《因子分析》第七次课.pptVIP

因子分析;英国统计学家Moser Scott 1961年在对英国157个城镇发展水平进行调查时，原始测量的变量有57个，而通过因子分析发现，只需要用5个新的综合变量(它们是原始变量的线性组合)，就可以解释95％的原始信息。对问题的研究从57维度降低到5个维度，因此可以进行更容易的分析。 ;美国统计学家Stone在1947年关于国民经济的研究，它根据美国1927年到1938年的数据，得到17个反映国民收入与支出的变量要素，经过因子分析，得到了3个新的变量，可以解释17个原始变量97.4％的信息。根据这3个因子变量和17个原始变量的关系，Stone将这3个变量命名为： Z1——总收入。 Z2——总收入率。 Z3——经济发展或衰退的趋势(时间t的线性部分)。 ;根据这3个变量的命名含义，可以看出这3个新的变量是可以测量的。Stone把实际测量3个变量的值(C1，实际测量总收入；C2，实际测量总收入率；C3，时间因素)和因子分析得到的3个变量值进行相关性分析，得到的结果如下表所示。 ;在社会、政治、经济和医学等领域的研究中往往需要对反映事物的多个变最进行人量的观察，收集大量的数据以便进行分析，寻找规律。在大多数情况下，许多变量之间存在一定的相关关系。因此，有可能用较少的综合指标分析存在于各变量中的各类信息，这些被抽象出来的综合指标之间彼此不相关，且能反映原来众多变量的主要信息，称之为因子。 因子分析就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子反映原资料的大部分信息的统计学方法。即是一种通过显在变量来测评潜在变量，通过具体指标测评抽象因子的统计分析方法。 ;因子分析的特点 ;因子分析的数学模型 ; 因子分析中的几个概念 ;公共因子Fj的方差贡献：为因子载荷矩阵A中第j列各元素的平方和，即： ;因子分析的个基本步骤 ;确定待分析的原有若干变量是否适合于因子分析 ;1、巴特利特球形检验(Bartlett Test  of Sphericity) ; 反映像相关矩阵检验以变量的偏相关系数矩阵为出发点，将偏相关系数矩阵的每个元素取反，得到反映像相关矩阵。偏相关系数是在控制了其他变量对两变量影响的条什下计算出来的相关系数，如果变量之间存在较多的重叠影响，那么偏相关系数就会较小。因此，如果反映像相关矩阵中有些元素的绝对值比较大，那么说明这些变量不适合作因子分析。 ;3．KMO(Kaiser-Meyer-Olkin)检验 ; Kaiser给出了一个KMO的标准： 0.9KMO：非常适合； 0.8KMO0.9：适合； 0.7KMO0.8：一般； 0.6KMO0.7：不太适合； KMO0.5：极不适合。;构造因子变量 ; 确定因子有两种方法： 一是，根据特征值的大小确定，一般取大于l的特征值； 二是，根据因子的累计方差贡献率来确定。 ;如果数据已经标准化，则：;因子变量的命名解释 ;载荷矩阵A中某一行中可能有多个aij比较大，说明某个原有变量xi可能同时与几个因子有比较大的相关关系。 载荷矩阵A中某一列中也可能有多个aij比较大，说明某个因子变量可能解释多个原变量的信息。但它只能解释某个变量一小部分信息，不是任何一个变量的典型代表。 会使某个因子变量的含义模糊不清。在实际分析中，希望对因子变量的含义有比较清楚的认识。这时，可以通过因子矩阵的旋转来进行。 正交旋转、斜交旋转、方差极大法，其中最常用的是方差极大法。;计算因子得分 ;估计因子得分的方法有： 回归法 Bartlette法 Anderson-Rubin法;合作性;《因子分析》第七次课;Statistics： Univariate descriptives：要求输出各变量的均数与标准差。 Initial solulion：表示输出初始分析结果。输出的是因子提取前分析变量的公因子方差，是一个中间结果。对主成分分析来说，这些值是要进行分析变量的相关或协方差矩阵的对角元素；对因子分析模型来说，输出的是每个变量用其他变量作预测因子的载荷平方和。; Correlation Matrix： Coefficients：要求计算相关系数矩阵。 Significance levels：显著性水平。选择此项给出每个相关系数的单尾假设检验的水平。 Determinant：相关系数矩阵的行列式。 Inverse：相关系数矩阵的逆矩阵。 Reproduced：此项给出因子分析后的相关阵，还给出残差，即原始相关与再生相关之间的差值。 Anti-image：反映像相关矩阵检验。反映像相关阵，包括偏相关系数的取反；反映像协方差阵，包括偏协方差的取反。一个好的