因子分析在stata中实现和案例.pdfVIP

第 13 章 因子分析 因子分析始于 1904 年 Chars Spearman 对学生成绩的分析，在经济领域有着 极为广泛的用途。在多个变量的变化过程中，除了一些特定因素之外，还受到一 些共同因素的影响。因此，每个变量可以拆分成两部分，一是共同因素，二是特 殊因素。这些共同因素称为公因子，特殊因素称为特殊因子。因子分析即是提出 多个变量的公共影响因子的一种多元统计方法，它是主成分分析的推广。 因子分析主要解决两类问题：一是寻求基本结构，简化观察系统。给定一组 变量或观察数据，是否存在一个子集，特别是一个加权子集，来解释整个问题， 即将为数众多的变量减少为几个新的因子，以再现它们之间的内在联系。二是用 于分类，将变量或样本进行分类，根据因子得分值，在因子轴所构成的空间中进 行分类处理。 p 个变量 X 的因子模型表达式为： X ＝f   e f 称为公因子， 称为因子载荷。X 的相关系数矩阵分解为：      对于未旋转的因子，  1。 称为特殊度，即每个变量中不属于共性的部 分。 13.1 因子估计 Stata 可以通过变量进行因子分析，也可以通过矩阵进行。命令为 factor 或 factormat。 webuse bg2,clear describe factor bg2cost1-bg2cost6 factor bg2cost1-bg2cost6, factors(2) * pf 主因子方法，用复相关系数的平方作为因子载荷的估计量 (默认选项) factor bg2cost1-bg2cost6, factors(2) pcf * pcf 主成分因子，假定共同度＝1 factor bg2cost1-bg2cost6, factors(2) ipf * ipf 迭代主因子，重复估计共同度 factor bg2cost1-bg2cost6, factors(2) ml * ml 极大似然因子，假定变量（至少3个）服从多元正态分布，对偏相关矩阵的行列式进行最 优化求解，等价于Rao的典型因子方法 13.2 预测 Stata 可以通过 predict 预测变量得分、拟合值和残差等。 webuse bg2,clear factor bg2cost1-bg2cost6 predict f1 f2 * factor1 factor2因子分得分 predict stdp residuals * 预测标准差和残差 13.3　Estat Eatat 给出了几个非常有用的工具，包括 KMO、SMC 等指标。 webuse bg2,clear factor bg2cost1-bg2cost6 estat anti estat kmo estat residuals estat smc estat summarize 13.4 因子旋转与作图 因子分析的旋转方法以及碎石图、得分图、因子载荷图与主成分分析的方法 相同，请参见”主成分分析”一章。 webuse bg2,clear factor bg2cost1-bg2cost6 screeplot /*碎石图*/ scoreplot /*得分图*/ loadingplot /*因子载荷图*/ rotate /*旋转*/ 例：利用 2009 年的数据对中国社会发展状况进行综合考察，原始数据如下 表： 城镇居民 农村居民 新增固定 人均 GDP 人均年可 家庭人均 高等学校 卫生机构 省份 资产（亿 （元） 支配收入 纯收入 数（所） 数（个） 元