应用统计学之用少数变量代表多个变量培训课件.pptVIP

* 因子分析和主成分分析有很多相似之处，它们的目的是一致的，都是要将具有一定关联的多个变量进行高度概括，寻找合适的少数变量来代表原先的所有变量。尤其在计算机上实现时，两种方法所要耗费的时间并没有太大差异，除了可能有一两个选项不同之外，它们的输出结果所包含的内容十分类似。因此，人们往往对二者不加区分。 实质上，主成分分析可以看作是因子分析的一个特例，因子分析是主成分分析的推广和发展，二者最直观的区别就在于变量和主成分/因子个数的一致性上。 主成分分析的基本思想是要寻找高维椭球的所有主轴，因此，原始数据包含了多少个变量，就有多少个主成分，人们对于主成分的选择是依据最终的分析结果来确定的。而因子分析则需要事先确定要找几个成分，也就是所谓的因子(Factor)，因子个数从一开始可能就远少于原始变量的个数。 什么是因子分析？ * 因子分析是由Charles Spearman在1904年提出的，他被公认为因子分析之父。 因子分析在某种程度上可以被看成是主成分分析的推广和扩展。 因子分析对问题的研究更深入，它是将具有错综复杂关系的变量综合为少数的几个因子，以再现原始变量与因子之间的相互关系，探讨多个能够直接测量、并具有一定相关性的实测指标是如何受少数几个独立因子所支配的，同时根据不同因子还可以对变量进行分类。 因子分析是多元统计中处理降维的一种统计方法。 什么是因子分析？ (Factor Analysis) * 原始变量和因子个数的不一致，使得不仅在数学模型上，而且在实际求解过程中，因子分析和主成分分析都有着一定的区别，计算上因子分析更为复杂。 因子分析可能存在的一个优点是：在对主成分和原始变量之间的关系进行描述时，如果主成分的直观意义比较模糊不易解释，主成分分析没有更好的改进方法；因子分析则额外提供了“因子旋转(factor rotation)”这样一个步骤，可以使分析结果尽可能达到易于解释且更为合理的目的。 什么是因子分析？ (Factor Analysis) 应用统计学Applied Statistics 8 - * * 应用 统计 应 用 统 计 学 Applied Statistics * 如果你要到裁缝店定做一件上衣，需要测量很多尺寸，譬如身长、袖长、胸围、腰围、肩宽、肩厚等。但服装厂要生产一批新型服装，却不可能完全按照每个人的这些尺寸来对型号进行划分，而是把各个方面进行高度概括，用少数几个指标作为分类的型号，简单明了的反映不同人群的体态特征。 日常生活中经常遇到包含很多变量的数据，比如各个地区的若干经济指标数据，上市公司财务报表公布的多项财务数据等等。 这些数据中的变量虽然很多，但往往相互之间都有着一定的关联，这使得只要找出少数几个“代表”就可以对复杂的信息进行比较完整的描述了。主成分分析和因子分析便是实现这一过程的两种方法。 * 第 8 章 用少数变量代表多个变量 8.1 主成分分析 8.2 因子分析 * 在研究实际问题时，往往需要收集多个变量。但这样会使多个变量间存在较强的相关关系，即这些变量间存在较多的信息重复，直接利用它们进行分析，不但模型复杂，还会因为变量间存在多重共线性而引起较大的误差。 为能够充分利用数据，通常希望用较少的新变量代替原来较多的旧变量，同时要求这些新变量尽可能反映原变量的信息。 主成分分析和因子分子正是解决这类问题的有效方法。它们能够提取信息，使变量简化降维，从而使问题更加简单直观。 主成分分析和因子分析(Principal Component Analysis Factor Analysis) * 8.1 主成分分析 8.1.1 主成分分析的基本思想是什么？ 8.1.2 如何选择主成分？ 8.1.3 怎样解释主成分？ 第 8 章 用少数变量代表多个变量 * 8.1.1 主成分分析的基本思想是什么？ 8.1 主成分分析 * 主成分的概念由Karl Pearson在1901年提出 考察多个变量间相关性的一种多元统计方法 研究如何通过少数几个主成分来解释多个变量间的内部结构。即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。 主成分分析的目的：数据的压缩；数据的解释 它常被用来寻找判断事物或现象的综合指标，并对综合指标所包含的信息进行适当的解释。 什么是主成分分析？(Principal Component Analysis) * 【例8.1】表8-1是北京市某高中50名学生的六门课程测试成绩数据 乍一看，很难从这六门课程的测试得分来评价这50名学生的成绩优劣，也很难分析这些学生的成绩分布特征。要解决这样的问题，自然希望能把这一数据中包含的六个变量概括成一两个综合变量。那么这一做法是否