《因子分析》课件.pptxVIP

1第七章因子分析第一节引言第二节因子分析模型第三节因子模型参数的估计第四节公因子重要性的分析第五节实例分析与计算机实现

一般认为因子分析是从CharlesSpearman在1904年发表的文章《对智力测验得分进行统计分析》开始，他提出这种方法用来解决智力测验得分的统计方法。目前因子分析在心理学、社会学、医学、经济学等学科中都取得了成功的应用，是多元统计分析中典型方法之一。因子分析(factoranalysis)也是一种降维、简化数据的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个“抽象”的变量来表示其基本的数据结构。这几个抽象的变量被称作“因子”，能反映原来众多变量的主要信息。原始的变量是可观测的显性变量，而因子一般是不可观测的潜在变量。因子分析的目的，是用几个不可观测的“隐变量”来解释原始变量之间的协方差关系。

因子分析就是一种通过显性变量测评潜在变量，通过具体指标测评抽象因子的统计分析方法。在医学研究中有一些现象是难以直接观测的，通常称为不可测现象，它们只能通过其它多个可观测的指标来间接地反映。如脑部疾病患者的意识清醒状态是不可测现象，但可通过患者的语言能力、辩识能力、记忆能力、理解能力、思维的逻辑能力等一系列可观测的指标来反映。这里，由于各个指标都不同程度地反映了意识清醒状态这一不可测现象，因此这些不可测指标这之间呈现一定的相关性。很自然地，人们可以认为这些可观测指标之间的相关性主要是由它们所共同反映的不可测现象支配。0102

先看一个例子：观测5个生理指标X1（收缩压）、X2（舒张压）X3（心跳间隔）、X4（呼吸间隔）、X5（舌下温度）。从生理知识知道，这5个指标是受自主神经的交感神经和副交感神经支配的，而这交感神经和副交感神经又不可直接测。若用F1、F2分别表示交感神经和副交感神经这两个因子，则可设想，可测指标Xi是不可测因子Fj的线性函数，即Fj对各Xi的影响是线性的，再加上其它对这些Xi有影响因子ei，则各Xi与F1、F2的关系可表示为：

由于F1、F2为各Xi的公因子或共性因子（commonfactor),而ei只与相应的一个Xi有关，故ei称为Xi的特殊因子或个性因子（specificfactor)，我们感兴趣的是如何从一组观测数据出发，找出起支配作用的较少个数的公因子。

logo这二个公共因子可以表示为：是不可观测的潜在因子，5个变量共享这二个因子，所以称为公共因子。但是每个变量又有自己的个性，不被包含的部分，称为特殊因子。

在医学领域，描述疾病的影响因素和诊断的指标很多，过多的指标容易导致分析过程复杂化。一个合适的做法是从这些指标中提取少数几个主要因子，每一个主要因子都能反映相互依赖的疾病指标或诊断指标间共同作用，抓住这些主要因素就可以帮助我们对复杂的疾病危险因素或诊断问题进行深入分析、合理解释和正确评价。1再比如，调查青年对于婚姻、家庭的态度。邀请n个青年，每人回答p＝50的问卷，这些问题可归纳为如下方面：对相貌的重视；对老人的态度；对孩子的观点；等等。每一个方面，就是一个因子。2公司老板对48名应聘者进行面试，并给出他们在15个方面所得的分数，这15个方面是：X1简历的制作质量；X2外貌；X3专业能力；X4讨人喜欢；X5自信心；X6精明；X7诚实；X8推销能力；X9经验；X10积极性；X11抱负；X12理解能力；X13潜力；X14交际能力；X15适应性。通过因子分析，这15个方面归结为应聘者的五项能力：1、外露能力；2、讨人喜欢的程度；3、经验；4、专业能力；5、外貌。3

8主成分分析与因子分析有很大不同：主成分分析不能作为一个模型来描述，它仅仅是变量变换，主成分是可观测的原始变量的线性组合；而因子分析需要构造因子模型，公共因子一般不能表示为原始变量的线性组合。两者在表达形式上的区别是：主成分分析: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：潜在的假想变量（公共因子）和随机影响变量（特殊因子）的线性组合表示原始变量。从计算方法上来说，主成分分析，可以视为因子分析的一个特例；或者说，因子分析是主成分分析的推广。

因子模型形式上与线性回归模型很相似，但它们却有着本质的区别：回归分析模型中的自变量是可以被观测得到的真实变量；而因子分析中的因子是一个比较抽象的概念，是不可观测的“隐变量”；两个模型的参数意义不同。

因子分析的内容非常丰富，常用的因子分析类型是R型因子分析和Q型因子分析。R型的因子分析是对变量作因子分析，Q型因子分析是对样品作因子分析。本章侧重讨论R型因子分析。

三因子载荷阵的统计意义一因子分析的数学模型二因子模型