SPSS因子解析总结计划法.docxVIP

精品文档 精品文档 PAGE PAGE34 精品文档 PAGE ______________________________________________________________________________________________________________ 因子剖析 因子剖析 一、基础理论知识 观点 因子剖析（Factoranalysis）：就是用少数几个因子来描绘很多指标或因素之间的联系， 以较少几个因子来反应原资料的大多数信息的统计学剖析方法。 从数学角度来看， 主成分分 析是一种化繁为简的降维办理技术。 主成分剖析（Principalcomponentanalysis）：是因子剖析的一个特例，是使用最多的因子提取方法。它经过坐标变换手段，将原有的多个有关变量，做线性变化，变换为此外一组不有关的变量。选用前面几个方差最大的主成分，这样达到了因子剖析较少变量个数的目的， 同时又能与较少的变量反应原有变量的绝大多数的信息。 两者关系：主成分剖析（PCA）和因子剖析（FA）是两种把变量维数降低以便于描绘、理解和剖析的方法，而实际上主成分剖析能够说是因子剖析的一个特例。 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的剖析能够减少剖析中的工作量。 2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行从头组构，它能够反应原有变量大多数的信息。 3）因子变量之间不存在显著的线性有关关系，对变量的剖析比较方便，但原始部分变量之间多存在较显著的有关关系。 4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反应。 在保证数据信息丢掉最少的原则下，对高维变量空间进行降维办理（即经过因子剖析或 主成分剖析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 种类 根据研究对象的不同，把因子剖析分为 R型和Q型两种。 当研究对象是变量时，属于 R型因子剖析； 当研究对象是样品时，属于 Q型因子剖析。 但有的因子剖析方法兼有 R型和Q型因子剖析的一些特点，如因子剖析中的对应剖析 方法，有的学者称之为双重型因子剖析，以示与其他两类的区别。 -可编写改正- ______________________________________________________________________________________________________________ 剖析原理 假定：有n个地理样本，每个样本共有 p个变量，组成一个 n×p阶的地理数据矩阵 : x11 x12 x1p x21 x22 x2p X xn1 xn2 xnp 当p较大时，在p维空间中考察问题比较麻烦。 这就需要进行降维办理， 即用较少几个 综合指标代替原来指标， 而且使这些综合指标既能尽量多地反应原来指标所反应的信息， 同 时它们之间又是彼此独立的。 线性组合：记 x1，x2，，xP为原变量指标， z1，z2，，zm（m≤p）为新变量指标 （主成分），则其线性组合为 : z1 l11x1 l12x2 l1pxp z2 l21x1l22x2 l2pxp zm lm1x1lm2x2 lmpxp Lij是原变量在各主成分上的载荷 z1 l11x1 l12x2 l1pxp z2 l21x1 l22x2 l2pxp zm lm1x1lm2x2 lmpxp 不论是哪一种因子剖析方法， 其相应的因子解都不是唯一的， 主因子解只是是无数因子 解中之一。 zi与zj相互无关； z1是x1，x2，，xp的一切线性组合中方差最大者， z2是与z1不有关的 x1，x2， -可编写改正- ______________________________________________________________________________________________________________ 的所有线性组合中方差最大者。则，新变量指标 z1，z2，分别称为原变量指标的第一，第 二，主成分。 Z为因子变量或公共因子，能够理解为在高维空间中互相垂直的 m个坐标轴。 主成分剖析实质就是确定原来变量 xj（j=1，2，，p）在各主成分 zi（i=1，2，， m）上的荷载 lij。 从数学上容易知道，从数学上也能够证明，它们分别是有关矩阵的 m个较大的特点值 所对应的特点向量。 剖析步骤 5.1确定待剖析的原有若干变量是否适合进行因子剖析 (第一步) 因子剖析是从众多的原始变量中重构少数几个具有代表意义的因子变量的过程。 其潜在 的要求：原有变量之间要具有比较强的有关性。因此，因子剖析需要先进行有关剖析， 计算 原始变量之间的有关系数矩阵。 如果有关系数矩阵在进行统计查验时， 大多数有关系数均小 于0.3且未经过查验