数学建模多元统计分析.pdfVIP

精选文库 — 精选文库 实验报告 一、实验名称 多元统计分析作业题。 二、实验目的 （一）了解并掌握主成分分析与因子分析的基本原理和简单解法。 （二）学会使用 matlab 编写程序进行因子分析，求得特征值、特征向量、载荷矩阵等值。 （三）学会使用排序、元胞数组、图像表示最后的结果，使结果更加直观。 三、 实验内容与要求 — 精选文库 四、实验原理与步骤 （一）第一题： 1、实验原理： 因子分析简介： (1) 1.1 基本因子分析模型 设 p 维总体 x=(x1,x2,,xp) 的均值为 u=(u1,u2,,u3) ，因子分析的一般模型为 x1=u1+a11f1+a12f2++a1mfm+ ε1 x2=u2+a21f1+a22f2++a2mfm+ ε2 xp=up+ap1f1+fp2f2++apmfm+ εp 其中， f1,f2,,fm 为 m 个公共因子；ε i 是变量 xi(i=1,2,,p) 所独有的特殊因子，他们都是 不可观测的隐变量。称 aij(i=1,2,,p;j=1,2,,m) 为变量 xi 的公共因子 fi 上的载荷，它反映 了公共因子对变量的重要程度，对解释公共因子具有重要的作用。上式可以写为矩阵形式 x=u+Af+ ε — 精选文库 其中 A=(aij)pxm 称为因子载荷矩阵； f=(f1,f2,,fm) 为公共因子向量；ε =( ε1, ε2, εp) 称为特殊因子向量 (2) 1.2 共性方差与特殊方差 xi 的方差 var(xi) 由两部分组成，一个是公共因子对 xi 方差的贡献，称为共性方差；一个是 特殊因子对 xi 方差的贡献，称为特殊方差。每个原始变量的方差都被分成了共性方差和特 殊方差两部分。 (3) 1.3 因子旋转 因子分析的主要目的是对公共因子给出符合实际意义的合理解释， 解释的依据就是因子载荷 阵的个列元素的取值。 当因子载荷阵某一列上各元素的绝对值差距较大时， 并且绝对值大的 元素较少时，则该公共因子就易于解释， 反之，公共因子的解释就比较困难。此时可以考虑 对因子和因子载荷进行旋转 （例如正交旋转） ，使得旋转后的因子载荷阵的各列元素的绝对 值尽可能量两极分化，这样就使得因子的解释变得容易。 因子旋转方法有正交旋转和斜交旋转两种，这里只介绍一种普遍使用的正交旋转法：最大 方差旋转。 这种旋转方法的目的是使因子载荷阵每列上的各元素的绝对值 （或平方值）尽可 能地向两极分化，即少数元素的绝对值（或平方值）取尽可能大的值， 而其他元素尽量接近 于 0. (4) 1.4 因子得分 在对公共因子做出合理解释后，有时还需要求出各观测所对应的各个公共因子的得分，就 比如我们知道某个女孩是一个美女，可能很多人更关心该给她的脸蛋、身材等各打多少分， 常用的求因子得分的方法有加权最小二乘法和回归法。 注意：因子载荷矩阵和得分矩阵的区别： 因子载荷矩阵是各个原始变量的因子表达式的系数， 表达提取的公因子对原始变量的影响程 度。因子得分矩阵表示各项指标变量与提取的公因子之间的关系，在某一公因子上得分高， 表明该指标与该公因子之间关系越密切。 简单说， 通过因子载荷矩阵可以得到原始指标变量 的线性组合，如 X1=a11*F1+a12*F2+a13*F3, 其中 X1 为指标变量 1，a11、a12、a13 分别为 与变量 X1 在同一行的因子载荷， F1、F2、F3 分别为提取的公因子；通过因子得分矩阵可 以得到公因子的线性组合，如 F1=a11*X1+a21*X2