探索性因素分析及SPSS应用.ppt

（一）概念原理 因素分析是伴随着心理学的研究而发展起来的。 最早提出因素分析想法的是高尔顿，他奠定了因素分析的基础。 形成和发展：1904 年Charles Spearman 的论文《对智力测验得分进行的统计分析》早期主要用于心理学和教育学方面的问题 目前：心理学、教育学、经济学、社会学、考古学、生物学、医学、体育学等 当我们通过测量的方法获得一个样本或总体中多个样本的一系列特征值后，往往会有“信息超载”之感，总期望能简化信息，从浩繁的数据中发现某种结构或者问题的主要方面，这时就需要用到因素分析技术了。 因素分析主要针对等距尺度变量。 其主要目的： 探索隐藏在大量观测资料背后的某种结构，寻求一组变量变化的“共同因子”；浓缩后的“共同因子”代表了数据间的基本结构，通过得到的因子估计值使研究者更方便地掌握数据的本质特质以及因子和观测变量之间的关系。 （二）因素分析的数学模型 （三）因素分析的标准步骤 筛选观测变量 样本数据适当性考察 确定因子数 求解因素模式 因子旋转 2.因子提取与因子数确定 因子提取：因素分析的基本目的是找出少数几个公共因子，使其能够相当程度上解释一系列的数据变异。因此，如何抽取因子，抽取几个便成为因素分析的基本问题。 一、因子提取的方法 因子提取的方法很多，使用最多的是主成份分析法。此外还有，最小二乘数法、极大似然法、阿尔法因子法、映像分析法等。 这里主要介绍主成份分析法。 主成份分析法（principal components）： 主成份分析法是一种数学变换的方法, 它把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。 若要建立主成份与各相关变量的线性组合，设p个相关观测变量，X1，X2，…,Xp,经过线性组合后转化为一组相互独立的变量F1，F2，…，Fp，可以表示为： 其中（1）Fi与Fj相互独立；（2）Fi是以标准分来记；（3）F1，F2，…，Fp的方差贡献依次减小。将他们分别成为原有变量的第一主成份、第二主成份、…、第p主成份。其中，第一主成份F1对原变量X1，X2，…，Xp的解释能力最强，其余依次减小。 为了达到减少变量的目的，一般只选择前面几个方差贡献交大的主成份。这样既实现了对原变量的简化，有最大限度保持了对原有变量变异信息的解释力。 主成份分析的几何解释：对X1、X2、…、Xp组成的坐标系进行移动，使得新坐标系原点和数据群点的重心相重合。并且，在新坐标系中，数据在第一坐标轴上的差异最大，在第二坐标轴上的差异次之，以此类推。坐标轴之间相互垂直，从而反映出两个主成份之间相互正交关系，即二者不相关。为便于解释，举一个二维坐标变换的例子。 假设：在一个被试样本中进行了两项变量的测量，得到了两个变量的数据资料。那么，如果以这两个变量数值描述被试之间的差异，就相当于是在一个二维坐标系中描述被试的差异。采用主成份方法转换出两个新的相互独立的变量F1，F2。这种转换的几何意义就可以表达为下图的形式。 1.2：因子的特征值：根据因素分析的数学模型： 我们知道：因子载荷矩阵的第一列因子载荷平方和（即 ）反映了第一个引子对所有变量的方差总贡献。 每一列因子载荷的平方和代表对应因子的方差贡献，反映了该因子的主要特征，所以也叫该因子的特征值。计算公式如下： 2：因子数的确定： 瑟斯顿曾提出一个因子数与原变量数的关系式：因子数m要小于等于 但是该公式也只是一个经验公式，并不普遍有效。 确定因子数的常用发放主要有以下几种： （1）使抽取的m个因子对原变量方差的解释率达到一个适当的比例。一般建议达到80%以上。实际应用中也可达到40%~60%这一水平。 （2）要求前m个因子的方差贡献率综合达到一定比例，换句话说，选取的因子的特征值应该达到一定的量，通常是以特征值大于1为默认标准。 （3）通过碎石检验确定因子数。 3.因子旋转 因子旋转的意义：经过前面的一系列步骤，就可以确定合适的因子数和因子载荷。然而，在实际研究中，初始的因子载荷矩阵所表示的含义往往不明确。如果各列因子载荷的各个负载值之间没有明显差异，就很难将原变量进行分类，也很难区分其与公共因子的对应关系。倘若能够使每个变量在某一个因子上具有高负荷，而在其他各因子上有较低的负荷，那么对变量分组就变得比较容易，且能够识别出与其相关的公共因子。为了达到这种目的我们需要对初始的因子载荷矩阵进行相应的因子旋转。 因子旋转：就是将抽取的因子结