《探索性因素分析及spss应用》.pptVIP

2004-3-10 Exploratory Factor Analysis SPSS Application * 典型的简单结构：可以看到变量col1、col2、col3和因子1有较大相关，变量col4、col5、col6和因子2有较大相关，变量对因子的归属一目了然。 根据这些因子所解释的变量的含义，我们不妨将因子1、2分别命名为“经济政策”和“民族政策”。 因子的解释和命名——正交旋转结果 旋转图解：良好的旋转应当使得变量向量尽可能落在坐标轴附近，且各坐标轴附近积聚的变量数或者各因素的累计贡献应大致平均。二维坐标系中，正交旋转只需把坐标轴旋转到尽可能接近变量处即可。多维坐标系将因子空间分解成多个二维平面，分别进行简单结构的旋转，直到得出稳定、一致的结果。 返回 2004-3-10 Exploratory Factor Analysis SPSS Application * 第三节 斜交旋转和因子值应用 对正交旋转的批评： 实际研究中，因素间的关系往往很难满足因素正交要求，应考虑使用斜交旋转。斜交旋转因子间的夹角随意，因此理论上说，它对于解释因子更有利。 斜交旋转的“高风险性”： 结果受分析者对斜交参数的定义影响，很大程度上取决于分析者的主观经验；同时也不利于研究结果的交流。 替代办法： 碰到因子间高度相关的情况，往往代之以减少因子数目或者做高阶因素分析，导致斜交旋转在实际应用中的功用被削弱。 返回 2004-3-10 Exploratory Factor Analysis SPSS Application * 一 因子相关时的旋转——斜交旋转法 斜交旋转中的因素模式和因素结构 因素负荷是向坐标轴平行投影；因素结构是向坐标轴的垂直投影；正交模型中，因素模式等于因素结构。 简单模式结构和简单因素结构 两种旋转标准，通常前者更方便。 阅读斜交旋转结果的注意点： — 区分模式矩阵（pattern matrix ）和结构矩阵（structure matrix）； — 斜角解的因素负荷可能会超过1，计算因子贡献不能再使用负荷平方和办法（通常不给出）； — 不给因素变换矩阵而代之以因素间相关矩阵。 返回 2004-3-10 Exploratory Factor Analysis SPSS Application * SPSS斜交旋转法： 直接斜交极小法（Direct Oblimin）： 由参数δ（Delta）控制倾斜程度，该参数控制因子轴的倾斜程度，其中δ≤0.8。一般δ取大负值时表示因子间倾斜程度越低，越不相关。 Promax法： Procrustes变换的一种特例，通过扩大初始简单结构中元素的大小差距（2次方或4次方）来取得简单结构。其参数κ（Kappa）即乘方数，κ1。此法比直接斜交旋转法的计算速度快，因此常用于大数据集。 一 因子相关时的旋转——斜交旋转法 “强盗”旋转法，削足适履 因素模式几近标准简单结构 因素结构距离简单结构甚远 因素轴实际上斜交，确实“强盗” 返回 2004-3-10 Exploratory Factor Analysis SPSS Application * 二 因子值意义及应用 某些情况下还要获得对因子的度量，如根据各因子得分对某个自变量或样本进行分类、评价。 因子得分不能简单地将变量值相加，因为各变量在因子上的负荷不同，所以应当赋予变量不同的权值，称为因子值（factor score）。 求因子值的过程就是求因素分析模型的逆过程，目的是用观测变量的线性组合来表达因子。计算案例i在因子p上的因子值是用该案例每个变量的标准化分数xji乘以相应的因子值系数（component’s score coefficients）wpj之和。 对于主成分法未经旋转求得的因子解可以直接得到因子值系数。通常是相应的因素负荷比上该因素的特征值。因此若不计较因素值单位，此时因素负荷就是因素值的估计。 其它解法需要估计。 返回 2004-3-10 Exploratory Factor Analysis SPSS Application * SPSS提供的三种因子值或因子值系数的估计方法： 都基于最小二乘原理，只是定义误差的方式不同。 二 因子值意义及应用 回归法求解使真因子得分和因子得分估计值的误差平方和达到最小的因子值系数，这样得出的因子得分可能相关，是SPSS中默认的方法。 Bartlett法的误差是独特因素得分估计值；Anderson-Rubin法在其基础上增加因素间相互正交的条件。 将标准化因子值作为新变量保存在当前数据文件中，计算出的因子值均值为0，默认的变量名为FAC1_1、FAC2_1、FAC3_1（分别对应因子1、2、3）等，其中第二个数字表示第一次分析过程。 返回 2004