第五章 因子分析和主成分分析.pptVIP

第五章 主成分分析与因子分析 5.1 因子分析模型与应用 1. 因子分析模型 设p维可观测的随机向量X = (X1，...，Xp)（假定Xi为标准化变量，即E(Xi) = 0，Var(Xi) = 1，i = 1，2，…，p）表示为 或 X = AF + ε 其中F1、F2、…、Fm称为公共因子，简称因子，是不可观测的变量；待估的系数阵A称为因子载荷阵，aij（i = 1,2,…,p；j = 1,2,…,m）称为第i个变量在第j个因子上的载荷（简称为因子载荷）； ε称为特殊因子，是不能被前m个公共因子包含的部分。并且满足：cov(F,ε) = 0，即F，ε不相关； D(F) = Im，即F1、F2、…、Fm互不相关，方差为1；D(ε) = diag(12,22,…,p2)，即ε1、ε2、…、εp互不相关，方差不一定相等，εi～N(0，i2)。 因子分析的目的就是通过模型X = AF + ε以F代替X，由于m p，从而达到降维的愿望。 2. 因子分析模型中的几个统计特征 (1) 因子载荷aij的统计意义 由Xi = ai1F1 +…+ aimFm + εi，两边同乘以Fj E(XiFj)=ai1E(F1Fj)+…+aijE(FjFj)+…+aimE(FmFj)+E(εiFj) 从而有 ρij = E(XiFj) = aij 即载荷矩阵中第i行，第j列的元素aij是第i个变量与第j个公共因子的相关系数，反映了第i个变量与第j个公共因子的相关程度。在这种意义上公共因子解释了观测变量间的相关性。 (2) 变量共同度的统计意义 因子载荷矩阵第i行的元素平方和： 称为变量Xi的共同度（i = 1，2，…，p）。 对Xi = ai1F1 +…+ aimFm + εi两边求方差： 显然，若因子方差hi2大，剩余方差i2必小。而hi2大就表明Xi对公因子的共同依赖程度大。可见hi2反映了变量Xi对公共因子F的依赖程度，故称hi2为变量Xi的共同度。 (3) 公共因子Fj方差贡献的统计意义 因子载荷矩阵A中各列元素的平方和： 称为公共因子Fj对X的贡献，是衡量Fj相对重要性的指标，qj2越大表明Fj对X的贡献越大。 3 金融时间序列中因子的类型 收益率时间序列 宏观经济因子：GDP , 通胀，失业率，收益率曲线的陡峭度等（或者这些变量的意外冲击----扰动项） 基本面因子：财务分析得到的变量 Fama-French方法(1992):市场收益率，企业规模，价值型/成长型（市场资产净值或市场资产净值/账面资产净值） 统计因子：数学过程得到的变量，主成分分析(PCA), 主因子分析 1 因子载荷矩阵的估计 给定p个相关变量X1，...，Xp的观测数据阵X，由X = AF + ε易推出 ∑ = AA + D 其中∑ = D(X)为X的协方差阵，A = (aij)为p  m的因子载荷阵，D = diag(12，22，…，p2)为p阶对角阵。 由p个相关变量的观测数据可得到协差阵的估计，记为S。为了建立因子模型，首先要估计因子载荷aij和特殊方差i2。常用的参数估计方法有以下三种：主成分法，主因子法和极大似然法。 5.2 因子载荷矩阵的估计方法 (1) 主成分法 设样本协方差阵S的特征值为λ1≥λ2≥…≥λp≥0，u1,u2,…,up，为对应的标准化特征向量，当最后p–m个特征值较小时，S可近似地分解为： 其中 为pm阵， ，即得因子模型的一个解。载荷阵A中的第j列和X的第j个主成分的系数相差一个倍数（j = 1,…,m），故这个解称为主成分解。 （2）主因子法 主因子方法是对主成分方法的修正，设R = AA + D，则R* = R – D = AA称为约相关矩阵，若已知特殊因子方差的初始估计 ，也就是已知变量共同度的估计： 则R*对角线上的元素是 ，而不是1。即： 计算R*的特征值和特征向量，取前m个正特征值λ1*≥λ2*≥…≥λp* 0，相应的特征向量为u1*,u2*,…,up*，则有近似分解式： R* = AA 其中 ，令