中国传媒大学-市场调查与预测-课件-第十一章主成分分析与因子分析.pptVIP

【本章学习目的】 通过对本章的学习理解主成分分析的基本理论；掌握用 SPSS 软件求解主成分的方法； 了解因子分析的基本理论；掌握求解因子的方法步骤；能够用 SPSS 软件进行因子分析， 并能正确理解系统输出结果。 第十一章 主成分分析与因子分析 第一节 主成分分析与因子分析概述 第二节 主成分分析与因子分析的统计原理 第三节 主成分分析与因子分析实例 主要内容 第一节?主成分分析与因子分析概述 问题发现：在对某一事物进行实证研究时，为了更全面、准确地反映事物的特征及其发展规律，人们往往要考虑与其有关系的多个指标，这些指标在多元统计中也称为变量。这样就产生了如下问题：一方面人们为了避免遗漏重要的信息而考虑尽可能多的指标，另一方面考虑指标的增多增加了问题的复杂性，同时由于各指标均是对同事物的反映，不可避免地造成信息的大量重叠，这种信息的重叠有时甚至会抹杀事物的真正特征与内在规律。 主成分分析正是研究如何通过原来变量的少数几个线性组合来解释原来变量绝大多数信息的一种多元统计方法。 一、主成分分析的基本思想 第一节?主成分分析与因子分析概述 主成分：通过对原始变量相关矩阵或协方差矩阵内部结构关系的研究，利用原始变量的线性组合形成几个综合指标（主成分），在保留原始变量主要信息的前提下起到降维与简化问题的作用，使得在研究复杂问题时更容易抓住主要矛盾。 主成分与原始变量之间有如下基本关系： 1.每个主成分都是各原始变量的线性组合； 2.主成分的数目大大少于原始变量的数目； 3.主成分保留了原始变量绝大多数信息； 4.各主成分之间互不相关。 一、主成分分析的基本思想 第一节?主成分分析与因子分析概述 问题发现：人们在研究实际问题时，往往希望尽可能多地收集相关变量，以期望对问题有比较全面、完整的把握和认识。例如，企业综合评价研究中，可能会收集诸如盈利能力、负债能力、运营能力等方面的经济指标数据。这些数据在带来有关信息的同时，也给数据的分析带来了一定的困难：这众多的变量之间可能存在着或多或少的相关性，实际观测到的数据包含的信息有一部分可能是重复的。 因子分析：在尽可能不损失信息或者少损失信息的情况下，将多个变量减少为少数几个因子的方法。这几个因子可以高度概括大量数据中的信息，这样，既减少了变量个数，又同样能再现变量之间的内在联系。 二、因子分析的基本思想 第一节?主成分分析与因子分析概述 主成分分析(principal component analysis, PCA)是把原来多个变量转换为少数几个综合指标的一种统计分析方法。 因子分析(factor analysis)是一种数据简化的技术。它通过研究众多变量之间的内部依赖关系,探求观测数据中的基本结构,并用少数几个假想因子来表示其基本的数据结构。 主成分分析不要求明确的理论指导,属于探索性工具;而因子分析常常是在有明确理论指导或明确假设时对理论进行验证,故属于验证性工具。 三、主成分分析与因子分析的概念 第二节?主成分分析与因子分析的的基本原理 一、主成分分析的统计原理 主成分分析的本质是坐标的旋转变换，将原始的 n 个变量进行重新的线性组合，生成 n 个新的变量，它们之间互不相关，称为 n 个“成 分”。同时按照方差最大化的原则，保证第一个 成分的方差最大，然后依次递减。这 n 个成分是 按照方差从大到小排列的，其中前 m 个成分可能 就包含了原始变量的大部分方差（及变异信息）。 那么这 m 个成分就成为原始变量的“主成分”， 它们包含了原始变量的大部分信息。 注意：得到的主成分不是原始变量筛选后的 剩余变量，而是原始变量经过重新组合后的“综 合变量”。 第二节?主成分分析与因子分析的的基本原理 案例： 用最简单的二维数据来直观的解释主成分分析的原理。假设现在有两个变量X1、X2，在坐标上画出散点图如下： 可见，x1、x2之间存在相关关系，如果我们将坐标轴整体逆时针旋转45度，变成新的坐标系Y1、Y2。 第二节?主成分分析与因子分析的的基本原理 案例： 根据坐标变化的原理，我们可以算出： Y1=sqrt(2)/2* X1+sqrt(2)/2* X2 Y2=sqrt(2)/2* X1-sqrt(2)/2* X2 其中sqrt（x）为x的平方根。 通过对X1、X2的重新进行线性组合，得到了两个新的变量Y1、Y2。 此时，Y1、Y2变得不再相关，而且Y1方向变异（方差）较大，Y2方向的变异（方差）较小，这时我们可以提取Y1作为X1、X2的主成分，参与后续的统计分析，因为它携带了原始变量的大部分信息。 至此我们解决了两个问题：降维和消除共线性。 对于二维以上的数据，就不能用上面的几何图形直观的表示了，只能通过矩阵变换求解，但是本质思想是一样的。 第二节?主成分分析