多元统计分析之因子分析课堂.pptVIP

2. 因子提取 因子提取方法 因子分析中，析取因子的方法有许多种，在“抽 取”对话框中的“方法”下拉列表框中，可以选择 不同的分析方法。 （ 1 ）主成分法：为默认选项，也是最常用的使用方 法之一。 31 2020/4/24 此方法将原有的 P 个相关变量 X i 作线性变换后转 成另一组不相关的变量 Y i ， 即： y 1 =u 11 x 1 +u 21 x 2 + … +u p1 x p y 2 =u 12 x 1 +u 22 x 2 + … +u p2 x p …… y P =u 1P x 1 +u 2P x 2 + … +u pp x p 该方程组要求： u 1k 2 + u 2k 2 + u 3k 2 + … + u pk 2 =1 (k=1,2,3, … p) 32 2020/4/24 系数 u i j 依照两个原则来确定： y i 与 y j (i≠j,i,j=1,2,3, … p) 互不相关； y 1 是 x 1 ,x 2 ,x 3 , … ,x p 的一切线性组合（系数满足上 述方程组）中方差最大的； y 2 是与 y 1 不相关的 x 1 ,x 2 ,x 3 , … ,x p 的一切线性组合中方差次大的； y P 是与 y 1 , y 2 , y 3 , … y p 都不相 关的 x 1 ,x 2 ,x 3 , … ,x p 的一切线性组合中方差最小的；即 y 1 ， y 2 ， y 3 ， y 4 ， …… ， y p 为原有变量 的第 1 、第 2 、第 3 和第 p 个主成分。 33 2020/4/24 通过选取前面几个方差最大的主成分，一方面 能够用较少变量反映原有变量的绝大部分信息（一 般方差的累计贡献率应大于 85% ），另一方面减少 了数据分析和处理的复杂程度。 （ 2 ）未加权的最小平方法：该方法使实际的相关阵 和再生的相关阵之差的平方和达到最小。 34 2020/4/24 （ 3 ）广义最小二乘法：该方法实际也是使实际的相 关阵和再生的相关阵之差的平方和达到最小。但是 对相关系数要进行加权，权重为其单值的倒数，这 样单值高的变量，其权重比单值低的变量的权重小。 35 2020/4/24 （ 4 ）最大似然法。 该方法要求数据服从多变量正 态分布，此时它生成的参数估计值最接近观察到的 相关阵，在样本量较大时使用较好。 36 2020/4/24 （ 5 ）主轴因子分解：该方法从原始变量的相关性出 发，使得变量间的相关程度能够尽可能地被公因子 解释。 该方法重在解释变量的相关性，确定内在结 构，而对于变量方差的解释不太重视。 37 2020/4/24 （ 6 ） α 因子分解法：此法将变量看成是从潜在变量 空间中抽取出的样本，在计算中尽量使得变量的 α 信度达到最大。 38 2020/4/24 （ 7 ）映像因子分解：该方法把一个变量看作是其他 变量的多元回归，据此概念提取公因子。 39 2020/4/24 事实上，如果变量数和样本量都大，而且相关性 也高，则各种因子提取法的结果基本相同，区别仅 仅在于其分析思想不同。 主成分法是最常用的方法， 在多数情况下也是最佳的选择；如果样本量极大 (1500 以上 ) ，则极大似然法的结果稍为更精确些； 如果数据不好 ( 样本小，或变量少 ) ，α 因子法或映像 因子法可能更好；当对各种方法的原理不太清楚或 者适用条件不明的情况下，主成分法仍然是最好的 选择。 40 2020/4/24 因子个数的确定 根据特征值确定因子数：一般选取特征值大于 1 的公因子，因为如果特征值小于 1 ，说明该公因子的 解释力度太弱，还比不上直接引入一个原变量的平 均解释力度大。但是这一点在因子分析中并不是绝 对的，在实际应用中，可以将累计贡献率、特征值 大小与碎石图等综合起来考虑，必要时也可以保留 特征值小于 1 ，但是在专业上有明确含义的公因子。 41 2020/4/24 也可以根据因子的累计方差贡献率确定因子数： 通常选取累计方差贡献率大于 85% 的特征值个数为 因子个数。 另外，还可以通过直观观察碎石图的方式确定因子 的个数。 42 2020/4/24 3. 因子旋转 根据前述分析，因子分析得到的每个公共因子 都对原变量中的每一变量作出一定解释，而解释程 度的大小反映在因子载荷矩阵 A 的元素结构上。一 般我们可以得到每一列的因子载荷中有一些是比较 大的，而另一些比较小，就可以知道该列对应的因 子主要解释了哪些变量，以此确定该公共因子的主 要特征和内涵。 43 2020/4/24 但有时，因子载荷的大小差异不是非常明显， 此时公共因子的命名和解释就比较困难。这时可以 使用因子矩阵旋转对因子矩阵作变换，使得旋转之 后的载荷矩阵在每一列上元素的绝对值尽量地拉开 大小距