[生物学]因子分析.pptVIP

在研究实际问题时往往希望尽可能多地收集相关变量，以期能对问题有比较全面、完整的把握和认识。于是，对研究对象的描述就会有很多指标。如果搜集的变量过多，虽然能够比较全面精确的描述事物，但在实际建模时这些变量会给统计分析带来计算量大和信息重叠的问题。而消减变量个数必然会导致信息丢失和信息不完整等问题的产生。 因子分析是解决上述问题的一种非常有效的方法。它以最少的信息丢失，将原始众多变量综合成较少的几个综合指标（因子），能够起到有效降维的目的。 1. 因子个数远远少于原有变量的个数 2. 因子能够反映原有变量的绝大部分信息 3. 因子之间的线性关系并不显著 4. 因子具有命名解释性 因子分析也是一种把多个指标转化为少数几个综合指标的多元统计方法。 因子分析所涉及到的计算与主成分分析相类似，但它是从假定的因子模型出发，把数据看作是由公共因子、特殊因子和误差所构成。 主成分分析把方差划分为不同的正交成分，因子分析则把方差划归为不同的起因因子。 此外，因子分析中特征值的计算是从相关矩阵出发，由于每个变量处于同一量度，从而使特征值相对均匀，且将主成分转换为因子，计算出因子得分。 因子分析的几个相关概念 1、因子载荷 在因子不相关的前提下，因子载荷是第i个变量与第j个因子的相关系数。因子载荷越大说明因子与变量的相关性越强，所以因子载荷说明了因子对变量的重要作用和程度。 2、变量共同度 变量共同度也称为公共方差。第i个变量的共同度定义为因子载荷矩阵中第i行元素的平方和，即： 3、因子的方差贡献 因子方差贡献是因子载荷矩阵中第j列元素的平方和，反映了第j个因子对原有变量总方差的解释能力。该数值越高，说明相应因子的重要性越高。 因子分析的基本步骤 因子分析的计算过程可表示为以下顺序： 原始数据 → 相关矩阵 → 主因子解 正交因子旋转 正交因子解 具体步骤： 因子分析的基本步骤 因子分析的基本步骤 因子分析的基本步骤 因子分析的基本步骤 因子分析的SPSS操作 （2）单击Descriptives...按钮，打开如图2所示的“Factor Analysis: Descriptives”对话框，从中选择需要输出的统计量。 （3）单击Extraction…（提取…）按钮，会出现“Factor Analysis: Extraction”对话窗口，见图3。 （4）单击Rotation…（旋转…）按钮，会出现“Factor Analysis: Rotation”对话窗口，如图4。 （5）单击Score…（分数）按钮，会出现“Factor Analysis: Factor Score”对话窗口，如图5所示。 （6）Options…（选项）按钮，会出现如图6所示“Factor Analysis: Options”对话窗口。 （4）Rotation Method:Varimax Display: Rotated Solution； Loading plot Continue （5）Scores Save as variables Method: Regression Display factor score coefficient matrix Continue （6）Options Missing Value: Exclude cases listwise Coefficient Display Format: Sorted by size； Continue （7）单击Factor Analysis 主对话框OK按钮 （2）报表2——KMO and Bartlett’s test of sphericity （3）报表3——共同因子方差（共同性）表 表3显示了公因子方差比，指的是按照所选标准提取相应数量的主成分后，各个变量的信息被提取出来的比例，此处，由于提取了全部的主成分，各变量均未损失信息量，故其值均为1.000（100%）。 （4）报表4——总的解释方差 （5）图7——碎石图 （6）报表5——因子荷载矩阵（显示全部载荷） 表5为因子荷载矩阵，它反映了各个变量在公因子上的负荷，从中可以看出各变量的变异主要由哪些公因子解释。 （7）图8——主成分图 图8为主成分图，它以更直观的形式展现了各个变量在各因子上的负荷，结论同表5。 （9）表6——旋转后因子荷载矩阵 （10）表7——主成分转换矩阵 表7为主成分转换矩阵，用来说明旋转前后主成分间的系数对应关系，据此可以对主成分进行相互转换（可以不必太多在意该矩阵）。 （11）图9——旋转后主成分图 其原理是，某主成分