因子分析方法.ppt

因子分析方法;因子分析的根本概念

;因子分析的根本模型

;因子分析最常用的理论模式如下：

〔j=1,2,3…,n，n为原始变量总数〕

〔1〕Zj为第j个变量的标准化分数；

〔2〕Fi〔i=1,2,…,m〕为共同因素；

〔3〕m为所有变量共同因素的数目；

〔4〕Uj为变量的唯一因素；

〔5〕aij为因素负荷量。;

用矩阵的形式表示为Z=AF+U

F称为因子，由于它们出现在每个原始变量的线性表达式〔原始变量可以用Xj表示，这里模型中实际上是以F线性表示各个原始变量的标准化分数Zj〕，因此又称为公共因子.

A称为因子载荷矩阵，aji称为因子载荷，是第j个原始变量在第i个因子上的负荷。

U称为特殊因子，表示了原有变量不能被因子解释的局部，其均值为0，相当于多元线性回归模型中的残差。;因子分析的特点;因子分析数学模型中几个相关概念

;2、变量共同度〔共同性〕

一个因子解释的是相关矩阵的方差，变量的方差由共同因子和唯一因子组成，可以表示成h?+u2=1(h?表示共同度，u2表示特殊因子的平方)。

变量共同度就是指每个原始变量在每个共同因子的负荷量的平方和，是全部因子对变量方差解释说明的比例。变量共同度h?越接近1，说明因子全体解释说明了变量Zj的较大局部方差，如果用因子全体刻画变量，那么变量的信息丧失较少；共同性的意义在于说明如果用共同因子替代原始变量后，原始变量的信息被保存的程度。

特殊因子U的平方，反响了变量方差中不能由因子全体解释说明的比例，越小那么说明变量的信息丧失越少。;总之，变量的共同度刻画了因子全体对变量信息解释的程度，是评价变量信息丧失程度的重要指标。

如果大多数原有变量的变量共同度均较高〔如高于0.8〕，那么说明提取的因子能够反映原有变量的大局部信息〔80％以上〕信息，仅有较少的信息丧失，因子分析的效果较好。因子，变量共同度是衡量因子分析效果的重要依据。;3、因子的方差奉献〔特征值〕

因子的方差奉献〔特征值〕的数学定义为：。

该式说明，因子Fi的方差奉献是因子载荷矩阵A中第i列元素的平方和。因子Fi的方差奉献反映了因子Fi对原有变量总方差的解释能力???〔其解释方差的大小成为因子的特征值〕。

该值越高，说明相应因子的重要性越高。因此，因子的方差奉献和方差奉献率是衡量因子重要性的关键指标。;举例说明：

;因子分析的五大根本步骤

;第一步：因子分析的前提条件

;KMO

KMO测度的值越高〔接近1.0时〕，说明变量间的共同因子越多，研究数据适合用因子分析。通常按以下标准解释该指标值的大小：KMO值到达0.9以上为非常好，0.8～0.9为好，0.7～0.8为一般，0.6～0.7为差，0.5～0.6为很差。如果KMO测度的值低于0.5时，说明样本偏小，需要扩大样本。;第二步：取共同因子，确定因子的数目和求因子解的方法

;第三步：使因子更具有命名可解释性〔因子旋转〕

;因子旋转的方法

〔1〕方差最大正交旋转〔varimaxorthogonalrotation〕

根本思想：使公共因子的相对负荷〔lij/hi2〕的方差之和最大，且保持原公共因子的正交性和公共方差总和不变。

可使每个因子上的具有最大载荷的变量数最小，因此可以简化对因子的解释。

〔2〕斜交旋转

因子斜交旋转后，各因子负荷发生了较大变化，出现了两极分化。各因子间不再相互独立，而彼此相关。各因子对各变量的奉献的总和也发生了改变。

适用于大数据集的因子分析。;第四步：决定因素与命名

;第五步：计算各样本的因子得分

;谢谢欣赏