数学建模上课课件.pptVIP

因子分析与判别分析 上课内容： 1：特征值与特征向量的定义与计算、简单性质。 2：随机向量的数学期望、方差、协方差的定义、计算、简 单性质。 3：因子分析：应用范围、方法及如何应用。 4：判别分析：应用范围、方法及如何应用。 5：优秀论文选讲 2006 B 艾滋病疗法的评价及疗效的预测 学习思路：掌握基本定义、基本概念，理解所学知识能解决何种类型的问题及如何解决。不需要掌握证明，感兴趣时可以课下浏览一下证明。 特征值与特征向量 一、特征值与特征向量的概念 二、特征值和特征向量的性质 三、小结 随机向量的数字特征 随机向量的数学期望与协方差阵 协方差阵的性质 定理1：n维随机向量的协方差阵对称、非负定. 注 意 点 称 课堂练习1 设 X ~ N(0, 1), Y ~ N(0, 1), Var(X?Y) = 0, 求 (X, Y) 的协差阵 ? . 课堂练习2 设 X, Y 的协差阵为 因子分析 汇报什么？ 假定你是一个公司的财务经理，掌握了公司的所有数据，比如固定资产、流动资金、每一笔借贷的数额和期限、各种税费、工资支出、原料消耗、产值、利润、折旧、职工人数、职工的分工和教育程度等等。 如果让你向上面介绍公司状况，你能够把这些指标和数字都原封不动地摆出去吗？ 当然不能。 你必须要把各个方面作出高度概括，用一两个指标简单明了地把情况说清楚。 因子分析知识 因子分忻是将现实生活中众多相关、重叠的倍息进行合并和综合．将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。需要大家了解因子分析的定义、因子分析的数学模型，以及因子分析住SPSS中的实现过程。 因子分析的定义和数学模型 统计学上的定义 定义：在社会。政治、经济和医学等领域的研究中往往需要对反映事物的多个变量进行大量的观察．收集大量的数据以便进行分析，寻找规律，在大多数情况下，许多变量之间存在一定的相关关系。因此．有可能用较少的综合指标分析存在于各变量巾的各类信息．而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。因子分析就是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。 因于分析特点： (1)因子变量的数量远少于原有的指标变量的数量．对因子变量的分析能够减少分析中的计算工作量： (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。对变量的分桥比较方便。 (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。 对多变量的平面数据进行最佳综合和简化，即在保证数据信息丢失最少的原则下．对高维变量空间进行降维处理。显然，在一个低级空间解释系统、要比在一个高维系统空间容易得多。英国统计学家Moser scott在1961年对英国157个城镇发展水平进行调查时，原始测量的变量有57 个．而通过因子分析发现．只需要用5个新的综合变量(它们是原始变量的线性组合)，就可以解释95％的原始信息。对问题的研究从57维度降低到5个维度、因此可以进行更容易的分析。 主成分分析(Principal Components Analysis) 每个人都会遇到有很多变量的数据。 比如全国或各个地区的带有许多经济和社会变量的数据；各个学校的研究、教学等各种变量的数据等等。 这些数据的共同特点是变量很多，在如此多的变量之中，有很多是相关的。人们希望能够找出它们的少数“代表”来对它们进行描述。 本章就介绍两种把变量维数降低以便于描述、理解和分析的方法：主成分分析（principal component analysis）和因子分析（factor analysis）。实际上主成分分析可以说是因子分析的一个特例。在引进主成分分析之前，先看下面的例子。 成绩数据（student.sav） 100个学生的数学、物理、化学、语文、历史、英语的成绩如下表（部分）。 从本例可能提出的问题 目前的问题是，能不能把这个数据的6个变量用一两个综合变量来表示呢？ 这一两个综合变量包含有多少原来的信息呢？ 能不能利用找到的综合变量来对学生排序呢？这一类数据所涉及的问题可以推广到对企业，对学校进行分析、排序、判别和分类等问题。 主成分分析动机 对于具有许多变量的一个现象, 人们往往希望能够用较少的几个综合变量来描述. 这是一种简化. 显然, 如果这些变量互相独立, 则每一个都必须在综合后的变量中有同等份额; 这时无简化可言. 当这些变量很相关时,则有可能用综合变量来大大简化. 一些可以被其它变量代表的变量甚至能省略掉. 主成分分析就是这样一种简化方法. 空间的点 例中的的数据点