怎样用做主成分分析和因子分析.pptVIP

*(2)总方差比例（FractionofTotalVariance）选择公因子个数m使得前m个特征值的和超过公因子总方差的某一门限值。这种方法多用于主成分分析方法，比较典型的是这些成分构成总方差的95%（Jackson,1993）。(3)MAP方法（MinimumAveragePartial）Velicer(1976)提出的最小平均偏相关(简称MAP)方法原理是：给定m个成分（m=0，1，…，p-1），计算偏相关系数平方的平均值，应保留因子的个数是使得平均值最小化的个数第55页，讲稿共108页，2023年5月2日，星期三*(4)分割线段（BrokenStick）分割线段模型的基本原理是：首先，计算离差矩阵中第j个最大特征值对方差的贡献度，然后计算从分割线段分布得到的相应的期望值。当前者超过后者时，所对应的j即为应该保留的因子个数（Jackson,1993）。(5)平行分析（ParallelAnalysis）平行分析模拟使用的数据与原始数据有着相同方差和观测值个数，是由随机生成器生成的独立随机变量数据集。计算模拟数据的Pearson协方差和相关矩阵及其特征值。只要原始数据的特征值超过模拟数据的对应值，相应的个数将作为保留因子数第56页，讲稿共108页，2023年5月2日，星期三*2．公共因子个数的大样本检验采用极大似然估计模型时，假设公共因子和特殊因子均服从正态分布，而正态分布的假定，可以帮助我们构造模型充分性的检验。设提取m个公共因子的模型成立，则检验m个公共因子的充分性等价于检验（13.2.27）对应的备择假设H1为Σ是任意其他的正定矩阵。第57页，讲稿共108页，2023年5月2日，星期三*在原假设成立的条件下可以构造下面的似然比统计量（13.2.28）其中Sn表示协方差矩阵的极大似然估计；，其中和分别表示L和?的极大似然估计量，而是的极大似然估计量。式（13.2.28）的统计量服从?2分布。特别的，Bartlett在1954年证明了-2ln?抽样分布的?2近似可以用多重因子（n-1-(2p+4m+5)/6）代替式（13.2.28）中的n。第58页，讲稿共108页，2023年5月2日，星期三*利用Bartlett修正，只要n和n-p大，若（13.2.29）则在显著性水平?下拒绝原假设H0，认为m个因子是不充分的。式（13.2.29）表示的?2统计量也称为Bartlett?2统计量。由于式（13.2.29）中的自由度必须大于0，进一步化简可以得到（13.2.30）在选择m时，必须根据上述方法进行判断模型的充分性。第59页，讲稿共108页，2023年5月2日，星期三*例13.2纽约股票交易所股票收益率的因子分析（1）曾有学者研究了纽约票股交易所的5只股票（阿莱德化学（allied）、杜邦(dupont)、联合碳化物(union)、埃克森(exxon)和德士古(texaco)）从1975年1月到1976年12月期间周回报率之间的关系（数据见本章附录）。周回报率定义为（本周五收盘价-上周五收盘价）/上周五收盘价，如有拆股或支付股息时进行相应调整。连续100周的观测值表现出独立同分布，但是各股之间的回报率受总体经济状况的影响，也存在相关关系。表13.2给出各指标的相关矩阵。第60页，讲稿共108页，2023年5月2日，星期三*表13.2各指标的相关矩阵allieddupontunionexxontexacoallied1.000.580.510.390.46dupont0.581.000.600.390.32union0.510.601.000.440.43exxon0.390.390.441.000.52texaco0.460.320.430.521.00从表13.2可以看出各股收益率之间存在一定的相关性，本例采