第8章主成分分析与因子分析-1.ppt

m=3的正交化旋转 初始载荷阵 正交旋转 作用于1、2列 正交旋转 作用于2、3列 正交旋转 作用于1、3列 第1轮旋转结果 第2轮旋转结果 第3轮旋转结果 每一列元素平方 的方差和 每一列元素平方 的方差和 每一列元素平方 的方差和 旋转终止条件 载荷阵 YES 旋转停止 NO 新一轮旋转 因子得分 相关系数阵 因子载荷阵 标准化 因子得分原理 科研案例 候文. 对应用主成分进行综合评价的探讨. 数理统计与管理. 2006,25(2):211-214 利用主成分分析进行综合评价的优点 可以消除各指标不同量纲的影响 可以消除各指标之间相关性所带来的信息重叠 克服了人为确定权重的问题 主成分分析的缺陷 第一主成分的代表性与原变量间的相关性有关。 若相关性大，则第一主成分的贡献率大，综合评价的效果也较好。 反之，效果较差。 第一主成分的系数可能有正有负，与评价的实际意义不符。 主成分综合评价法的改进 第一步 第二步 第三步 利用因子分析将原始变量分组 对每一组变量进行主成分分析并保留每一组第一主成分 将每一组第一主成分的值综合成最终的评价值 主成分分析与因子分析的区别 1.主成分分析是将主成分表示为原观测变量的线性组合，而因子分析是讲原观测变量表示为各公因子的线性组合 2.主成分分析中，公共因子数等于变量数，没有特殊因子，而因子分析有特殊因子 3.主成分分析假设各主成分之间不相关，而因子分析假设包括各个公因子之间不相关，特殊因子之间不相关，公共因子和特殊因子之间不相关 主成分分析与因子分析的区别 4.主成分分析中，每个变量系数唯一确定，而因子分析中，每个因子不是唯一的 5.主成分分析重点在于解释各个变量的总方差，而因子分析重点在于各国变量之间协方差 因子分析的几个概念 1、因子载荷 2、变量共同度 3、公因子Fj的方差贡献 4、因子旋转 因子旋转的目的是为了使得因子载荷阵的结构简化，便于对公共因子进行解释。 这里所谓的结构简化是使每个变量仅在一个公共因子上有较大的载荷，而在其余公共因子上载荷比较小。 这种变换因子载荷阵的方法称为因子轴的旋转。旋转的方法有很多种，如正交旋转，斜交旋轴等。 5、因子得分 因子分析的一般步骤 第一步：确定分析变量，收集数据资料 第二步：对原始数据进行标准化 第三步：计算所选变量的相关系数矩阵 第四步：提取公因子，主成分分析，累计方差贡献率大于80%，或方差大于1的因子 第五步：因子旋转：坐标变换是每个原始变量在尽可能少的公因子之间有密切联系 第六步：计算公因子得分，方便进行进一步的综合评估、聚类分析和回归分析 利用因子分析过程分析各个城市的市政设施建设情况 执行【Analyze】/【Dimension Reduction】/【Factor】命令，弹出如图所示对话框。 结果解读 1、相关系数表 变量间相关性很高 2、 KMO检验和Bartlett球形检验结果表 大于0.7，适合因子分析 拒绝原假设，认为各变量之间不独立 KMO（Kaiser-Meyer-Olkin)检验 是用于比较变量间简单相关系数和偏相关系数的指标。 KMO统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO值接近1.KMO值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值接近0.KMO值越接近于0,意味着变量间的相关性越弱，原有变量越不适合作因子分析。 Kaiser给出了常用的kmo度量标准:　0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。 巴特利特球形检验法 以相关系数矩阵为基础的。 零假设：相关系数矩阵是一个单位阵，即相关系数矩阵对角线的所有元素均为1，所有非对角线上的元素均为零。 巴特利特球形检验法的统计量是根据相关系数矩阵的行列式得到的。如果该值较大，且其对应的相伴概率值小于指定的显著水平时，拒绝零假设，表明相关系数矩阵不是单位阵，原有变量之间存在相关性，适合进行主成分分析； 反之，零假设成立，原有变量之间不存在相关性，数据不适合进行主成分分析。 3、变量共同度表 该变量95.4％的信息已经被提取 4、主成分表 5、碎石图 提取一个主成分即可 6、因子负荷矩阵 7、因子得分系数矩阵 因子分析的数学模型 一般形式 矩阵形式 可实测的p个指标 不可观测的公共因子 载荷矩阵 特殊因子包括随机误差 限制条件 1. 2. 3. 因子分析的具体任务 Two 寻找抽象公因子 ,通过分析赋予具有实际意义的解释,并给予命名. One 由样本数据