第六章 因子分析PPT.pptVIP

第六章 因子分析 6.1 因子分析的基本思想 6.2 因子载荷的求解 6.3 因子分析的基本步骤 6.4 因子分析的上机实现 因子分析（factor analysis）模型是主成分分析的推广。它也是利用降维的思想，由研究原始变量相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。相对于主成分分析，因子分析更倾向于描述原始变量之间的相关关系；因此，因子分析的出发点是原始变量的相关矩阵。因子分析的思想始于1904年Charles Spearman对学生考试成绩的研究。近年来，随着电子计算机的高速发展，人们将因子分析的理论成功地应用于心理学、医学、气象、地质、经济学等各个领域，也使得因子分析的理论和方法更加丰富。本章主要介绍因子分析的基本理论及方法，运用因子分析方法分析实际问题的主要步骤及因子分析的上机实现等内容。 1. 因子分析的基本思想 因子分析的基本思想是根据相关性大小把原始变量分组，使得同组内的变量之间相关性较高，而不同组的变量间的相关性则较低。每组变量代表一个基本结构，并用一个不可观测的综合变量表示，这个基本结构就称为公共因子。 例如：如何反应物价变动的情况？ 对各种商品的价格做全面调查固然可以达到目的，但不可取。 实际上，某一类商品中其价格之间存在明显的相关性，只要选择几种主要商品的价格或对这几种商品的价格进行综合——综合商品的价格（因子），就足以反映某一类物价的变动情况。只要抓住少数几个主要因子（代表经济变量间的相互依赖的一种经济作用），就可以帮助我们对复杂的经济问题进行分析和解释。 6.1 因子分析的基本思想 1、一个典型案例： 1904年Spearman研究了33名学生在古典语(C)、法语(F)、英语(E)、数学(M)、判别(D)和音乐(Mu)这6门考试成绩的相关性，得到如右的相关矩阵R： 2. 因子分析的基本理论及模型 C F E M D Mu C 1 0.83 0.78 0.7 0.66 0.63 F 0.83 1 0.67 0.67 0.65 0.57 E 0.78 0.67 1 0.64 0.54 0.51 M 0.7 0.67 0.64 1 0.45 0.51 D 0.66 0.65 0.54 0.45 1 0.4 Mu 0.63 0.57 0.51 0.51 0.4 1 数据Xi都是标准化后的标准化指标，E(Xi)=0，D(Xi)=1 他从中发现了一个有趣的规律：任意两列的元素（不考虑对角元素）大致成比例。 则每一科的考试成绩都遵从以下形式： 其中F是公共因子，对各科考试成绩都有影响，均值为0，方差为1。ei是特殊因子，仅对某科有影响，且F与ei相互独立。 3. 一般因子分析模型 下面给出更为一般的因子分析模型：设有n个样品，每个样品观测p个指标，这p个指标之间有较强的相关性（只有相关性较强才能从原始变量中提取出“公共”因子）。 为了便于研究，并消除量纲及数量级不同造成的影响，将样本观察数据标准化，不失一般性，记：Xi，即E(Xi)=0，D(Xi)=1。F1,F2,...,Fm表示标准化的公共因子，即E(Fi)=0,D(Fi)=1。 因子分析模型的条件： (1)　　　　　　　　 是可观测的随机向量。 　　　　　　　　　 是不可观测的量。 　则模型 称为因子模型，模型的矩阵形式为： 式中Ａ为因子载荷矩阵。  公因子F1 公因子F2 x1=代数1 0.896 0.341 x2=代数2 0.802 0.496 x3=几何 0.516 0.855 x4=三角 0.841 0.444 x5=解析几何 0.833 0.434 因子分析案例 该案例是对数学专业的五门专业课进行相关性因子分析 F1 体现逻辑思维和运算能力，F2 体现空间思维和推理能力 　 (1)因子负荷量（或称因子载荷）----是指因子结构中原始变量与因子分析时抽取出的公共因子的相关程度。 即aij是Ｘi与Ｆj的协方差 4.几种统计量的统计意义 注意： 在各公共因子不相关的前提下， （载荷矩阵中第i行，第j列的元素）是随机变量xi与公共因子Fj的相关系数，表示xi依赖于Fj的程度。反映了第i个原始变量在第j个公共因子上的相对重要性。因此 绝对值越大，则公共因子Fj与原有变量xi的关系越强。 (2)共同度----又称共性方差或公因子方差（community或common variance）就是观测变量的方差中由公因子决定的比例。当因子正交时