因子分析在stata中实现和案例.docVIP

The Standardization Office was revised on the afternoon of December 13, 2020 The Standardization Office was revised on the afternoon of December 13, 2020 因子分析在STATA中实现和案例 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： 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，。称为特殊度，即每个变量中不属于共性的部分。 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 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 　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 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： 省份 人均GDP（元） 新增固定资产（亿元） 城镇居民人均年可支配收入（元） 农村居民家庭人均纯收入（元） 高等学校数（所） 卫生机构数（个） area x1 x2 x3 x4 x5 x6 北 京 63029 85 6497 天 津 55473 55 2784 河 北 23239 105 15632 山 西 20398 69 9431 内蒙古 32214 39 7162 辽 宁 31259 104 14627 吉 林 23514 55 9659 黑龙江 21727 78 7928 上 海 73124 66 2822 江 苏 39622 146 13357 浙 江 42214 98 15290 安 徽 14485 104 7837 福 建 30123 81 4478 江 西 14781 82 8229 山 东 33083 125 14973 河 南 19593 6414 94 11683 湖 北 19860 118 10305 湖 南 17521