第五章 因子分析和主成分分析教材课程.pptx

第五章 主成分分析与因子分析;5.1 因子分析模型与应用 1. 因子分析模型 设p维可观测的随机向量X = (X1，...，Xp)（假定Xi为标准化变量，即E(Xi) = 0，Var(Xi) = 1，i = 1，2，…，p）表示为;或 X = AF + ε 其中F1、F2、…、Fm称为公共因子，简称因子，是不可观测的变量；待估的系数阵A称为因子载荷阵，aij（i = 1,2,…,p；j = 1,2,…,m）称为第i个变量在第j个因子上的载荷（简称为因子载荷）； ε称为特殊因子，是不能被前m个公共因子包含的部分。并且满足：cov(F,ε) = 0，即F，ε不相关； D(F) = Im，即F1、F2、…、Fm互不相关，方差为1；D(ε) = diag(?12,?22,…,?p2)，即ε1、ε2、…、εp互不相关，方差不一定相等，εi～N(0，?i2)。 因子分析的目的就是通过模型X = AF + ε以F代替X，由于m p，从而达到降维的愿望。;2. 因子分析模型中的几个统计特征 (1) 因子载荷aij的统计意义 由Xi = ai1F1 +…+ aimFm + εi，两边同乘以Fj E(XiFj)=ai1E(F1Fj)+…+aijE(FjFj)+…+aimE(FmFj)+E(εiFj) 从而有 ρij = E(XiFj) = aij 即载荷矩阵中第i行，第j列的元素aij是第i个变量与第j个公共因子的相关系数，反映了第i个变量与第j个公共因子的相关程度。在这种意义上公共因子解释了观测变量间的相关性。;(2) 变量共同度的统计意义 因子载荷矩阵第i行的元素平方和： 称为变量Xi的共同度（i = 1，2，…，p）。 对Xi = ai1F1 +…+ aimFm + εi两边求方差： 显然，若因子方差hi2大，剩余方差?i2必小。而hi2大就表明Xi对公因子的共同依赖程度大。可见hi2反映了变量Xi对公共因子F的依赖程度，故称hi2为变量Xi的共同度。;(3) 公共因子Fj方差贡献的统计意义 因子载荷矩阵A中各列元素的平方和： 称为公共因子Fj对X的贡献，是衡量Fj相对重要性的指标，qj2越大表明Fj对X的贡献越大。;3 金融时间序列中因子的类型 收益率时间序列 宏观经济因子：GDP , 通胀，失业率，收益率曲线的陡峭度等（或者这些变量的意外冲击----扰动项） 基本面因子：财务分析得到的变量 Fama-French方法(1992):市场收益率，企业规模，价值型/成长型（市场资产净值或市场资产净值/账面资产净值） 统计因子：数学过程得到的变量，主成分分析(PCA), 主因子分析;1 因子载荷矩阵的估计 给定p个相关变量X1，...，Xp的观测数据阵X，由X = AF + ε易推出 ∑ = AA + D 其中∑ = D(X)为X的协方差阵，A = (aij)为p ? m的因子载荷阵，D = diag(?12，?22，…，?p2)为p阶对角阵。 由p个相关变量的观测数据可得到协差阵的估计，记为S。为了建立因子模型，首先要估计因子载荷aij和特殊方差?i2。常用的参数估计方法有以下三种：主成分法，主因子法和极大似然法。;（2）主因子法 主因子方法是对主成分方法的修正，设R = AA + D，则R* = R – D = AA称为约相关矩阵，若已知特殊因子方差的初始估计 ，也就是已知变量共同度的估计： 则R*对角线上的元素是 ，而不是1。即：; 计算R*的特征值和特征向量，取前m个正特征值λ1*≥λ2*≥…≥λp* 0，相应的特征向量为u1*,u2*,…,up*，则有近似分解式： R* = AA 其中 ，令 （i = 1，…，p）， 则A和D为因子模型的一个解，这个解称为主因子解。; 在实际中特殊因子方差(或变量共同度)是未知的。以上得到的解是近似解。为了得到近似程度更好的解，常常采用迭代主因子法。即利用上面得到的 D* = diag( ) 作为特殊因子方差的初始估计，重复上述步骤，直到解稳定为止。 变量共同度hi2常用的初始估计有以下几种方法： ● 取第i个变量与其他