《第8讲 因子分析与对应分析》.pptVIP

; 主成分分析是将多个指标化为少数相互无关的综合指标的统计方法，通常数学上的处理就是将原来的p个指标做线性组合，作为新的综合指标，记第一个综合指标为F1。 选取这个线性组合的原则是令F1的方差最大，称F1为第一主成分；然后选取第二主成分F2，且F1与F2的协方差为0，类似构造其余的主成分。;第一节 因子分析——【Factor】过程主成分分析的推广和发展，对观测量数目要求至少是变量的5倍以上，且越多越好;依据处理的对象不同，可以分为两类： R型因子分析，对变量做降维处理 Q型因子分析，对样本做降维处理 ;因子分析的几个概念： 1、因子载荷 ;2、变量共同度 ;3、公因子Fj的方差贡献 ;4、因子旋转 因子旋转的目的是为了使得因子载荷阵的结构简化，便于对公共因子进行解释。 这里所谓的结构简化是使每个变量仅在一个公共因子上有较大的载荷，而在其余公共因子上载荷比较小。 这种变换因子载荷阵的方法称为因子轴的旋转。旋转的方法有很多种，如正交旋转，斜交旋轴等。 ;5、因子得分 ;因子分析的一般步骤 ;二、引例（练习一）;【Analyze】/【Data Reduction】/【Factor】;要求：输出相关系数矩阵；进行因子分析适用条件的检验;要求：输出碎石图;Rotation：选择因子旋转的方法;要求：输出因子得分系数矩阵;要求：用均值代替缺失值;变量间相关性很高;接近0.9，适合做因子分析;该变量95.4％的信息已经被提取; 4、主成分表 列出了所有的主成分，且按照特征根从大到小次序排列。;提取一个主成分即可; 6、因子负荷矩阵 用来反映各个变量的变异主要由哪些因子解释。; 7、因子得分系数矩阵 得出用各个变量的线性组合表达的主成分。; 8、因子得分的协方差矩阵 反映各因子间的联系程度。;例2 利用因子分析过程分析一年内各个城市的日照情况。 数据文件：“主要城市日照数.sav” 。;要求：输出因子分析适用条件的检验;要求：输出碎石图;要求：输出因子得分系数阵;要求：采用方差最大化正交旋转；输出因子载荷图;结果解读：;2、变量共同度表; 3、主成分表; 4、碎石图;5、因子载荷矩阵 给出各变量的因子表达式。;6、旋转后因子载荷矩阵 经过正交旋转后的因子载荷矩阵，给出旋转后的各变量的因子表达式。;7、因子转换矩阵 旋转前的因子载荷矩阵乘以因子转换矩阵等于旋转后的因子载荷矩阵。;8、因子旋转后的因子载荷图 图中的坐标轴就是各个主因子。;9、因子得分系数矩阵 得到因子得分表达式。;10、因子得分的协方差矩阵;第二节 简单对应分析——【Correspondebce Analysis】过程又称列联表对应分析;对应分析表（列联表）：; 最后分别对行剖面点集和列剖面点集做主成分分析，以判断两个变量的联系情况。 ;例2 利用简单对应分析过程分析不同年龄段选民的倾向。 数据文件：voter.sav;【Analyze】/【Dimension Reduction】/【Correspondence Analysis】;Model：模式子对话框;Satistics：设置需要输出的统计量;Plots：设置需要输出图形;结果解读：;2、结果汇总表 列出维数、奇异值（惯量的平方根）、惯量（又指特征根）、总的卡方检验及Sig.值;3、行点概述表 给出行变量的3个分组在两个维度中的分值;4、列点概述表 给出列变量的4个分组在两个维度中的分值;5、对应分析图 首先看同一变量的不同分组在某一侧维度上靠的远近程度，较近表示这些分组在该维度上区别不大，比如第二维度；然后看不同变量的各分组间的位置，从图形中心(0,0)出发，相同方位上大致相同的区域内的不同变量的分组彼此有联系。;第三节 最优尺度分析——【Optimal Scaling】过程初步认识; 在SPSS中【Optimal Scaling】过程提供了三种分析方法： （1）多元对应分析（Multiple Correspondence Analysis） 所有变量均在名义测量时使用，用于分析多个无序分类变量间的关系。 （2）分类变量的主成分分析（Categorical Principal Components） 当一些变量为有序分类或者连续性变量时使用，该方法使用主成分提取方式，以尽量稍等主成分解释尽量多的原始信息。 （3）非线性典型相关分析（Nonlinear Canonical Correlation） 当分析变量中有复选集变量时，用于分析两个或多个变量集之间的关系，运行变量为任何类型。;最优尺度分析的优点： （1）可以同时分析多个分类变量间的关系； （2）可以同时处理各种类型的变量，如对无序多分类变