因素分析法factoranalysis.DOC

第二章 因素分析 (Factor Analysis) 　 　 我們在上一章談到「主成份分析」，它的目的是希望用較少的變數去解釋原始資料的大部分變異。而這些變數也就是我們利用主成份分析法整理而得的總體性指標。在這一章裡，我們將要介紹的因素分析法，也是希望能夠降低變數的數目，但不同的是我們是想在一群具有相關性且難以解釋的資料中， 找出幾個概念上有意羲的，並且彼此之間近於獨立的可以影響原始資料的共同因素。 第一節 何謂因素分析法 底下我們以九個變數為例子，由圖2-1我們可約略看出因素分析的要義。在九個變數中，可能某幾個變數在表面上看來即很相似，亦即其彼此間之相關係數較高，而事實上會影響這些變數觀察值結果的很可能是其背後看不到的某些共同原因所造成的。因此我們知道，可藉著因素分析法，由九個彼此相關的變數中萃取出其背後真正影響結果的三個主要因素： Factor 1 是四個變數的共同因素 Factor 2 是二個變數的共同因素 21 Factor 3 是三個變數的共同因素。 圖2-1 我們可以回想做過的一些心理或性向測驗（因素分析是計量心理學的重要工具之一），這些測驗的問卷題目，很多都是彼此相關的問題, 而主試者可以在回收問卷資料後將資料加以整理分析，找出背後有那些共同因素影響受試者的答案。可能是受試者的保守性會直接影響他們對墮胎問題、兩性關係的看法；或者是自信心影響了他們在處理人際關係，面對困難的態度。這些事情的後面，我們希望能用某些因素(factors)來表現出來。 主成份分析所著重的在於如何「轉換」原始變項使之成為一些綜合性的新指標，而其關鍵在「變異數」問題。與主成份分析不同的是，因素分析重視的是如何解釋變數之間的「共變異數」(covariance)問題，因每一位受試者的反應變量均為一些「共同因素變量 (common factor variate)」和「唯一因素變量 (unique factor variate)」的線性函數。例如，若我們能找出，使得： (2.1) 則就叫做「共同因素」，而為變量的「唯一因素」，為變量的「唯一因素」，等等。 上面的式子有一點像迴歸的寫法，而也像是模型中的誤差項。但不同的是，在做因素析時，我們通常已將標準化，因此(2.1)中，是沒有截矩項的。習慣上，我們希望互相正交，但這並不是非要不可的要求。在計算的技巧上，我們常喜歡首先試一下恰好是的情形。這也是為甚麼一些軟體往往將主成分分析和因素分析放在一起的原因之一。 其中「共同因素變量」可產生反應變項之間的共變數(它們在標準化以後時, 即為相關係數)，而唯一性變量部分則只對其所屬的變項之變異數有所貢獻，所以主成份分析是「變異數」導向的方法，因素分析則是「共變異數」導向的方法。 在技術層面上，若給定一個p×p的共變異矩陣或者相關矩陣，則我們通常只能求出一組p個主成分出來。這一部分是直接計算就可以得到的。但因素的求得，就有很多方法。先利用主成分分析作最初的探索只是其中較常用的一種。Statistica提供了六種不同的如何萃取因素的方法，後面會提到。 第二節 模式 我們將主成分分析和因素分析的模式寫在下面以作比較。對於主成分分析，它的主成分的形式是 我們這裡不寫出誤差項來，是因為若是給定了原始數據，則, 通通是靠純粹的計算就可以完全求得的。這裡沒有甚麼模型上的誤差。在因素分析裡，我們要設法找到等因素，使得 這裡，我們是在「建立模型」，雖然做法上和我們常做的利用迴歸分析來建模的不一樣，但「利用一試再試，以達到一個令人滿意的模型」的基本想法卻是一樣的。因此在這裡我們會有誤差頂存在。上面的兩個形式裡，,為原始資料的反應變項，為第個共同因素在第個變項下的重要性，一般叫做共同因素負荷量(common factor loading)，有時，我們會省去「共同」(common)，而只說因素負荷(factor loading)。而為共同因素(common factors)，為第個唯一因素變量(unique factor)。若以矩陣的形式表示，則為 它們的假設前題是： 共同因素變量之間互為獨立，平均數為0,變異數1。 之間也互相獨立，平均數為0，變異數為( 為「唯一性變異數　(unique variance)」。 第三節 因素分析法之步驟 因素分析法之步驟如下： 選擇所欲分析的變數 準備相關矩陣，估計共同性 決定因素的數目 從相關矩陣中抽取共同因素 旋轉因素，增加變項與因素之間關係的解釋 結果解釋 這些步驟，大部分可由軟體都可替你做好。但最主要的6，卻是要使用者自行依照他或她的專業判斷來執行。 Statistica是從相關係數的矩陣（意思是說，它的對角線各項都是1）開始做因素萃取的。這相當於說，原始資料各項，都分別做了相對應的Z-變換： 因此，E()=0,=1。如果針對相關