点附近，城市综合发展水平都还较低，发展格局也较相近，其中有18个城市位于因子得分图的第三象限，而这些城市多位于中西部地区。因而，如何加快这些城市的发展以带动周边地区的进步，是影响我国整体经济发展的重要课题。 * 中国人民大学六西格玛质量管理研究中心 * * 中国人民大学六西格玛质量管理研究中心 * §13.2 因子载荷的求解 目录 上页 下页 返回 结束 * 中国人民大学六西格玛质量管理研究中心 * §13.2 因子载荷的求解 目录 上页 下页 返回 结束 六、主成分分析与因子分析的区别 1、因子分析把展示在我们面前的诸多变量看成由对每一个变量都有作用的一些公共因子和一些仅对某一个变量有作用的特殊因子线性组合而成。因此，我们的目的就是要从数据中探查能对变量起解释作用的公共因子和特殊特殊因子，以及公共因子和特殊因子组合系数。主成分分析则简单一些，它只是从空间生成的角度寻找能解释诸多变量变异绝大部分的几组彼此不相关的新变量（主成分）。 2、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成各变量的线性组合。 * 中国人民大学六西格玛质量管理研究中心 * §13.2 因子载荷的求解 目录 上页 下页 返回 结束 3、主成分分析中不需要有假设，因子分析则需要一些假设。因子分析的假设包括：各个公共因子之间不相关，特殊因子（specific factor）之间也不相关，公共因子和特殊因子之间也不相