主成分分析与因子分析详细的异同和SPSS软件.docxVIP

主成分分析与因子分析详细的异同和 SPSS 软件 摘要：主成分分析与因子分析(R-型)应用十分广泛，但一些论文和一些 SPSS 软件教科书（见附文）出错。本文指出了这些错误及其成因,指出了出错造成的危害，从原理上给出了主成分分析与 R-型因子分析数学模型详细的异同，给出了避免出错的方法, 并对 SPSS 软件及有关教科书提出了一些建议。 关键词：主成分分析；因子分析；SPSS 软件；出错；避免 =(X1 ,…,XP 为标准化随机向量（p≥2）,R 为相关系数矩阵, = F1 ,…,Fm 为主成分向量， =（Z1 ,…,Zm 为因子向量，m≤p,为方便，因子、因子估计、因子得分用同一记号。 一、问题的提出与结论 主成分分析与 R-型因子分析是多元统计分析中的两个重要方法，同是降维技术，应用范围十分广泛，但通过流行甚广的 SPSS 软件调用这两种方法的过程命令，使用者容易出错，是什么原因造成这些错误呢？主成分分析与 R-型因子分析到底有何异同呢？出错会造成什么危害呢？ 由于 SPSS 软件在经济、医学、管理等领域中的广泛流行使用，解决这些问题尤其必要。 经过对一些论文和一些 SPSS 软件教科书（见附文）仔细查证分析、比较、研究得出： 出错原因：有些使用者和书作者对主成分分析与 R-型因子分析的原理、异同与解题步骤掌握不透，现行 SPSS 软件及其书中没有完善这两种方法的研究（对高校师生出错影响很大）。 结论：主成分分析与 R-型因子分析有 10 处主要的不同，致使主成分分析与因子分析的定量综合评价体系不同，混淆在一起是不同定量值交替错误，综合评价必须分开进行。 出错带来的危害：企业经济效益、竞争力等的综合评价会带来误评，医学诊断会带来误诊，决策会带来误断等。 二、一些使用者出现的错误及其成因分析 经过仔细查证分析，有下列错误： 使用主成分分析时①对主成分分析的原理没有掌握, 如叙述主成分分 析概念出错。②主成分 F 求解出错，如=中（ 为单位矩 阵,的意义见表 1）。③不知主成分 F 的命名依据，对主成分 F 命名出错。④解释变量某 Xk 被丢失。⑤对错误地进行旋转。⑥错误地进行回归 求 F 。⑦把因子分析法(含没有旋转过程的)错误地当作主成分分析法。 使用因子分析时①对因子分析的原理没有掌握, 如将因子分析的思想叙述为主成分分析的思想。②不知因子 Zi 的命名依据，对因子 Zi 的命名出错，如用因子得分函数对因子 Zi 进行命名。③解释变量某 Xk 被丢失。④将 主成分或因子错误地表示为 （的意义见表 1）。⑤不知相关系数矩 阵特征值 与因子贡献 vi 的区别，如综合因子得分函数 Z 综 = Zi 中的 vi 错误地取为特征值 。使用 SPSS 软件时①由于 SPSS 软件本身无主 成分分析模块，有些使用者就用因子分析中一些模块来制造主成分的结果，出现了混乱的定量过程。②由于 SPSS 软件教科书中因子分析内容处混淆主成分分析与因子分析，致使有些使用者也混淆这两种方法出错。 从以上可看出出错的原因是：有些使用者对主成分分析与 R-型因子分析的原理（原理可见[4]）、异同与解题步骤掌握不透，现行 SPSS 软件及其书中没有完善这两种方法的研究。 三、主成分分析与 R-型因子分析数学模型的异同比较 这里给出的主成分分析与 R-型因子分析的异同，与现行观点相比，是内容与过程上的比较，更透彻、更准确，是认识的深入。 相同之处：主成分分析与 R-型因子分析都是对协差阵的逼近，都是打算降维解释数据集。具体为指标的正向化[3], 指标的标准化（SPSS 软件自动执行）,通过相关系数矩阵判断变量间的相关性，求相关系数矩阵的特征值 和特征向量, 主成分间、因子间线性无关，用累计贡献率（%）、变量 不出现丢失确定主成分、因子个数 m, 前 m 个主成分与前 m 个因子对 X 的综合贡献相同、是最大化的，命名依据都是主成分、因子与变量的相关系数。 不同之处：方差, 最大化方向, 所处的坐标系(标准正交性), 应用上侧重等见表 1。 表 1 主成分分析与 R-型因子分析的不同 区别项 主成分分析数学模型： R-型因子分析数学模型： 目 表达式 + ( 为特殊因子), 与系数 矩阵 =( ) =( 因子载荷矩阵 = m = () …, ), , , 是相应的特征值和单位特征向 量, ≥…≥ ≥ 0。 =（ …, ） 为初等因子载荷矩阵 ? （ 同 左）。 因变量 Fi 依次达到信息贡献最大化, Zi 没有达到最大化，Var Zi=1。 方差最 大化 Var Fi= 。 矩阵方 无, 旋转后就不是主成分了，因 有, 为 方差最大正 差最大 为 化旋转 Var Fi ≠λi 。 交旋转矩阵， m 达到方差最大 化