09 主成分分析与因子分析(相关管理统计学与SPSS 16.0应用课件).ppt

因子得分的协差阵 Component Score Covariance Matrix Component 1 2 1 1.000 .000 2 .000 1.000 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. 根据因子分析的数学模型，因子得分的协差阵应该是单位阵 管理统计学 2010年 11 主成分分析与因子分析 11.1 因子分析 11.1.1 因子分析的理论与方法 11.1.2 因子分析的SPSS应用 11.2 主成分分析 11.2.1 主成分分析的理论与方法 11.2.2 主成分分析的SPSS应用 11.1 因子分析 因子/基础变量：既能包含原来众多变量代表的信息，又能解释这些变量相互依存关系的变量 因子分析：多元统计分析技术的一个分支，用于处理多变量问题，是一种降维、简化数据的技术 因子分析的应用 寻求基本结构 数据化简 11.1.1 因子分析的理论与方法 因子分析的数学模型 因子分析的有关概念 因子负载 公共因子方差 因子的贡献 因子旋转 解释因子 因子得分 因子分析的步骤 因子分析的数学模型 F1,F2,…,Fm称为公共因子，?i为Xi的特殊因子 矩阵形式X=AF?? 需满足： m?p Cov(F, ?)=0 且 因子负载 联系观测变量和公共因子的桥梁 公共因子完全不相关时，因子负载aij等于第i个变量和第j个因子之间的相关系数 aij的绝对值越大，公共因子与观测变量关系越大 公共因子彼此不相关时，变量Xi与Xj的相关系数为 比较观测数据计算出的相关系数和模型导出的变量的相关系数，判断因子解是否合适 差别很小，模型很好的拟合观测数据，因子解合适 公共因子方差/共同度 观测变量的方差中由公共因子决定的比例 说明用公共因子替代观测变量后，原来每个变量信息被保留的程度 公共因子方差越大，变量能够被因子说明的程度越高 当公共因子彼此正交时，公共因子方差等于和该变量有关的因子负载的平方和 解释因子 解释因子的作用 借助因子负载矩阵，找出在某个因子上有显著负载的变量 根据这些变量的意义给因子一个合适的名称 具有较高负载的变量对因子名称的影响较大 解释因子的确定 一般认为绝对值大于0.3的因子负载就是显著的 因子得分 因子得分的求解过程 用观测变量的线性组合表示因子 依据因子对应的每个变量的具体数值进行测度 因子得分的计算 在因子分析模型中，不考虑特殊因子的影响，当m=p且A可逆时，该样本在因子F上的得分F=A-1X 实际应用要求m?p，只能对因子得分进行估计 因子分析的步骤 计算所有变量的相关系数矩阵 提取因子，确定因子的个数和求因子解的方法 进行因子旋转，使因子解的实际意义更容易解释 计算因子得分 11.1.2 因子分析的SPSS应用 添加分析变量 描述性统计设置 因子提取设置 因子旋转设置 因子得分设置 缺失值及因子负载矩阵设置 生育率影响因素分析 变量设置 X1: Multi-parity(%), X2: Contraception(%) X3: J.school above(%), X4: Average income(元), X5: Urban(%) Id X1 X2 X3 X4 X5 Id X1 X2 X3 X4 X5 1 0.94 89.89 64.51 3577 73.08 16 9.04 88.76 39.71 880 15.52 2 2.58 92.32 55.41 2981 68.65 17 12.02 87.28 38.76 1248 28.91 3 13.46 90.71 38.2 1148 19.08 18 11.15 89.13 36.33 976 18.23 4 12.46 90.04 45.12 1124 27.68 19 22.46 87.72 38.38 1845 36.77 5 8.94 90.46 41.83 1080 36.12 20 24.34 84.86 31.07 798 15.1 6 2.8 90.17 50.64 2011 50.86 21 33.21 83.79 39.44 1193 24.05 7 8.91 91.43 46.32 1383 42.65 22 4.78 90.57 31.26 903 20.25 8 8.82 90.78 47.33 1628 47.17 23 21.56 86.0 22.38 654 18.93 9 0.8 91.47 62.36 4822 66.23 24 14