数学建模R-因子分析.pptVIP

因子分析 基本思想 主成分分析的推广和发展； 研究相关矩阵或协方差矩阵的内部依赖关系， 将多个变量综合为少数几个因子，再现原始变 量与因子之间的相关关系。 简单因子模型 eg:为了解学生的学习能力，观测了n个学生的p 个科目的成绩，用 分别表示p个科目， 表示第i个学生的p个科目的考试成绩。对这 些资料进行归纳分析，可看出各科目由两部分组 成： 其中F是对所有 (i=1,2,…,p)都起作用的公共因子，可称为 智力因子；系数 称为因子载荷，表示第i个科目在智力高低 因子上的体现； 是科目（变量） 特有的特殊因子。以上就 是一个最简单的因子模型。 多因子模型 进一步可把上述简单因子模型推广到多个因子的情 况，即全部科目所共有的因子有m个，如数学推导因 子，记忆因子，计算因子等，分别记为 即 用这m个不可观测的互不相关的公共因子 （也称为潜在因子）和一个特殊因子 来描述原来可 测的相关变量（科目） 并解释分析学生的学 习能力。 其中 称为因子载荷，表示第i个科目在m个方面的 表现。 因子分析分类 根据研究对象不同分为 R型因子分析：研究变量之间的相关关系，通过对变 量的相关矩阵和协方差矩阵内部结构的研究找出控制 所有变量的几个公共因子（或称主因子，潜在因 子），用以对变量或样品进行分类。 Q型因子分析：研究样品之间的相关关系，通 过对样品的相似矩阵内部结构的研究找出控制 所有样品的几个主要因素（或称主因子）。 两种因子分析的处理方法一样，但出发点不同 R型：从变量的相关矩阵出发 Q型：从样品的相似矩阵出发 我们主要介绍R型因子分析 正交因子模型 设 是可观测的随机向量，记X的均值为 协方差阵为 ，如果随机向量X满足下面的模型 其中 是不可观测的随机向量，且 ； 满足 则称该因子模型为正交因子模型。 正交因子模型的矩阵表示 其中 ， 称 为X的公共因子； 为X的特殊因 子。 一般情况下，公共因子对X的每一分量都有作 用，至少对两个分量有作用，否则可将其看成 特殊因子。 而 只对 起作用，而且各特殊因子间以及特殊因 子与所有公共因子间都是互不相关的。 矩阵A是待估的系数矩阵，称为因子载荷矩阵， 称为第i个变量在第j个因子上的载荷。 注：正交因子模型是用m+p个不可观测的随机 变量 来表示p个原始观测变量 正交因子模型的协方差结构 正交因子模型中，由于公共因子与特殊因子不 相关，且公共因子彼此不相关且具单位方差， 所以 即 即第i个变量的方差由两部分组成， 一部分是m个公共因子对变量 的总方差所作的贡 献 ，我们称之为共性方差（或共同度）； 另一部分是特殊因子对 的总方差所作的贡献 ， 我们称之为特殊方差。 所以载荷矩阵中的元素 就是第i个变量 与第j个因 子 之间的协方差。 是 的线性组合，系数 称为“载荷”（源于 心理学），即第i个变量在第j个因子上的载荷。 求因子载荷矩阵A各列的平方和，即 表示第j个公共因子 对X的所有分量 的 总影响，称为第j个公共因子对随机向量X的贡献，它 是衡量第j个公共因子相对重要性的指标。 越大，表明 对X的贡献越大。如果我们把载荷矩 阵A的各列平方和都算出并将其排序，就能够以此为 依据找出最有影响的公共因子。 所以求载荷矩阵A的估计很关键。 应用R软件进行因子分析 示例：对100名学生数学（X1）、物理（X2）、化学 （X3）、语文（X4）、政治（X5）、英语（X6）考 试成绩数据进行因子分析。 （采用样本数据进行因子分析的例子） Chengji-read.table(‘d:/data/student.txt’, Header=T) #从文件