探索性因子分析分析.pptVIP

* 探索性因素分析及SPSS应用 因子分析的定义 SPSS中实现过程 因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。 因子分析的核心作用：探索结构、简化数据 因素分析的的作用 英国统计学家Moser Scott在1961年对英国157个城镇发展水平进行调查时，原始测量的变量有57个，而通过因子分析发现，只需要用5个新的综合变量（它们是原始变量的线性组合），就可以解释95%的原始信息。对问题的研究从57维度降低到5个维度，因此可以进行更容易的分析。 因子分析的一个降维例子 因子分析有两个核心问题：一是如何构造因子变量；二是如何对因子变量进行命名解释 。 （1）确定待分析的原有若干变量是否适合于因子分析。 （2）求解初始因子解 （3）利用旋转使得因子变量更具有可解释性。 （4）计算因子变量的得分。 因子分析的4个基本步骤 因子分析是从众多的原始变量中构造出少数几个具有代表意义的因子变量，这里面有一个潜在的要求，即原有变量之间要具有比较强的相关性。如果原有变量之间不存在较强的相关关系，那么就无法从中综合出能反映某些变量共同特性的少数公共因子变量来。 因此，在因子分析时，需要对原有变量作相关分析。 因子分析前的准备工作 最简单的方法就是计算变量之间的相关系数矩阵。 如果相关系数矩阵在进行统计检验中，大部分相关系数都小于0.3，并且未通过统计检验，那么这些变量就不适合于进行因子分析。 1．巴特利特球形检验（Bartlett Test of Sphericity）（单位矩阵的零假设） 2．反映像相关矩阵检验（Anti－image correlation matrix）（偏相关系数） 3．KMO（Kaiser-Meyer-Olkin）检验（0.6）是变量间相关系数的平方和除以变量间相关系数与偏相关系数平方和 样本数据适当性考察 Bartlett球度检验（Bartlett’s test of sphericity）：近似χ2检验，Ho：“相关矩阵是单位阵”，显然，其显著性水平要至少小于0.05，才能拒绝Ho，说明各个变量间存在相关，适宜进行因素分析。 反映像相关矩阵（Anti-image correlation matrix）：其元素等于偏相关系数的负数。公因子存在时，偏相关系数实际上是特殊因子间的相关系数估计，应当接近于零。 KMO取样适当性度量（Kaiser-Meyer-Olkin measure of sampling adequacy）：是变量间相关系数平方和占这两种系数平方和的比率。显然，KMO值越接近1越好。一般规定：0.9以上，极好；0.8以上，较好；0.7以上，一般。同时，每个变量的KMO值恰好为反映像相关矩阵的对角线元素，记为MSA(Measures of Sampling Adequacy)。 输出因子分析的初始解 输出各个变量的基本描述统计量 相关系数矩阵 变量相关系数矩阵的行列式值 反映像相关矩阵 因子分析中有多种确定因子变量的方法，如基于主成分模型的主成分分析法和基于因子分析模型的主轴因子法、极大似然法、最小二乘法等。 其中基于主成分模型的主成分分析法是使用最多的因子分析方法之一。下面以该方法为对象进行分析。 求解初始因子解 因子解特征值及因子贡献率: 因子贡献反映的则是单个因子解释的数据总方差。所有公因子的累计贡献等于所有变量的共同度之和；如果公因子数等于变量数（主成分分析）则也等于原观测变量的总方差。公因子j 的贡献记为Vj，等于所有模型/因素负荷矩阵中每列因子负荷的平方和；更常用“贡献率” 指标（相等）；主成分特征值等于其因子贡献。 初始解主成分数等于变量数，三列依次是特征值（解释变异量）、因子贡献率、累计贡献率。应当抽取2个因子 各公因子方差贡献可以用因素负荷平方和（Sums of squared loadings），因为它可以由因素负荷矩阵中列元素的平方和求得。 碎石图陡阶检验也显示抽取2因子 确定公因子数 公因子数确定牵涉到很多问题，如变量数、模型拟合度、因子贡献等。 因子数边界 特征值准则: — Kaiser准则，特征值≥1； — Joliffe准则，特征值≥0.7； Cattell陡阶检验，也称碎石图(Scree Plot) 检验，因子特征值中大的陡急坡度与缓慢坡度间的明显转折点； 累计贡献率（建议80%，实际中40% ~ 60%也可做）； 在极大似然估计法中，使拟合度显著性水平不再减小； 理论构想及公因子的可解释性也可作为参考 因子的解释和命名——因子旋转 因素分析的目的不仅是求公因子，更