主成分作分析与.pptVIP

主成分分析与因子分析 山西医科大学卫生统计教研室 刘桂芬 liugf66@ 　　　 　　　多变量大样本分析中，变量间存在共线性，增加了分析的复杂性。若分别分析各个指标，分析有可能是孤立的，而不是综合的；盲目地减少指标又有可能损失很多信息，得出错误结论。欲采用较少指标，反映原资料大部分信息，可采用主成分分析和因子分析。 概 念 主成分分析(principal component analysis)是将分散在一组变量上的信息,集中到某几个综合指标(主成分)上的一种探索性统计分析方法。它利用降维的思想,将多个变量化为少数几个互不相关的主成分,从而描述数据集的内部结构。 主成分的几何意义 对应m个变量的q个主成分如下: 其中( )分别是变量相关阵的前q个特征根对应的特征向量。 的方差分别是q个特征根λ1≥λ2≥…≥λq。( )’是第i个变量在各个主成分上的载荷。而实际上载荷往往是指 ，它是第i个 变量在各个标准化主成分上的载荷。据此可用最小二乘法解得标准主成分得分。标准化主成分的方差为1。 PCA　　常用统计量： １.特征根　　λi ２.各成分贡献率　　　 ３.前各成分累计贡献率 ４.特征向量 各成分表达式中标准化原始变量的系数向量，就是各成分的特征向量。 因子分析 一、因子分析模型 设X=(x1, x2, …,xp)’为可观测的随机变量，且有 f=(f1,f2,…,fm)’为公共（共性）因子（common factor），简称因子（factor） e=(e1,e2,…,ep)’为特殊因子（specific factor） f和e均为不可直接观测的随机变量 μ=(μ1,μ2,…,μp)’为总体x的均值 A=(aij)p*m为因子负荷（载荷）（factor loading）矩阵 通常先对x作标准化处理，使其均值为零，方差为１．这样就有 假定（１）fi的均数为０，方差为１； （２）ei的均数为０，方差为δi； （３） fi与ei相互独立． 则称x为具有m个公共因子的因子模型 如果再满足（４）fi与fj相互独立（i≠j），则称该因子模型为正交因子模型。 正交因子模型具有如下特性： x的方差可表示为 设 （１）hi2是m个公共因子对第i个变量的贡献，称为第i个共同度（communality）或共性方差，公因子方差（common variance） （２）δi称为特殊方差（specific variance），是不能由公共因子解释的部分 因子载荷（负荷）aij是随机变量xi与公共因子fj的相关系数。 设 称gj2为公共因子fj对x的“贡献”，是衡量公共因子fj重要性的一个指标。 二、因子分析的步骤 1.输入原始数据xn*p，计算样本均值和方 差，进行标准化计算（处理）； 2.求样本相关系数矩阵R=(rij)p*p； 3.求相关系数矩阵的特征根λi (λ1,λ2,…,λp0)和相应的标准正交的特征向量li； 4.确定公共因子数； 5.计算公共因子的共性方差hi2; 6.对载荷矩阵进行旋转，以求能更好地解释公共因子； 7.对公共因子作出专业性的解释。 三、因子分析提取因子的方法 主成分法（principal component factor） 每一个公共因子的载荷系数之平方和等于对应的特征根，即该公共因子的方差。 极大似然法（maximum likelihood factor） 假定原变量服从正态分布，公共因子和特殊因子也服从正态分布，构造因子负荷和特殊方差的似然函数，求其极大，得到唯一解。 主因子法（principal factor） 设原变量的相关矩阵为R=(rij)，其逆矩阵为R-1=(rij)。各变量特征方差的初始值取为逆相关矩阵对角线元素的倒数，δi’=1/rii。则共同度的初始值为(hi’) 。 以(hi’)2代替相关矩阵中的对角线上的元素，得到约化相关矩阵R’ 。 迭代主因子法（iterated principal factor） 主因子的解很不稳定。因此，常以估计的共同度为初始值，构造新的约化矩阵，再计