第五章-因子分析.pptVIP

§5.2 .1 主成分法 令 ， ，则(5.13)式变为： 一般设 为样本相关阵的特征根， 为对应的标准正交化特征向量，则因子载荷矩阵 A的一个解为： §5.2 .1 主成分法 共同度的估计为： 确定公因子的数目m：一般而言，这取决于问题的研究者本人，对于同一问题进行因子分析时，不同的研究者可能会给出不同的公因子数； 有时候由数据本身的特征可以很明确地确定出因子数目。 借鉴确定主成分个数的准则，如所选取的公因子的信息量的和达到总体信息量的一个合适比例为止。 §5.2 .2 主轴因子法 主轴因子法也比较简单，在实际应用中也比较普遍。 基本思路：假定m个公共因子只能解释原始变量的部分方差，利用公因子方差（或共同度）来代替相关矩阵主对角线上的元素1，并以新得到的这个矩阵（称之为调整相关矩阵）为出发点，对其分别求解特征根与特征向量并得到因子解。 在因子模型（5.7）中，不难得到如下关于X 的相关矩阵R的关系式： §5.2 .2 主轴因子法 与共同度（或相对的，剩余方差）都是未知的，需要我们先进行估计。一般先给出一个初始估计，可尝试对原始变量先进行一次主成分分析，给出初始估计值。 §5.2 .3 极大似然法 如果假定公共因子和特殊因子服从正态分布，则能够得到因子载荷和特殊因子方差的极大似然估计。设 为来自正态总体的随机样本， 其中 。从似然函数的理论知： 它通过 依赖于 和 ，但(5.17)并不能唯一确定 ，为此，添加如下条件： 这里， 是一个对角阵，用极大化的方法可以得到极大似然估计 和 §5.2 .4 因子旋转 这样的线性组合可以找到无数组，由此便引出了因子分析的第二个步骤——因子旋转。 建立因子分析模型的目的不仅在于要找公共因子，更重要是知道每一个公共因子的意义，以便对实际问题进行分析。 §5.2 .4 因子旋转 原因：初始因子解各主因子的典型代表变量不是很突出，容易使因子的意义含糊不清，不便于对实际问题进行分析。出于该种考虑，可以对初始公因子进行线性组合，即进行因子旋转，以期找到意义更为明确，实际意义更明显的公因子。 因子旋转分为正交旋转与斜交旋转：正交旋转由初始载荷矩阵 右乘一正交阵而得到，经过正交旋转而得到的新的公因子仍然保持彼此独立的性质。 斜交旋转则放弃了因子之间彼此独立这个限制，因而可能达到更为简洁的形式，其实际意义也更容易解释。 §5.2 .4 因子旋转 原则：新的因子载荷系数要么尽可能地接近于0，要么尽可能的远离0。这样，如果任一原始变量都与某些公共因子存在较强的相关关系，而与另外的公因子之间几乎不相关的话，公共因子的实际意义就会比较容易确定。 方法：正交旋转中的方差最大化正交旋转 假设：公因子 的解释能力能够以其因子载荷平方的方差，即 的方差来度量。我们先考虑两个因子的平面正交旋转，设因子载荷矩阵为: §5.2 .4 因子旋转 令 则 为正交阵, 记 (5.19) 经过变换，所得结果能使载荷矩阵的每一列元素的绝对值向1和0两极分化，或者说使因子的贡献尽量分散，就要求这两组数据的方差要尽可能地大。 §5.2 .4 因子旋转 如果公因子多于两个，可以逐次对每两个进行旋转，当全部配对旋转，旋转时总是对初始载荷矩阵A中的a列和b列同时进行，此时公式中只需将 ， 就可以了。 这样就完成了第一轮旋转，然后对第一轮旋转所得结果用上述方法继续进行旋转，得到第二轮旋转的结果。 每一次旋转后，矩阵各列平方的相对方差之和总会比上一次有所增加。当总方差的改变不大时，就可以停止旋转，这样就得到了新的一组公共因子及相应的因子载荷矩阵，使得其各列元素平方的相对方差之和最大 §5.2 .5 因子得分 原因：当因子模型建立起来之后，我们往往需要反过来考察每一个样品的性质及样品之间的相互关系。比如当关于企业经济效益的因子模型建立起来之后，我们希望知道每一个企业经济效益的优劣，或者把诸企业划分归类，如哪些企业经济效益较好，哪些企业经济效益一般，哪些企业经济效益较差等。这就需要进行因子分析的第三步骤的分析，即因子得分。 基本思想：因子得分就是公共因子在每一个样品点上的得分，公共因子用原始