第十因子分析.pptxVIP

第十因子分析;10、1 因子分析概述;因子分析得特点 1、因子个数远远少于原有变量得个数; 2、因子能够反应原有变量得绝大部分信息; 3、因子之间不存在线性关系; 4、因子具有命名解释性。;10、1、2因子分析得数学模型与相关概念 数学模型 假设原有变量有p个,分别用 表示,且每个变量得均值就是0,标准差就是1,现将每个原有变量用k(kp)个因子 得线性组合来表示,即:; 在这个数学模型中,F称为公共因子,因为它出现在每个变量得线性表达式中,简称因子。因子可理解为高维空间中互相垂直得k个坐标轴;A称为因子载荷矩阵, 称为因子载荷,就是第i个原始变量在第j个因子上得负荷; 称为特殊因子,表示原始变量不能被因子解释得部分。其均值为0,相当于多元线性回归模型中得残差。 因子分析得几个相关概念 1、因子载荷 在因子不相关得前提下,因子载荷就是第i个变量与第j个因子得相关系数。因子载荷越大说明因子与变量得相关性越强,所以因子载荷说明了因子对变量得重要作用与程度。 ; 2、变量共同度 变量共同度也称为公共方差。第i个变量得共同度定义为因子载荷矩阵中第i行元素得平方与,即: 3、因子得方差贡献 因子方差贡献就是因子载荷矩阵中第j列元素得平方与,反映了第j个因子对原有变量总方差得解释能力。该数值越高,说明相应因子得重要性越高。;10、2 因子分析得基本内容;10、2、2因子分析得前提条件 1、计算相关系数并进行统计检验 如果相关系数矩阵中得大部分相关系数小于0、3,那么这些变量不适合进行因子分析。 2、计算反映象相关矩阵; 3、Bartlett’s球度检验 以原有变量得相关系数矩阵为出发点,假设相关系数为单位矩阵,如果该检验对应得P值小于给定得显著性水平a,则应拒绝原假设,认为原有变量适合进行因子分析。 4、KMO检验 该统计量取值在0-1之间,越接近于1说明变量间得相关性越强,原有变量适合做因子分析。0、9以上表示非常合适;0、8-0、9表示合适;0、7-0、8表示一般;0、6-0、7表示尚可;0、5-0、6表示不太合适;0、5以下表示极不合适。 ;10、2、3因子提取与因??载荷矩阵得求解 因子载荷矩阵得求解一般采用主成分法。主成份分析法通过坐标变换得手段,将原有得p个变量标准化后进行线性组合,转换成另一组不相关得变量y,即:;式中得系数按以下原则进行求解: (1) (2) 根据以上原则确定得变量依次为原始变量得第1、第2…第p个主成分。其中第一个主成分在总方差中所占比例最大,其余主成分在总方差中所占比例依次递减,即主成分综合原始变量得能力依次减弱。在主成份得实际应用中,一般只选取前面几个主成分即可,这样既减少了变量得数目,又能够用较少得主成分反映原始变量得绝大部分信息。;12; 可见,主成分分析关键得步骤就是如何求出上述方程中得系数。通过方程得推导可以发现,每个方程中得系数向量就是原始变量相关系数矩阵得特征值对应得特征向量。具体求解步骤如下: (1)将原有变量进行标准化处理; (2)计算变量得相关系数矩阵; (3)求相关系数矩阵得得特征根 及对应得特征向量 ; 因子分析利用主成分分析得到得p个特征根与对应得特征向量,在此基础上计算因子载荷矩阵: 由于因子分析得目得就是减少变量个数,因此在计算因子载荷矩阵时,一般不选取所有特征值,而只选取前k个特征值与特征向量,得到下面包含k个因子得因子载荷矩阵: ;因子个数得确定方法: (1)根据特征根确定因子数:一般选取大于1得特征根,还可规定特征根数与特征根值得碎石图并通过观察碎石图确定因子数; (2)根据因子得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%得特征根个数为因子个数。 ;例: 成绩数据(student、sav);从本例可能提出得问题;例中得得数据点就是六维得;也就就是说,每个观测值就是6维空间中得一个点。我们希望把6维空间用低维空间表示。 先假定只有二维,即只有两个变量,它们由横坐标与纵坐标所代表;因此每个观测值都有相应于这两个坐标轴得两个坐标值;如果这些数据形成一个椭圆形状得点阵,那么这个椭圆有一个长轴与一个短轴。在短轴方向上,数据变化很少;在极端得情况,短轴如果退化成一点,那只有在长轴得方向才能够解释这些点得变化了;这样,由二维到一