因子分析方法ppt课件.pptVIP

因子分析方法;因子分析的基本概念;因子分析的基本模型;因子分析最常用的理论模式如下： （j=1,2,3…,n，n为原始变量总数） （1）Zj为第j个变量的标准化分数； （2）Fi（i=1,2,…,m）为共同因素； （3）m为所有变量共同因素的数目； （4）Uj为变量的唯一因素； （5）aij为因素负荷量。 ; 用矩阵的形式表示为Z=AF+U F称为因子，由于它们出现在每个原始变量的线性表达式（原始变量可以用Xj表示，这里模型中实际上是以F线性表示各个原始变量的标准化分数Zj），因此又称为公共因子. A称为因子载荷矩阵， aji称为因子载荷，是第j个原始变量在第i个因子上的负荷。 U称为特殊因子，表示了原有变量不能被因子解释的部分，其均值为0，相当于多元线性回归模型中的残差。 ;因子分析的特点;因子分析数学模型中几个相关概念;2、变量共同度（共同性） 一个因子解释的是相关矩阵的???差，变量的方差由共同因子和唯一因子组成，可以表示成h?+u2=1(h?表示共同度，u2表示特殊因子的平方)。 变量共同度就是指每个原始变量在每个共同因子的负荷量的平方和，是全部因子对变量方差解释说明的比例。变量共同度h?越接近1，说明因子全体解释说明了变量Zj的较大部分方差，如果用因子全体刻画变量，则变量的信息丢失较少；共同性的意义在于说明如果用共同因子替代原始变量后，原始变量的信息被保留的程度。 特殊因子U的平方，反应了变量方差中不能由因子全体解释说明的比例，越小则说明变量的信息丢失越少。 ;总之，变量的共同度刻画了因子全体对变量信息解释的程度，是评价变量信息丢失程度的重要指标。 如果大多数原有变量的变量共同度均较高（如高于0.8），则说明提取的因子能够反映原有变量的大部分信息（80％以上）信息，仅有较少的信息丢失，因子分析的效果较好。因子，变量共同度是衡量因子分析效果的重要依据。 ;3、因子的方差贡献（特征值） 因子的方差贡献（特征值）的数学定义为： 。 该 式表明，因子Fi的方差贡献是因子载荷矩阵A中第i列元素的平方和。因子Fi的方差贡献反映了因子Fi对原有变量总方差的解释能力，（其解释方差的大小成为因子的特征值）。 该值越高，说明相应因子的重要性越高。因此，因子的方差贡献和方差贡献率是衡量因子重要性的关键指标。 ;举例说明： ;因子分析的五大基本步骤;第一步：因子分析的前提条件;KMO KMO测度的值越高（接近1.0时），表明变量间的共同因子越多，研究数据适合用因子分析。通常按以下标准解释该指标值的大小：KMO值达到0.9以上为非常好，0.8～0.9为好，0.7～0.8为一般，0.6～0.7为差，0.5～0.6为很差。如果KMO测度的值低于0.5时，表明样本偏小，需要扩大样本。 ;第二步：取共同因子，确定因子的数目和求因子解的方法;第三步：使因子更具有命名可解释性（因子旋转）;因子旋转的方法 （1）方差最大正交旋转（varimax orthogonal rotation） 基本思想：使公共因子的相对负荷（lij/hi2）的方差之和最大，且保持原公共因子的正交性和公共方差总和不变。 可使每个因子上的具有最大载荷的变量数最小，因此可以简化对因子的解释。 （2）斜交旋转 因子斜交旋转后，各因子负荷发生了较大变化，出现了两极分化。各因子间不再相互独立，而彼此相关。各因子对各变量的贡献的总和也发生了改变。 适用于大数据集的因子分析。 ;第四步：决定因素与命名;第五步：计算各样本的因子得分;谢谢观赏