浅谈因子分析方法在多指标综合评价中的运用(下).docxVIP

专题讲座?????正文 专题讲座?????正文 浅谈因子分析在多指标综合评价中的运用（上） * 2012-12 一、 相关概念简介 综合评价简介 所谓综合评价是指对以多属性体系结构描述的对象系统作出全局性、整体性的评价，即 对评价对象的全体，根据所给的条件，采用一定的方法给每个评价对象赋了一个评价值（又 称评价指数），再据此择优或排序的过程。 常见的综合评价方法有主成分法、基于主成分的因子分析法、嬌权法，以及基于模糊数 学的多层模糊综合评判法，等等。 因子分析简介： 因子分析是利用降维的思想，在力保数据丢失最少的原则下，对高维变量空间进行降维 处理，把多指标转化为少数儿个综合指标的多元统计分析方法。它的特点是在评价指标的相 关性比较高时，能消除指标间信息的重叠，而且根据指标所提供的原始信息生成非人为的权 重系数。采用因子分析法进行多指标的综合评价具有以下优势： 因子分析的降维处理技术能较好地解决多指标评价的要求。 因子分析将原始变量变换为主因子的过程中，同时形成了反映成分和指标包含信息 量的权数，以计算综合评价值，这比人为地确定权数更为客观有效，也有助于保证真实地反 映样本间的现实关系。 减少了指标选择的工作量。在因子分析中由于可以消除评价指标间的相关影响，因 而在指标选择上相对容易些，另外因子分析可以保留原始评价指标的大部分信息。 随着电子计算机技术的发展，SAS、SPSS等商品化统计分析软件的推广与应用，使 得因子分析在各类综合评价实践中的广泛应用成为现实。 基于上述儿点，因子分析法在各类综合指标评估中得以广泛应用。 二、 因子分析法在综合评估中的运用（实例讲解） 下面，笔者将以某项目的多指标综合评估分析过程为例进行详细讲解。需要说明的是, 在进行综合评估之前，首耍的工作是建立一套可靠完整的指标体系。而确立评估指标的方法 很多，包括主观、客观法，如常见的Delphi专家评估法、灰色关联度分析法、极小极大离差 法和最小均方差法，等等。本例采取的是专家评估法，限于篇幅，在此不再赘述，本文是假 定已完成指标体系的建立及数据无量纲处理的前提下，进行的分析过程。 1?步骤一：数据检验 在进行因子分析前，应检验数据间的相关性程度，判断是否适合采用因子分析。 1） KM0检验：KM0检验：是用于比较变暈间简单相关系数和偏相关系数的指标，KM0统 计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和 吋，KMO值接越近1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量 I可的简单相关系数平方和接近0时，意味着变量间的相关性越弱，原有变量越不适合作因子 分析。KM0值在0.9以上表示非常适合；0.8表示适合；0.7表示一般；0. 5以下表示极不适 合。 2） 巴特利球型检验：用于检验相关矩阵是否是单位矩阵，即各变量是否独立。它是以 变量的相关系数矩阵为出发点，零假设：相关系数矩阵是一个单位矩阵。如果统计值较大， 冃对应的相伴概率值小于用户给定的显著性水平，则应拒绝零假设，即各变量间存在公因子； 反Z,则不能拒绝零假设，认为相关系数矩阵可能是一个单位阵，这些变量间可能各自独立 提供一些信息，缺少公因子，不适合做因子分析。 实例数据 SPSS软件操作过程:Analyze Data Reduction Factor,在因子分析主对话框中， 点击 Descripti ves,然后勾选 KMO and Bartletts Test of Sphericity。下表 1 是本例的 输出结果：KM00. 5满足分析的要求；其次，巴特利球体检验统计值为P = 0. 000 0. 05 , 可以拒绝零假设，证明各变量间存在公因子，通过了显著度检验。 小结：本文简单介绍了综合评价及因子分析的相关概念，了解了因子分析的数据检验要 求及操作过程。限于篇幅，我们将在下次继续讲解本例的实证分析结果。 浅谈因子分析方法在多指标综合评价中的运用(下) * 2013-06 在上一篇专题文章之中，笔者简单介绍了多指标综合评价的相关概念及方法，了解了因 子分析数据检验要求及操作过程，本次将为大家继续讲解相关的操作步骤及实证分析结果。 一、实证结果分析一：主因子的提取和确定 ???依据因子分析的原理，运用统讣软件SPSS16. 0进行分析，可得到10个指标相关矩阵R 的特征值、方差贡献率和累计方差贡献率，如表2所示。 按照特征值入1的原则，选出5个主因子，其旋转前的累计方差贡献率为75. 020% (即 前5个主因子可以解释75%的方差)，表明选取5个主要成分因子就能基本反映原指标的信息。 而旋转后5个主因子的累计方差贡献率仍为75. 020%,表明因子旋转不改变模型对数据 的拟合。 一、实证结果分析二：主因子的命名及解释 ??在因子