SPSS学习系列31.因子解析总结计划.docxVIP

精品文档 精品文档 PAGE PAGE15 精品文档 PAGE . 因子剖析 一、基来源理 因子剖析，是用少数起根本作用、相互独立、易于解释往常又是 不可察看的因子来归纳和描绘数据， 表达一组相互关系的变量。 往常 情况下，这些有关因素并不能直观观察。 因子剖析是从研究有关系数矩阵内部的依靠关系出发，把一些具有盘根错节关系的变量归结为少数几个综合因子的一种多变量统计 剖析方法。简言之，即用少数不可观察的隐变量来解释原始变量之间的有关性或协方差关系。 因子剖析的作用是减少变量个数，根据原始变量的信息进行重 组，能反应原有变量大多半的信息； 原始部分变量之间多存在较显著 的有关关系，重组变量（因子变量）之间相互独立；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。 主成分剖析是因子剖析的特例。主成份剖析的目标是降维，而因子剖析的目标是找出公共因素及特有因素，即公共因子与特殊因子。 因子剖析模型在形式上与线性回归模型相像，但两者有着本质的区别：回归模型中的自变量是可观察到的，而因子模型中的各公因子是不可观察的隐变量，而且两个模型的参数意义也不相同。 得到估计的因子模型后，还必须对得到的公因子进行解释。即对每个公共因子给出一种意义明确的名称，用来反应在预测每个可察看变量中这个公因子的重要性。该公因子的重要程度就是在因子模型矩 .. . 阵中相应于这个因子的系数。 由于因子载荷阵不惟一，故可对因子载荷阵进行旋转。目的是使 因子载荷阵的构造简化，使载荷矩阵每列或行的元素平方值向0和1两极分化，这样的因子便于解释和命名。 每个样本都能够计算其在各个公因子上的得分，利用因子得分以及该公因子的方差贡献比率，又能够计算每个样本的综合得分。 二、因子剖析实例 例1（综合评论问题）对我国30个省市经济发展的8个指标进行剖析和排序。数据文件如下： x1=GDP；x2=居民消费水平；x3=固定财产投资； x4=员工平均工资；x5=货物周转量；x6=居民消费价钱； x7=商品价钱指数；x8=工业总产值。 【剖析】——【降维】——【因子剖析】，翻开“因子剖析”窗口，将变量“x1-x8”选入【变量】框； .. . 点【描绘】，翻开“描绘统计”子窗口，勾选【统计量】下的“单变量描绘性”、“原始剖析结果”，【有关矩阵】下的“系数”、“重生”、“KMO和Bartlett的球形度查验”；点【持续】； 点【抽取】，翻开“抽取”子窗口，【方法】选“主成份”，【剖析】选“有关性矩阵”，【输出】勾选“未旋转因子解”、“碎石图”，【抽取】选“鉴于特点值：特点值大于‘1’”；点【持续】； .. . 注1：提取公因子方法有（1）主成份法（默认），假定变量是各因子的线性组合，从解释变量的变异除非，尽量是变量的方差能被主成分所解释，适合大多半情况； （2）未加权的最小平方法：使有关矩阵和重生有关矩阵之差的平方和达到最小； （3）综合最小平方法：同（2），并用单值的倒数对有关系数加 权； （4）最大似然法：要求数据听从多变量正态散布，此时生成的参数估计最靠近察看到有关矩阵，适宜样本量较大情况； （5）主轴因子分解法：从原始变量的有关性出发，使变量间的有关程度尽可能地被公因子解释，但对变量方差的解释不太重视； （6）α因子分解法：将变量看出从潜在的变量空间中抽取出的样本，计算时尽量使得变量的α信度达到最大，适合不好的数据； （7）映像因子分解法：把一个变量看作是其余变量的多元回归， .. . 提取公因子。 注2：计算特点值和特点向量时，可选择有关矩阵（不受量纲影响）或协方差矩阵（受量纲影响较大，需先进行变量标准化）计算主成分。但SPSS做因子剖析时，已经包含了变量标准化过程。二者结果有差别，但在对因子解释和方差贡献率的解释上是一致的。 点【旋转】，翻开“旋转”子窗口，【方法】选“最大方差法”，【输出】勾选“旋转解”、“载荷图”；点【持续】； 注：（1）最大方差法：最常用，使各因子保持正交前提下的方差差别（相对载荷平方和）达到最大，方便对公因子解释； 2）最大四次方值法：各因子方差差别化更强，并减少和每个变量有关系的因子数，简化对原变量的解释； 3）最大平衡值法：介于方差最大正交旋转与4次方最大正交旋转之间； 4）直接Oblimin法：斜交旋转方法，需先指定一个因子映像 .. . 的自有关范围； 5）Promax：最常用的斜交旋转法，在方差最大正交旋转的基础上再进行斜交旋转，旋转后允许因子间存在有关，适合有详细的结果倾向时采用。 用主成分法提取公因子，用回归法对因子进行估计。 点【得分】，翻开“因子得分”子窗口，勾选“保留为变量”方 法选“回归”、“显示因子得分系数矩阵”；点【持续】； 此外，若在【选项】子窗口，将【系数显示格式】勾选“按大小排序”，将按载荷从大到小排列变