第六章 因子分析.docVIP

第6章 因子分析 在心理、社会科学中有很多概念性的量是不可直接测量的。如智力、社会阶层。研究者可以通过其它一些间接的可观察的量来收集信息。以进行研究。如对智力问题，可以通过一些测试的成绩，而对于一些社会阶层可以调查职业、教育背景、家庭收入等。智力、社会阶层等这些常被称为latent variables即不可以直接观察，但和其它一些可观察的量有关，因子分析就是这类揭示其关系的方法。因子分析通常又分为探索性因子分析和验证性因子分析 6.1 因子分析数学模型 因子分析是很有用的统计分析工具，因子分析的实质就是找出少量不可观测的随机变量，用它们表示众多的可观测随机变量。以下例子能说明因子分析的意义。 例6.1对一个班的学生，进行五门课程（力学、物理、代数、分析、统计）考试，其中力学和物理闭卷考试，代数、分析、统计开卷。这5门功课的成绩是可观测的随机向量。每个学生的成绩可以看成5维随机向量的一个观测,见表6-1。 表 6-1 五门课程考试成绩 学生 力学（闭卷） 物理（闭卷） 代数（开卷） 分析（开卷） 统计（开卷） 1 92 97 82 82 96 2 78 93 95 85 96 3 90 88 86 81 96 4 70 87 78 85 83 5 78 78 80 85 78 6 68 76 87 79 88 7 66 82 80 80 83 8 74 85 83 77 71 9 77 75 73 77 85 10 79 87 75 77 60 11 67 79 75 78 69 12 70 82 74 77 59 13 65 65 79 70 78 14 80 78 73 71 52 15 46 70 75 72 88 16 75 79 71 69 55 17 59 84 68 68 68 18 57 84 76 70 60 19 77 61 76 72 60 20 46 64 77 78 77 21 59 76 67 77 61 22 64 56 76 64 79 23 27 73 76 78 82 24 64 68 64 77 62 25 69 64 71 62 68 26 69 68 61 74 59 27 59 71 70 76 51 28 33 59 65 72 96 29 61 67 80 65 50 30 47 60 64 72 79 31 45 84 65 67 60 32 61 64 68 74 52 33 55 42 69 76 76 34 46 57 63 69 83 35 51 74 66 60 66 36 71 55 71 69 50 37 61 71 72 64 47 38 60 57 70 71 55 39 57 75 69 64 48 40 55 78 68 69 40 41 38 70 74 68 59 42 63 63 64 66 52 43 56 78 64 61 49 44 61 67 68 56 55 经过一定计算（因子分析）后发现存在不可观测的随机变量：、，它们和间有关系 （6.1） 其中、是不可观测的随机变量。我们认为它们分别表示学生的学习能力和适应开闭卷能力，所以可分别称为学习因子和适应开闭卷因子。（6.1）揭示了这两个因子如何影响5门功课的成绩，也揭示5门课成绩的实质：每门课的成绩由学习因子和适应开闭卷因子的线性组合，加上常数，再加上随机变量而得。这是是很有意义的。象例6.1那样，找出少量不可观测因子（例如、），并给出它们影响可观测随机变量（例如）方式的统计分析，就是因子分析。 因子分析与主成分分析不同：主成分分析是寻求若干个可观测随机变量的少量线性组合，说明其含义；因子分析主要的目的是找出不一定可观测的潜在变量作为公共因子，并解释公共因子的意义，及如何用不可观测随机变量，计算可观测随机变量。因子分析方法在心理学，经济，医学，生物学，教育学等方面有重要用途。例如为了测验应聘者的素质，出40道题，让应聘者回答，每道题有一得分， 40题得分被认为可以观测的随机变量。我们希望找出有限个不可观测的潜在变量来解释这40个随机变量，这些不可观测的潜在变量不一定能表示为原来随机变量的线性组合，但却是有实际意义的，例如交际能力，应变能力，语言能力、推理能力、艺术修养、历史知识和生活常识等。又如分析生物生长状况时，从生物的实测指标（长、宽和体重等）可以分析出生长因子和控制因子，找出它们在不同时刻的作用。有关因子分析细节可参看方开泰（1989）、Richard(2003)和Gorsuch（1983）。 因子分析模型包括正交和斜交因子模型，本书只介绍正交因子分析模型，表述如下： 定义6.1 设X为p维可观测随机向量，其均值向量为，协差阵为,若X能表为