因子分析法预测.pptVIP

百米跑成绩X1 跳远成绩X2 铅球成绩X3 跳高成绩X4 400米跑成绩X5 百米跨栏X6 铁饼成绩X7 撑杆跳远成绩X8 标枪成绩X9 1500米跑成绩X10 奥运会十项全能运动项目 得分数据的因子分析 第六十页，共一百一十二页，2022年，8月28日 因子载荷矩阵可以看出，除第一因子在所有的变量在公共因子上有较大的正载荷，可以称为一般运动因子。其他的3个因子不太容易解释。似乎是跑和投掷的能力对比，似乎是长跑耐力和短跑速度的对比。于是考虑旋转因子，得下表 第六十一页，共一百一十二页，2022年，8月28日 通过旋转,因子有了较为明确的含义: X1百米跑,X2跳远和X5 400米跑，需要爆发力的项目在F1有较大的载荷, F1可以称为短跑速度因子； X3铅球, X7铁饼和 X9 标枪在 F2上有较大的载荷,可以称为爆发性臂力因子； X6百米跨栏, X8撑杆跳远，X2跳远和X4跳高在F3上有较大的载荷，F3爆发腿力因子； F4 长跑耐力因子 第六十二页，共一百一十二页，2022年，8月28日 设对研究对象的n个样品测试了p个变量x1, x2, … , xp，可认为这p个变量共同起因于m因子(即因素) F1, F2, … , Fm. 假定这m个公因子(可理解为新的变量)对每个指标(变量)的影响或作用是线性的(我们总是讨论线性模型)，那么，因子分析模型可以表示为： 二、R型因子分析的数学提法 第六十三页，共一百一十二页，2022年，8月28日 YOUR SITE HERE 称为因子模型。 矩阵形式 第六十四页，共一百一十二页，2022年，8月28日 YOUR SITE HERE (1) x = (x1, x2, …, xp)是可观测随机向量，均值向量E(x)=0，协方差阵 Cov(X)=∑，且协方差阵∑与相关矩阵Ｒ相等（因子分析通常要先对观测资料数据作标准化处理）； (2) F= (F1, F2, …, Fm)’ (mp)是不可测的向量，其均值向量E(F)=0，协方差矩阵 Cov(F) = I，即向量的各分量是相互独立的; (3) ε = (ε1, ε2,…, εp)’与F相互独立Cov(F,ε)=0，且E(ε)=0, e的协方差阵∑是对角阵，即各分量e之间是相互独立的。 假定条件 第六十五页，共一百一十二页，2022年，8月28日 YOUR SITE HERE 因子载荷 第i个变量在第j个公因子上的载荷 A中元素aij称为 第六十六页，共一百一十二页，2022年，8月28日 YOUR SITE HERE 主成分模型 特征向量约束条件 从而，每个原始变量亦可用各主成分F1,F2,…,Fp的线性组合来表示 实际上，我们不需要p个主成分，按累积方差贡献取前m个主成分。 从主成分分析模型到因子分析模型 第六十七页，共一百一十二页，2022年，8月28日 YOUR SITE HERE 这m个主成分对应的数据矩阵就是将特征向量矩阵剖分成： (i=1,2,…,p) 于是 使得模型中FA和FB因子中各变量都是标准化，即均值为0，方差为1，可得R型因子模型： 从主成分分析模型到因子分析模型 第六十八页，共一百一十二页，2022年，8月28日 YOUR SITE HERE 称为因子模型。 矩阵形式 因子分析——二、R型因子分析的数学提法 公因子、公共因子或潜因子 特殊因子唯一因子 原始观测变量 共性 个性 第六十九页，共一百一十二页，2022年，8月28日 YOUR SITE HERE 因子载荷 第i个变量在第j个公因子上的载荷 A中元素aij称为 略去特殊因子部分，因子分析的简化模型 (mp) 第七十页，共一百一十二页，2022年，8月28日 YOUR SITE HERE 三、因子载荷矩阵的求解 方法一：主成分法 方法二：极大似然法 （在多元正态分布的假定下） 第七十一页，共一百一十二页，2022年，8月28日 YOUR SITE HERE 四、与因子载荷矩阵的统计意义 （1）因子载荷aij的统计意义 aij——第i个变量在第j个公因子上的载荷； lij——由相关矩阵R提取的第j个公因子之特征值(j=1,2,...,m)所对应的特征向量在第i个分量。 因子载荷求解公式： ( 注意: E(Fj)=0, Var(Fj)=1 ) aij——是变量xi与Fj的协方差，也是xi与Fj的相关系数（依赖程度）。第i个变量在第j个公因子上的重要性（权重）。 aij 的绝对值越大(|aij|≤1)，表明 xi 与 Fj的相依程度越大， 或称公共因子Fj 对于xi的载荷量越大。 公因子F的实际含义，这可以通过各变量在公因子上载荷的符号与绝对值的大小来描述。 第七十二页，共一百一十二页，2022年，8月28日 YOUR SIT