大数据数学基础第6章 多元统计分析（2） (2).ppt

(式6?82)中 ， ， 是 的初始估计。 样本的约相关矩阵 的特征值依次为 ，相应的正交单位特征向量为 。取前 m个特征值可得 A 的主因子解，如(式6?83)所示。 (式6-83) 由此可以重新估计特殊方差， 的最终估计如(式6?84)所示。 (式6-84) 如果希望得到拟合程度更好的解，那么可以利用(式6?84)中的 再作为特殊方差的初始估计，重复上述步骤，直至得到稳定的解。该估计方法称为迭代因子法。 参数估计 特殊方差 （或共性方差 ）的常用初始值估计方法有如下几种。 取 ，其中 是 的第 i 个对角线元素。此时，共性方差的估计 ，其是 与其他 个变量的复相关系数平方。该方法一般要求 满秩。 取 ，此时 。 ，此时 ，得到的 是一个主成分解。 参数估计 因子模型的参数估计完成之后，还需对模型中的公共因子进行合理的解释，以便更好地理解因子。但估计方法所求出的公共因子的典型代表变量并不突出，容易使公共因子的实际意义含糊不清，不利于解释，常常通过旋转因子的方法来达到其结构简化的目的。 因子是否易于解释，取决于因子载荷矩阵 A 的元素结构。如果是从相关矩阵出发求得 A ，那么 A 的元素在(-1,1) 区间上。如果载荷矩阵 A的所有元素都接近 0或 ，那么模型的因子易于解释；反之，如果载荷矩阵 A的元素多数居中，那么模型的因子不易解释。所以需要对因子载荷矩阵A进行旋转，使因子载荷矩阵A的列或行的元素平方值向 0和 1两极分化。 因子旋转方法有正交旋转和斜交旋转两个类，本小节只介绍正交旋转。正交矩阵 的不同选取法构成了正交旋转的不同方法，如四次方最大法、方差最大法、等量最大法，其中使用最普遍的是方差最大法。 因子旋转 对公共因子做正交旋转 的同时，载荷矩阵也相应的变为 ，记 , ,于是 。 令 和 成立，其中 ，则第 j 列元素平方的相对方差如(式6?85)所示。 (式6-85) 可以消除公共因子对各原始变量的方差贡献率不同的影响，取 可以消除 符号不同的影响。方差最大旋转法就是选择正交矩阵 T，使得矩阵 所有 m 个列元素平方的相对方差之和(式6?86)达到最大。 (式6-86) 因子旋转 在前面的小节中，已经介绍了从样本的协方差 S 或相关矩阵 R 来得到公共因子和因子载荷，并对公共因子进行合理解释。如果得到的公共因子还是难以解释或希望得到更好的解释，那么可以尝试作因子旋转，使公共因子有更鲜明的实际意义。在一些情况下，所做的这些已经达到了因子分析的目的，解决了用公共因子的线性组合来表示一组观测变量的有关问题。而在另一些情况下，还希望使用这些因子做其他的研究，比如把得到的因子作为自变量来做回归分析，对样本进行分