教育与心理统计因素分析讲课文档.pptVIP

教育与心理统计因素分析;;第二节因子分析的类别

一、R型因子分析与Q型因子分析

R型因子分析是针对变量所做得因子分析，其基本思想是通过对变量的相关系数矩阵内部结构的研究，找出能够控制所有变量的少数几个随机变量去描述多个随机变量之间的相关关系。但这少数几个随机变量是不能直接观测的，通常称为因子。然后再根据相关性的大小把变量分组，使同组内的变量之间的相关性较高，不同组变量之间的相关性较低。Q型因子分析是针对样品所做的因子分析。;二、探索性因子分析与验证性因子分析

1、探索性因子分析(EFA)就是指传统的因子分析。在典型的EFA中，研究者通过共变关系的分解，找出共同因子，然后进一步探讨这些共同因子与个别变量的关系，找出观察变量与其相对应因子之间的强度，以说明因子与所属的观察变量的关系，决定因子的内容，为因子取一个合适的名字。;由于传统的因子分析企图找出最少的因子来代表所有的观察变量，因此研究者必须在因子数目与可解释变异量两者间寻找平衡点。因为因子分析至多可抽取出相等于观察变量总数的因子数目，这样，虽可解释全部100％的变异，但失去因子分析找寻因子结构的目的，但如果研究者企图以少数几个较明显的因子来代表所有的项目，势必将损失部分可解释变异来作为代价。;2、验证性因子分析（CFA）要求研究者对于潜在变量的内容与性质，在测量之初就必须有非常明确的说明或有具体的理论基础，并已先期决定相对应的观察变量的组成模式，进行因子分析的目的是为了检验这一先期提出的因子结构的适合性。;三、因子分析基本思想、模型与条件

1、因子与因子负荷

因子分析发展最初目的是在简化一群庞杂的测量，找出可能存在于观察变量背后的因子结构，使之更为明确，增加其可理解性。因子分析的基本假设是那些不可观测的“因子”隐含在许多现实可观察的事物背后，虽然难以直接测量，但可以从复杂的外在现象中计算、估计或抽取得到。;因子分析运算的过程，与回归分析类似。为了进行因子分析，必须假定每一测试的分数都符合正态分布，对于一个给定的被试，每一测试分数都是它在一组或因子上的分数再加上该因子测试特有成分的线性组合。即Xij＝bj1Fi1＋bj2Fi2＋……＋bjmFim＋ij。其中Xij是第i个被试在第j个子测试中的分数值，Fik是同一被试在第k个维度上的“分数”。ij是Xij的一部分，它不能用普通的维度来说明，可以认为是第j个测试中的特殊量。该因子等式可写成更简单的形式：Xj＝bj1F1＋bj2F2＋……＋bjmFm＋j。这个等式的意思是“第j个子测试的分数是在公共因子F1,F2,…,Fm上的分数加一个特殊因子所贡献的j线性组合”。bjk是第k个因子在第j个子测试分数中的负荷，又称为因子分数系数。;;第三节因素分析的原理与过程;

2关系

;二、计算过程

1、计算相关矩阵

因子分析的基础是变量之间的相关。因子分析的第一步是计算各个题目之间的两两相关。;;;;;;;;;;4、转轴方法

在因素抽取上，通常最初因素抽取后，对因素无法做有效解释，转轴的目的就在于改变题项在各因素的负荷量的大小，转轴时根据题项与因素结构关系的密切程度，调整各因素负荷量的大小，转轴后，大部分题项在每个共同因素中有一个差异较大的因素负荷量。

说明：※因素旋转的目的是寻找一个“最简结构”，即经过使得：①在K个因素上所有原变量变异矢量的投影（又称因素负荷）都尽可能都是正的；②取值为零的因素负荷的数目尽可能地多。;※寻找一个“最简结构”的目的，为了能够更加逻辑合理地辨识因素并且为它们命名。

（1）正交旋转正交，指旋转过程中，因子之间的轴线夹角为90度，即因子之间的相关设定为0。有最大变异法，四方最大法，均等变异法。

（2）斜交旋转：先求得在正交因素模型下的因素负荷矩阵B，然后对因素负荷矩阵A作斜交变换T*，求得斜交负荷矩阵A*=BT*。这种方法因子与因子之间具有一定的相关性。有最小斜交法，最大斜交法和四方最小法。;;;;;第四节探索性因素分析的拓展;;探索性因素分析与验证性因素分析模型假设的区分:;验证性因素分析的假设:

（1）公共因素之间可以相关也可以无关

（2）观测变量可以只受某一个或几个公共因素的影响而不必受所有公共因素的影响

（3）特殊因素之间可以有相关，还可以出现不存在误差因素的观测变量

（4）公共因素和特殊因素之间相互独立

（5）观测变量与潜变量之间的关系事先假定的；

（6）潜在变量的个数在数据分析前确定的

（7）模型通常要求是可识别的;;2、下面是对8个项目作主成分分析，然后进行旋转后的因素载荷矩阵：

因素I因素II因素III因素IV

项目1.81.05.20.13

项目2.78.21.01.12

项目3.65-.04