因子分析分解.pptxVIP

因子分析的基本理论;因子分析的基本理论;因子分析的基本理论;因子分析的基本理论;因子分析的基本理论; （1） （2）;（3）;;因子分析的基本理论; 在各公共因子不相关的前提下， （载荷矩阵中第i行，第j列的元素）是随机变量xi*与公共因子Fj的相关系数，表示xi*依赖于Fj的程度。反映了第i个原始变量在第j个公共因子上的相对重要性。因此 绝对值越大，则公共因子Fj与原有变量xi的关系越强。;（2）共同度----又称共性方差或公因子方差（community或common variance）就是变量与每个公共因子之负荷量的平方总和（一行中所有因素负荷量的平方和）。变量 的共同度是因子载荷矩阵的第i行的元素的平方和。记为 从共同性的大小可以判断这个原始实测变量与公共因子间之关系程度。如因子分析案例中 共同度h12 = 0.8962 + 0.3412 = 0.919 特殊因子方差（剩余方差）----各变量的特殊因素影响大小就是1减掉该变量共同度的值。如 =1- 0.919 = 0.081 ;（3）特征值----是第j个公共因子Fj对于X*的每一分量Xi*所提供的方差的总和。又称第j个公共因子的方差贡献。即每个变量与某一共同因素之因素负荷量的平方总和（因子载荷矩阵中某一公共因子列所有因子负荷量的平方和）。 如因子分析案例中 F1的特征值 G=（0.896）平方+（0.802）平方+（0.516）平方+（0.841）平方+（0.833）平方=3.113 （4）方差贡献率----指公共因子对实测变量的贡献，又称变异量 方差贡献率=特征值G/实测变量数p，是衡量公共因子相对重要性的指标，Gi越大，表明公共因子Fj对X*的贡献越大，该因子的重要程度越高 如因子分析案例中 F1的贡献率为3.113/5=62.26% ;因子的基本内容;（3）因子旋转 通过正交旋转或斜交旋转使提取出的因子具有可解释性。 （4）计算因子得分 通过各种方法求解各样本在各因子上的得分，为进一步分析奠定基础。 ;2、因子分析前提条件——相关性分析： 分析方法主要有： （1）计算相关系数矩阵(correlation coefficients matrix) 如果相关系数矩阵中的大部分相关系数值均小于0.3，即各变量间大多为弱相关，原则上这些变量不适合进行因子分析。 （2）计算反映象相关矩阵（Anti-image correlation matrix) ;（3）巴特利特球度检验（Bartlett test of sphericity ) 该检验以原有变量的相关系数矩阵为出发点，其零假设H0是：相关系数矩阵为单位矩阵，即相关系数矩阵主对角元素均为1，非主对角元素均为0。（即原始变量之间无相关关系）。 ;（4）KMO(Kaiser-Meyer-Olkin)检验 KMO检验的统计量是用于比较变量间简单相关系数矩阵和偏相关系数的指标，数学定义为： KMO值越接近1，意味着变量间的相关性越强，原有变量适合做因子分析；越接近0，意味变量间的相关性越弱，越不适合作因子分析。 Kaiser给出的KMO度量标准：0.9以上非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。 ;3、因子提取和因子载荷矩阵的求解： 因子载荷矩阵求解的方法： （1）基于主成分模型的主成分分析法 （2）基于因子分析模型的主轴因子法 （3）极大似然法 （4）最小二乘法 （5）a因子提取法 （6）映象分析法;（1）基于主成分模型的主成分分析法Principal components ; 上式给出的?表达式是精确的，然而，它实际上是毫无价值的，因为我们的目的是寻求用少数几个公共因子解释，故略去后面的p-m项的贡献，有：; 上式有一个假定，模型中的特殊因子是不重要的，因而从?的分解中忽略了特殊因子的方差。;（2）基于因子分析模型的主轴因子法Principal axis factoring 是对主成分方法的修正，假定我们首先对变量进行标准化变换。则 R=AA’+D R*=AA’=R-D 称R*为约相关矩阵，R*对角线上的元素是 ,而不是1。 ; 直接求R*的前p个特征根和对应的正交特征向量。得如下的矩阵：;当特殊因子 的方差已知：;4、因子旋转： 为什么要旋转因子？ 建立了因子分析数学目的不仅仅要找出公共因子以及对变量进行分组，更重要