[理学]第八章 因子分析地理模型.ppt

第八章 因子分析地理模型 因 子 分 析 因子分析的主要应用 因子分析与主成分分析的比较 主成分分析从原理上是寻找椭球的所有主轴。因此，原先有几个变量，就有几个主成分。 而因子分析是事先确定要找几个成分，这里叫因子（factor）（比如两个），那就找两个。 这使得在数学模型上，因子分析和主成分分析有不少区别。而且因子分析的计算也复杂得多。根据因子分析模型的特点，它还多一道工序：因子旋转（factor rotation）；这个步骤可以使结果更好。 当然，对于计算机来说，因子分析并不比主成分分析多费多少时间。 从输出的结果来看，因子分析也有因子载荷（factor loading）的概念，代表了因子和原先变量的相关系数。但是在输出中的因子和原来变量相关系数的公式中的系数不是因子载荷，也给出了二维图；该图虽然不是载荷图，但解释和主成分分析的载荷图类似。 第一节 因子分析地理模型 因子分析的结果 设原始数据矩阵为: X =  p表示变量数,n表示样本数。 将原始数据进行标准化变换： xij-xi  xij’ = (i=1,2,…p;j=1,2,…n) 求解R矩阵的特征方程｜R-λI|=0,记特征值为λ1λ2 …λp=0，特征向量矩阵为U,这样有关系： R=U U’ 根据变量的相关选出第一主因子F1，使其在各变量的公共因子方差中所占的方差贡献最大。 例如我们按所选取的主因子的信息量的和占总信息量的85%，即有这样的m λ1+ λ2+… λm/Σ λi≥85% 在因子模型中 在主成分分析中，公共因子等于变量数，没有特殊因子。 第二节 因子载荷的统计意义 １、因子载荷的统计意义 因子载荷矩阵 A= 因子载荷aij表示第 i个变量和第j个公共因子的相关系数。即 aij = rxiFj aij越大表示公共因子Fj与变量xi关系越密切。 因子载荷矩阵中各行元素的平方和称为变量的共同度。 由于假设原始变量xi和主因子、特殊因子都进行标准化处理，所以有 1=hi2+ai2 即变量xi的方差由两部分组成:第一部分为共同度hi2 它是全部公因子对变量xi的总方差的贡献,如公因子的方差接近于1,则说明该变量的几乎全部原始信息都被选取的因子说明了。如载荷矩阵中h1=0.97,即变量的97%的信息量被第一主因子和第二主因子说明。 第二部分是特殊因子的方差仅与xi本身的变化有关，它是xi的方差为1 的补充值。当不考虑特殊因子时，公因子方差hi21(i=1,2…,p)。 公因子的方差的意义在于说明变量当由原始变量空间转为因子空间后，保留原来各变量的信息有多少，当hi2接近于1时，说明空间转化性质越好。 各列元素的平方和Sj为公因子Fj的方差贡献。 S1=a112+a212+…+ap12 S2=a122+a222+…+ap22  …… Sm=a1m2+a2m2+…+apm2  Sj为公因子Fj对诸原始变量所提供方差贡献的总和。它是衡量公因子相对重要性指标，它等同于公因子所对应的特征值,即  ∑aij2=λj  第三节 因子得分 因子分析是将变量表为公共因子的线性组合。 由于公因子能充分反映原始变量的相关关系，用公因子代表原始变量时，更有利于描述研究对象的特征。 因而反过来将公共因子表示为变量的线性组合（如同主成分分析一样），即用 Fj= βj1X1+βj2X2+…+βjPXP (j=1,2,…m)来计量各个样品的公因子得分。 由于式中方程的个数少于变量个数，因此，只能在最小二乘法意义下对因子得分进行估计。 假设因子可以对p个变量作回归，即建立回归方程：Fj= bjo+bj1X1+bj2X2+…+bjPXP (j=1,2,…m) 由于变量和主因子均已标准化，所以有：bj0=0则最小二乘估计有：F=A’R-1XR为原变量的相关系数矩阵。 建立因子分析数学模型的目的不仅是为了找出公共因子，更重要的是要知道每个公共因子的意义，以便对实际问题进行分析。 如果每个公共因子的涵义不清，不便于对实际背景进行解释，这时根据因子载荷阵的不唯一性，可对因子载荷阵实行旋转，即用一个正交阵右乘使旋转后的因子载荷阵结构简化，便于对公共因子进行解释。 所谓结构简化就是使每个变量仅在一个公共因子上有较大的载荷，而在其余