因子分析方法精品.pptVIP

因子分析方法 演讲人：马金芳 因子分析的基本概念 因子分析的概念 就是在尽可能不损失信息或少损失信息的情况下，将多个变量减少为 少数几个潜在的因子。也就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法 主成分分析（Principal component analysis）： 是因子分析的一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA）和因子分析（FA）是两种把变量维数降低以便于描述、理解和分析的方法，而实际上主成分分析可以说是因子分析的一个特例 因子分析的基本模型 因子分析模型中，假定每个原始变量由两部分组成：共同因子和唯一因子。 共同因子是各个原始变量所共有的因子，解释变量之间的相关关系。 唯一因子顾名思义是每个原始变量所特有的因子，表示该变量不能被共同因子解释的部分。原始变量与因子分析时抽出的共同因子的相关关系用因子负荷表示。 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 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （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。 因子分析数学模型中几个相关概念 1、因子载荷（因素负荷量） 因子载荷就是因素结构中，原始变量与因素分析时抽取出共同因素的相关。 在因子不相关的前提下，因子载荷aji是变量Zj和因子Fi的相关系数，反映了变量Zj与因子Fi之间的相关程度。因子载荷值aji小于等于1，绝对值越接近1，表明因子Fi与变量Zj的相关性越强。同时，因子载荷aji也反映了因子Fi对解释变量Zj的重要作用和程度。 当要判断一个因子的意义时，需要查看哪些变量的负荷达到了0.3或0.3以上 2、变量共同度（共同性） 一个因子解释的是相关矩阵的方差，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。 因子分析数学模型中几个相关概念 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。 2、变量共同度（共同性） 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。 因子分析数学模型中几个相关概念 举例说明： 因子分析数学模型中几个相关概念 因子分析的五大基本步骤