浅谈因子分析方法在多指标综合评价中的运用(下).pdfVIP

专题讲座 ????正文 专题讲座 ????正文 浅谈因子分析在多指标综合评价中的运用（上） * 2012-12 一、相关概念简介 1. 综合评价简介 所谓综合评价是指对以多属性体系结构描述的对象系统作出全局性、 整体性的评价， 即 对评价对象的全体，根据所给的条件，采用一定的方法给每个评价对象赋予一个评价值（又 称评价指数） ，再据此择优或排序的过程。 常见的综合评价方法有主成分法、 基于主成分的因子分析法、 熵权法， 以及基于模糊数 学的多层模糊综合评判法，等等。 2. 因子分析简介： 因子分析是利用降维的思想， 在力保数据丢失最少的原则下， 对高维变量空间进行降维 处理，把多指标转化为少数几个综合指标的多元统计分析方法。它的特点是在评价指标的相 关性比较高时，能消除指标间信息的重叠，而且根据指标所提供的原始信息生成非人为的权 重系数。采用因子分析法进行多指标的综合评价具有以下优势： 因子分析的降维处理技术能较好地解决多指标评价的要求。 1. 因子分析将原始变量变换为主因子的过程中 , 同时形成了反映成分和指标包含信息 量的权数 , 以计算综合评价值 , 这比人为地确定权数更为客观有效 , 也有助于保证真实地反 映样本间的现实关系。 2. 减少了指标选择的工作量。在因子分析中由于可以消除评价指标间的相关影响 , 因 而在指标选择上相对容易些，另外因子分析可以保留原始评价指标的大部分信息。 3. 随着电子计算机技术的发展 , SAS 、SPSS 等商品化统计分析软件的推广与应用 , 使 得因子分析在各类综合评价实践中的广泛应用成为现实。 基于上述几点，因子分析法在各类综合指标评估中得以广泛应用。 二、因子分析法在综合评估中的运用（实例讲解） 下面，笔者将以某项目的多指标综合评估分析过程为例进行详细讲解。需要说明的是， 在进行综合评估之前，首要的工作是建立一套可靠完整的指标体系。而确立评估指标的方法 很多，包括主观、客观法，如常见的 Delphi 专家评估法、灰色关联度分析法、极小极大离差 法和最小均方差法，等等。本例采取的是专家评估法，限于篇幅，在此不再赘述，本文是假 定已完成指标体系的建立及数据无量纲处理的前提下，进行的分析过程。 1. 步骤一：数据检验 在进行因子分析前，应检验数据间的相关性程度，判断是否适合采用因子分析。 1 ）KMO检验： KMO检验：是用于比较变量间简单相关系数和偏相关系数的指标， KMO统 计量是取值在 0 和 1 之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和 时， KMO值接越近 1，意味着变量间的相关性越强， 原有变量越适合作因子分析； 当所有变量 间的简单相关系数平方和接近 0 时，意味着变量间的相关性越弱，原有变量越不适合作因子 分析。 KMO值在 0.9 以上表示非常适合； 0.8 表示适合； 0.7 表示一般； 0.5 以下表示极不适 合。 2 ）巴特利球型检验：用于检验相关矩阵是否是单位矩阵，即各变量是否独立。它是以 变量的相关系数矩阵为出发点，零假设：相关系数矩阵是一个单位矩阵。如果统计值较大， 且对应的相伴概率值小于用户给定的显著性水平， 则应拒绝零假设， 即各变量间存在公因子； 反之，则不能拒绝零假设，认为相关系数矩阵可能是一个单位阵，这些变量间可能各自独立 提供一些信息，缺少公因子，不适合做因子分析。 3 ）实例数据 SPSS 软件操作过程： Analyze —— Data Reduction —— Factor ，在因子分析主对话框中， 点击 Descriptives ，然后勾选 KMO and Bartletts Test of Sphericity 。下表 1 是本例的 输出结果： KMO0.5满