Spss统计应用基础第九章.pptVIP

第九章 因子分析 主要内容 因子分析的定义和数学模型 SPSS中实现过程 9.1 因子分析的定义和数学模型 9.1.1 统计学上的定义 定义：用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子反映原资料的大部分信息的统计学方法。 各综合指标之间彼此是不相关的，代表各类信息的综合指标称为因子。 因子分析的特点： （1）因子变量的数量远少于原有的指标变量的数量。 （2）因子变量不是对原有变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在线性相关关系，对变量的分析比较方便。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 9.1.2 数学模型 因子载荷 在各个因子变量不相关情况下，因子载荷就是第I个原有变量的和第j个因子变量的相关系数。因此，因子载荷绝对值越大，则公共因子Fj和原有变量xi关系越强。 2. 变量共同度 也称为公共方差，反映全部公共因了变量对原有变量Xi的总方差解释说明比例。各个变量的共同度是衡量因子分析效果的一个指标。 3.公共因子Fj的方差贡献 定义为因子载茶矩阵A中第J列各元素的平方和。它反映了该因子对所有原始变量总方差的解释能力，其值越高，说明重要程度越高。 9.1.3 因子分析的4个基本步骤 因子分析有两个核心问题：一是如何构造因子变量；二是如何对因子变量进行命名解释。 因子分析有下面四个基本步骤： （1）确定待分析的原有若干变量是否适合因子分析 （2）构造因子变量 （3）利用旋转使得因子变量更具有可解释性 （4）计算因子变量的得分 9.1.4 确定待分析的原有若干变量是否适合于因子分析 最简单的方法是计算变量之间的相关矩阵，如果大部分的相关系数小于0.3并且未通过统计检验，那么这些变量不适合于进行因子分析。 SPSS还有以下几种方法： 1. 巴特利特球形检验（Bartlett Test of Sphericity) 2.反映像相关矩阵检验（Anti-image correlation matrix） 3. KMO（Kaiser-Meyer-Olkin)检验 1. 巴特利特球形检验（Bartlett Test of Sphericity) 这是以变量的相关系数矩阵为出发点的。它的零假设相关系数矩阵是一个单位阵。即相关系数矩阵的对角线上的所有元素都为1，所有非对角线上的元素都为零。 如果巴特利特球形检验的统计量的值较大，且其对应的相位概率值小于用户的显著性水平，那么应该拒绝零假设，认为相关系数据不可以能是单位阵，即原始变量之间存在相关性，适合于做因子分析。 2.反映像相关矩阵检验（Anti-image correlation matrix） 这是以偏相关系数矩阵为出发点，将偏相关系数矩阵的每个元素取反，得到反映像相关矩阵。如果变量之间存在较多的重叠影响，那么偏相关系数就会较小。因此，如果反映像相关矩阵中有些元素的绝对值较大，那么说明这些变量不适合于作因子分析。 3. KMO（Kaiser-Meyer-Olkin)检验 这用于比较变量间的简单相关和偏相关系数。计算公式如下： 是变量I和变量j之间的简单相关系数， 是变量I和变量j的偏相关系数。KMO的取值在0和1之间。如KMO的值 越接近于1，则所有变量之间的简单相关系数和远大于偏相关系数平方，因此越适合于作因子分析。如果KMO越小，则越不适合于作因子分析。 Kaiser给出了一个KMO的标准： 0.9KMO：非常适合 0.8KMO0.9：适合 0.7KMO0.8: 一般 0.6KMO0.7:不太适合。 KMO0.5：不适合 9.1.5 构造因子变量 因子分析中有多种确定因子的方法，如基于主成分模型的主成分分析法和基于因子分析模型的主轴因子法、极大似然法、最小二乘法。 其中基于主成分模型的主成分分析法是使用最多的因子 分析方法之一。 9.1.6　因子变量的命名解释 主要是通过对载荷矩阵A的值进行分析，得到因子变量和原变量的关系，从而对新的因子变量进行命名。 通过因子矩阵的旋转来进行。旋转的方法有正交旋转、斜交旋转、方差极大法，其中最常用的是方差极大法。 9.1.7　计算因子得分 计算因子得分首先将因子变量表示为原有变量的线性组合，即： (J=1,2，…,m) 估计因子得分的方法有回归法、Bartlette法、Anderson-Rubin法等。 9.2　SPSS中实现过程 9.2.1中实现步骤 研究问题 20名大学生关于价值观的9项结果，要求这9项内容进行因子分析，得到维度较少的几个因子。 （1）在Analyze菜单中“Data Reduction”中选择Facto