因素分析的因素组型矩阵.pptVIP

**藉著因素分析法，由九個彼此相關的變數中萃取出其背後真正影響結果。此三個主要因素：*回想做過的一些心理或性向測驗，這些測驗的問卷題目，很多是彼此相關的問題,而主試者在回收問卷資料後將資料加以整理分析，找出背後有那些共同因素影響受試者的答案。*PurposeofFactorAnalysisReducethenumberofvariables(datareduction)Detectstructureintherelationshipbetweenvariables(summarization)**受試者的保守性會直接影響他們對墮胎問題、兩性關係的看法。或是自信心影響他們在處理人際關係，面對困難的態度。希望能用某些因素來表現出來。

*主成份分析所著重的在於如何「轉換」原始變項使之成為一些綜合性的新指標，而其關鍵在「變異數」問題。因素分析重視的是如何解釋變數之間的「共變異數」（covariance）問題，因每一位受試者的反應變量均為一些「共同因素變量」和「唯一因素變量」的線性函數。*Ex:若能找出F1,F2,F3使得**因素分析法之步驟選擇所欲分析的變數準備相關矩陣，估計共同性決定因素的數目從相關矩陣中抽取共同因素旋轉因素，增加變項與因素之間關係的解釋結果解釋(自行判斷)

*因素轉軸的方法轉軸的原則旨在能符合Thurstone（1947）的「簡單結構」，即在於經過轉軸後的因素矩陣中每一個變數都只歸於一個或少數幾個因素上，使矩陣中零或接近於零的因素負荷量增多，以減低因素的複雜性，使因素的解釋由繁雜趨向簡單。*Ex:學生測驗的課程包括:數學(M),物理(P),化學(C),英文(E),歷史(H),法文(F).假設:從學生的學科成績中,能找出智商的一般方程式. M=0.8I+AmP=0.7I+ApC=0.9I+AcE=0.6I+AeH=0.5I+AhF=0.65I+Af其中:I:共同因素(無法觀察,需藉由因素分析萃取)Aj:獨特因素*當獨特性越ej高時,越不易被Yi因素解釋或代表,與其他變異數容易格格不入,可考慮刪除ej高的變數,以提高Yi解釋能力*一因子的輸出結果變數共通性獨特性圖案負荷值?i結構負荷值分享的變異數M0.640.360.80.80.64P0.490.510.70.70.49C0.810.190.90.90.81E0.360.640.60.60.36H0.250.750.50.50.25F0.4230.5770.650.650.423*圖案負荷值?i(Pattonloading):表個別變數xi被共通因素(潛伏因素)解釋的程度.一般以係數值大於0.4稱為顯著.(回歸係數)結構負荷值(structuralloading):為共通因素(潛伏因素)命名.因素分析所產生的共通因素(潛伏因素)不具意義,需經由自行命名,才能賦予個別的意義.分享的變異數(Sharevariance):Pattonloading的平方,即(?i)2*Ex:以下分別用主成份因素分析(PrincipalComponentAnalysis)與主軸因素分析(PrincipalAxisAnalysis)來討論同一例子.*主成份因素分析(PrincipalComponentAnalysis)假設沒有獨特性為前提主成分個數等於共通性個數*?1=0.368M+0.391P+0.372C+0.432E+0.422H+0.456F?2=0.510M+0.409P+0.383C-0.375E-0.421H-0.329F?3=-0.267M-0.486P+0.832C-0.022E-0.003H-0.023F?4=0.728M-0.665P-0.152C+0.065E+0.012H+0.035F?5=0.048M-0.005P-0.003C-0.742E+0.667H+0.054F?6=0.042M+0.39P+0.024C+0.343E+0.447H-0.842F第i個主成分(?i)的變異數是?i,而PCA之因數的變異數為1,故上述的數學式可改寫為*?1/?3.367=0.368M+0.391P+0.372C+0.432E+0.422H+0.456F即標準