多元统计分析之因子分析.pptVIP

2.因子提取 因子提取方法 因子分析中，析取因子的方法有许多种，在“抽取”对话框中的“方法”下拉列表框中，可以选择不同的分析方法。 （1）主成分法：为默认选项，也是最常用的使用方法之一。 第三十一页，编辑于星期二：十五点 分。 此方法将原有的P个相关变量Xi作线性变换后转成另一组不相关的变量Yi，即： y1=u11x1+u21x2+…+up1xp y2=u12x1+u22x2+…+up2xp …… yP=u1Px1+u2Px2+…+uppxp 该方程组要求： u1k2+ u2k2+ u3k2+…+ upk2=1 (k=1,2,3,…p) 第三十二页，编辑于星期二：十五点 分。 系数uij依照两个原则来确定： yi与yj (i≠j,i,j=1,2,3,…p)互不相关； y1是x1,x2,x3,…,xp的一切线性组合（系数满足上 述方程组）中方差最大的；y2是与y1不相关的 x1,x2,x3,…,xp的一切线性组合中方差次大的；yP是与y1, y2, y3,…yp都不相关的x1,x2,x3,…,xp的一切线性组合中方差最小的；即 y1，y2，y3，y4，……，yp为原有变量的第1、第2、第3和第p个主成分。 第三十三页，编辑于星期二：十五点 分。 通过选取前面几个方差最大的主成分，一方面能够用较少变量反映原有变量的绝大部分信息（一般方差的累计贡献率应大于85%），另一方面减少了数据分析和处理的复杂程度。 （2）未加权的最小平方法：该方法使实际的相关阵 和再生的相关阵之差的平方和达到最小。 第三十四页，编辑于星期二：十五点 分。 （3）广义最小二乘法：该方法实际也是使实际的相关阵和再生的相关阵之差的平方和达到最小。但是对相关系数要进行加权，权重为其单值的倒数，这样单值高的变量，其权重比单值低的变量的权重小。 第三十五页，编辑于星期二：十五点 分。 （4）最大似然法。 该方法要求数据服从多变量正态分布，此时它生成的参数估计值最接近观察到的相关阵，在样本量较大时使用较好。 第三十六页，编辑于星期二：十五点 分。 （5）主轴因子分解：该方法从原始变量的相关性出发，使得变量间的相关程度能够尽可能地被公因子解释。 该方法重在解释变量的相关性，确定内在结构，而对于变量方差的解释不太重视。 第三十七页，编辑于星期二：十五点 分。 （6）α因子分解法：此法将变量看成是从潜在变量空间中抽取出的样本，在计算中尽量使得变量的 α 信度达到最大。 第三十八页，编辑于星期二：十五点 分。 （7）映像因子分解：该方法把一个变量看作是其他变量的多元回归，据此概念提取公因子。 第三十九页，编辑于星期二：十五点 分。 事实上，如果变量数和样本量都大，而且相关性也高，则各种因子提取法的结果基本相同，区别仅仅在于其分析思想不同。 主成分法是最常用的方法，在多数情况下也是最佳的选择；如果样本量极大(1500以上)，则极大似然法的结果稍为更精确些；如果数据不好(样本小，或变量少)，α 因子法或映像因子法可能更好；当对各种方法的原理不太清楚或者适用条件不明的情况下，主成分法仍然是最好的选择。 第四十页，编辑于星期二：十五点 分。 因子个数的确定 根据特征值确定因子数：一般选取特征值大于1的公因子，因为如果特征值小于1，说明该公因子的解释力度太弱，还比不上直接引入一个原变量的平均解释力度大。但是这一点在因子分析中并不是绝对的，在实际应用中，可以将累计贡献率、特征值大小与碎石图等综合起来考虑，必要时也可以保留特征值小于1，但是在专业上有明确含义的公因子。 第四十一页，编辑于星期二：十五点 分。 也可以根据因子的累计方差贡献率确定因子数：通常选取累计方差贡献率大于85%的特征值个数为因子个数。 另外，还可以通过直观观察碎石图的方式确定因子的个数。 第四十二页，编辑于星期二：十五点 分。 3.因子旋转 根据前述分析，因子分析得到的每个公共因子都对原变量中的每一变量作出一定解释，而解释程度的大小反映在因子载荷矩阵A 的元素结构上。一般我们可以得到每一列的因子载荷中有一些是比较大的，而另一些比较小，就可以知道该列对应的因子主要解释了哪些变量，以此确定该公共因子的主要特征和内涵。 第四十三页，编辑于星期二：十五点 分。 但有时，因子载荷的大小差异不是非常明显，此时公共因子的命名和解释就比较困难。这时可以使用因子矩阵旋转对因子矩阵作变换，使得旋转之后的载荷矩阵在每一列上元素的绝对值尽量地拉开大小距离，增加因子载荷的差异性，提高因子的可解释性。最常用的因子旋转是最大方差法