因子分析的基本思想、基本步骤、数学模型及求解.docx

一、因子分析 1 因子分析的基本思想 1.1 因子分析的基本出发点 将原始指标综合成较少的指标，这些指标能够反映原始指标的绝大部分信息（方差），这些综合指标之间没有相关性。 1.2 因子变量的特点 （1）这些综合指标称为因子变量，是原变量的重造； （2）个数远远少于原变量个数，但可反映原变量的绝大部分方差； （3）不相关性； （4）可命名解释性。 2 因子分析的基本步骤 （1）确认待分析的原始变量是否适合作因子分析； （2）构造因子变量； （3）利用旋转方法使因子变量具有可解释性； （4）计算每个样本的因子变量得分。 3 因子分析的数学模型 数学模型（xi为标准化的原始变量；Fi为因子变量；k<p） 也可以矩阵的形式表示为： X=AF+ε F：因子变量； A：因子载荷阵； aij：因子载荷； ε：特殊因子。 4 因子分析的相关概念 （1）因子载荷 在因子变量不相关的条件下，aij就是第i个原始变量与第j个因子变量的相关系数。aij绝对值越大，则Xi与Fi的关系越强。 （2）变量的共同度(Communality) 也称公共方差。Xi的变量共同度为因子载荷矩阵A中第i行元素的平方和。 可见：Xi的共同度反应了全部因子变量对Xi总方差的解释能力。 （3）因子变量Fj的方差贡献 因子变量Fj的方差贡献为因子载荷矩阵A中第j列各元素的平方和 可见：因子变量Fj的方差贡献体现了同一因子Fj对原始所有变量总方差的解释能力，Sj/p表示了第j个因子解释原所有变量总方差的比例。 5 原有变量是否适合作因子分析 计算原有变量的相关系数矩阵，一般小于0.3就不适合作因子分析。 6 确定因子变量--主成份分析 6.1主成份分析法的数学模型 将原有的P个相关变量Xi作线性变换后转成另一组不相关的变量Yi 该方程组要求： 系数uij依照两个原则来确定： 1、yi与yj(i≠j,i,j=1,2,3,…p)互不相关； 2、y1是x1,x2,x3,…,xp的一切线性组合（系数满足上述方程组）中方差最大的；y2是与y1不相关的x1,x2,x3,…,xp的一切线性组合中方差次大的；yP是与y1, y2, y3,…yp都不相关的x1,x2,x3,…,xp的一切线性组合中方差最小的； y1在总方差中所占比例最大，它综合原有变量的能力最强，其余变量在总方差中所占比例依次递减，即：其余变量综合原有变量的能力依次减弱。 6.2主成份分析的基本步骤 （1）将原始数据标准化； （2）计算变量间简单相关系数矩阵R； （3）求R的特征值λ1≥λ2≥λ3≥…λp≥0及对应的单位特征向量μ1,μ2,μ3,…μp； （4）得到：yi=u1ix1+u2ix2+…+upixp 6.3确定因子变量—计算因子载荷 7确定因子变量个数 确定k个因子变量 （1）根据特征值λi确定：取特征值大于1的特征根； （2）根据累计贡献率：一般累计贡献率应在70%以上； （3）通过观察碎石图的方式确定因子变量的个数。 8因子变量的命名解释 （1）发现： aij的绝对值可能在某一行的许多列上都有较大的取值，或aij的绝对值可能在某一列的许多行上都有较大的取值。 （2）表明： 某个原有变量xi可能同时与几个因子都有比较大的相关关系，也就是说，某个原有变量xi的信息需要由若干个因子变量来共同解释；同时，虽然一个因子变量可能能够解释许多变量的信息，但它却只能解释某个变量的一少部分信息，不是任何一个变量的典型代表。 （3）结论：因子变量的实际含义不清楚 通过某种手段使：每个变量在尽可能少的因子上又比较高的载荷，即：在理想状态下，让某个变量在某个因子上的载荷趋于1，而在其他因子上的载荷趋于0。这样：一个因子变量就能够成为某个变量的典型代表，它的实际含义也就清楚了。 9计算因子得分 因子得分是因子变量构造的最终体现。 基本思想：是将因子变量表示为原有变量的线性组合，即：通过因子得分函数计算因子得分。 因子得分可看作各变量值的权数总和，权数的大小表示了变量对因子的重要程度。 10因子分析的基本步骤 （1）菜单选项：analyze->Data Reduction->Factor； （2）选择参与因子分析的变量到Variables框； （3）Discriptive:分析是否适合做因子分析； （4）Extraction：选择构造因子变量的方法，默认主成分分析法。 Extract框：指定确定因子个数的标准； （5）Rotation：择因子载荷矩阵的旋转方法。默认是不进行旋转。一般可以选择Varimax选项采用方差极大法旋转。 （6）Scores：Save as variables：将因子得分存成一个名为FACn_m的SPSS变量中，其中：n是因子变量的名，以数字序号的形式表示；m表示是第几次作的。 Display factor s