《多元统计分析及R语言》第9章因子分析.pptxVIP

问题提出主营业务利润率销售毛利率速动比率资产负债率主营业务收入增长率营业利润增长率冀东水泥33.834.750.6759.7715.4916.35大同水泥27.5428.042.3635.29-20.96-46.45四川双马22.8623.470.6142.835.48-49.22牡丹江 19.0519.95148.51-12.32-65.99西水股份20.8421.171.0848.4565.0954.81狮头股份28.1428.842.5124.52-6.43-15.94太行股份30.4531.131.0246.146.57-16.59海螺水泥36.2936.960.2758.3170.85117.59尖峰集团16.9417.260.6152.049.03-94.05问题：影响因素很多，采用什么方法寻找有限个不可观测的隐变量解释原始变量间的相关性？而不是原始变量的线性组合（主成份分析方法）第9章 因子分析9.1 因子分析思想9.2 因子分析模型9.3 因子载荷的估计与解释9.4 因子旋转方法9.5 因子得分计算9.6 因子分析步骤9.7 实际中如何进行因子分析9.1因子分析思想基本思想：是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。主成份与因子分析区别：主成分分析:是变量变换，原始变量的线性组合表示新的综合变量，即主成分；因子分析：构造因子模型,用潜在的假想变量和随机影响变量的线性组合表示原始变量。9.2 因子分析模型模型思想：将观测变量进行分类，将相关性较高的分在同一类，不同类变量之间相关性较低，每一类变量代表一个基本结构，即公共因子。用最少个数的不可测公共因子的线性函数与特殊因子之和描述原来观测每一分量。样本间相关关系：Q型因子分析分类变量间相互关系：R型因子分析基本结构：R型因子分析模型结构其中：X为可观测随机向量(标准化),E(X)=0,cov(X)=∑, F为不可测向量,E(F)=0,cov(F)=I ε独立且与F独立,E(ε)=0,cov(ε)=∑为对角阵 aij为因子载荷，表示第i个变量在第j个因子上 的相关系数矩阵形式：（1）因子载荷统计意义已知：E(X)=0,cov(X)=∑，E(F)=0,cov(F)=I ε独立且与F独立,E(ε)=0,cov(ε)=∑为对角阵标准化：取值：因子载荷aij 是xi 与Fj 的协方差和相关系数含义：表示xi依赖Fj的程度，可将aij看作第i个变量在第j个公共因子上的权数，绝对值越大，相依程度越大，即公共因子Fj对于xi的载荷量越大。aij按行平方和，即共同度hi2为：Xi标准差：（2）因子载荷的分解：变量共同度含义：表示全部公共因子对变量xi的影响。hi2大表明xi对于每一分量F1，F2，…，Fm的共同依赖程度大。aij按列平方和，即方差贡献gi2为：（3）因子载荷的分解：方差贡献含义：表示公共因子Fj对于x的每一分量xi(i=1,2,…,p)所提供方差的总和，gi2越大，贡献越大, 对x影响越大。9.3 因子载荷的估计与解释1、主因子估计法（1）X变量协方差阵∑的（正交矩阵）谱分解主因子估计法极大似然估计法其中：λ为x协方差阵∑的特征根，λ1…λp…0; ∧为λ组成的对角矩阵 μ为λ对应的标准正交化特征向量 因子个数=变量个数，且特殊因子方差为0（2）谱分解与因子载荷关系实际：公共因子数m 小于变量个数p，当最后p-m个特征根较小时，可省略，即：结论：因子载荷是谱分析部分，也是主成份系数。因子模型是描述原变量X协方差阵∑结构的一种模型，每个因子的相应系数不唯一，即因子载荷阵不是唯一的。2、极大似然估计法假设条件：公共因子F和特殊因子e服从正态分布假定条件：变量x1,x2,…,xm来自正态总体 Np(μ,∑)的随机样本,∑=AA+D,可以不考虑D.结论：当A’D-1A=∧(对角阵)，可以得到唯一A和D估计值，因子载荷A即为所求。极大似然估计法中对F和e正态分布条件较为苛刻，故估计效果较差。3.实证分析主营业务利润率销售毛利率速动比率资产负债率主营业务收入增长率营业利润增长率冀东水泥33.834.750.6759.7715.4916.35大同水泥27.5428.042.3635.29-20.96-46.45四川双马22.8623.470.6142.835.48-49.22牡丹江 19.0519.95148.51-12.32-65.99西水股份20.8421.171.0848.4565.0954.81狮头股份28.1428.842.5124.52-6.43-15.94太行股份30.4531.131.0246.146.57-16.59海螺水泥36.2936.960.2758.3170.85117.59