SPSS因子分析法例子解释.pptxVIP

因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、 完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研 活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著 数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成 绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的 次数等。虽然收集这些??据需要投入许多精力，虽然它们能够较为全面精确地描述事物， 但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈 合理的正比，反而会给统计分析带来很多问题，可以表现在： ?计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计 算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容 忽视的。 ?变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价 中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究 中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变 量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性 回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那 么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。 类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会 导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方 法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子 分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于 20 世纪初Karl Pearson 和Charles Spearmen 等人关于智力测 验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领 域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标， 名为因子。通常，因子有以下几个特点： ?因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将 大大减少分析过程中的计算工作量。 ?因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有 变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ?因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解 决变量多重共线性等给分析应用带来的诸多问题。 ?因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解;;3;4;侦测变量间之群组（clusters），每个群组所包括的变量彼此相关很高，同构型 较大，亦即将关系密切的个别变量合并为一个子群。 减少大量变量数目，使之称为一组涵括变量较少的统计自变量（称为因素）， 每个因素与原始变量间有某种线性关系存在，而以少数因素层面来代表多数、个别、独 立的变量。 因素分析具有简化数据变量的功能，以较少层面来表示原来的数据结构，它根据变 量间彼此的相关，找出变量间潜在的关系结构，变量间简单的结构关系称为“成份” （components）或“因素”（factors）. 三、因素分析的主要方式 围绕浓缩原有变量提取因子的核心目标，因子分析主要涉及以下五大基本步骤： 1、因子分析的前提条件 由于因子分析的主要任务之一是对原有变量进行浓缩，即将原有变量中的信息重叠 部分提取和综合成因子，进而最终实现减少变量个数的目的。因此它要求原有变量之间 应存在较强的相关关系。否则，如果原有变量相互独立，相关程度很低，不存在信息重 叠，它们不可能有共同因子，那么也就无法将其综合和浓缩，也就无需进行因子分析。 本步骤正是希望通过各种方法分析原有变量是否存在相关关系，是否适合进行因子分析。 SPSS 提供了四个统计量可帮助判断观测数据是否适合作因子分析： 计算相关系数矩阵Correlation Matrix 在进行提取因子等分析步骤之前，应对相关矩阵进行检验，如果相关矩阵中的大部 分相关系数小于 0.3，则不适合作因子分析；当原始变量个数较多时，所输出的相关系数 矩阵特别大，观察起来不是很方便，所以一般不会采用此方法或即使采用了此方法，也 不方便在结果汇报中给出原始分析报表。 计算反映象相关矩阵Anti-image correlati