多元统计分析因子分析课件.pptVIP

第一节因子分析的基本思想

因子分析的基本思想因子分析是根据相关矩阵内部的依赖关系，把n一些具有错综复杂关系的变量综合为数量较少的几个因子。通过不同因子来分析决定某些变量的本质及其分类的一种统计方法。简单地说，就是根据相关性大小把变量分组，n使得同组内的变量之间相关性较高，不同组的变量相关性较低。每组变量代表一个基本结构，这个基本结构称为因子。2

例如某机关对其职员就以下6个方面进行考核，这6n个方面是职员的词汇、阅读、写作能力，以及数字、代数、微积分的运算能力。而这6个方面可归结为职员的语文能力和数学能力两个方面。3

例如某公司与48名申请工作的人进行面谈，然后就n申请人十五个方面进行打分，这十五个方面分别是：申请书的形式、外貌、学术能力、讨人喜欢的能力、自信心、洞察力、诚实、推销能力、经验、工作积极性、抱负、理解能力、潜力、入围公司的强烈程度、适应性。这15个方面可归结为应聘者的外露能力、讨人喜欢的能力、经验、专业能力这4个方面。4

因子分析(factoranalysis)是一种数据简化的技术。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，并用少数几个假想变量来表示其基本的数据结构。这几个假想变量能够反映原来众多变量的主要信息。原始的变量是可观测的显在变量，而假想变量是不可观测的潜在变量，称为因子。例如，在企业形象或品牌形象的研究中，消费者可以通过一个有24个指标构成的评价体系，评价百货商场的24个方面的优劣。5

但消费者主要关心的是三个方面，即商店的环境、商店的服务和商品的价格。因子分析方法可以通过24个变量，找出反映商店环境、商店服务水平和商品价格的三个潜在的因子，对商店进行综合评价。而这三个公共因子可以表示为：称是不可观测的潜在因子。24个变量共享这三个因子，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。6

注意：因子分析与回归分析不同，因子分析中的因子是一个比较抽象的概念，而回归因子有非常明确的实际意义。n主成分分析分析与因子分析也有不同，主成分分析仅仅是变量变换，而因子分析需要构造因子模型。n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。nn因子分析：潜在的假想变量和随机影响变量的线性组合表示原始变量。7

第二节因子分析模型一、数学模型设个变量，如果表示为8

称为公共因子，是不可观测的变量，他们的系数称为因子载荷。是特殊因子，是不能被前m个公共因子包含的部分。并且满足：即不相关；9

即互不相关，方差为1。10

即互不相关，方差不一定相等，。11

用矩阵的表达方式12

三、因子载荷矩阵中的几个统计特征1、因子载荷a的统计意义ij因子载荷是第i个变量与第j个公共因子的相关系数模型为根据公共因子的模型性质，有（载荷矩阵中第i行，第j列的元素）反映了第i个变量与第j个公共因子的相关性。绝对值越大，相关的密切程度越高。13

n因子载荷不是惟一的设T为一个p×p的正交矩阵，令A*=AT，，则模型可以表示为且满足因子模型的条件14

2、变量共同度的统计意义定义：变量的共同度是因子载荷矩阵的第i行的元素的平方和。记为统计意义：两边求方差所有的公共因子和特殊因子对变量的贡献为1。如果非常靠近1，非常小，则因子分析的效果好，从原变量空间到公共因子空间的转化性质好。15

3、公共因子方差贡献的统计意义因子载荷矩阵中各列元素的平方和称为所有的对的方差贡献和。衡量的相对重要性。16

第三节因子载荷矩阵的估计方法l主成分分析法设随机向量的均值为?，协方差为?,为?的特征根，为对应的标准化特征向量，则17

上式给出的?表达式是精确的，然而，它实际上是毫无价值的，因为我们的目的是寻求用少数几个公共因子解释，故略去后面的p-m项的贡献，有18

上式有一个假定，模型中的特殊因子是不重要的，因而从?的分解中忽略了特殊因子的方差。19

20

例假定某地固定资产投资率，通货膨胀率，失业率，相关系数矩阵为试用主成分分析法求因子分析模型。21

特征根为：22

可取前两个因子F1和F2为公共因子，第一公因子F1物价就业因子，对X的贡献率为51.67%。第二公因子F2为投资因子，对X的贡献为28.33%。共同度分别为1，0.706，0.706。23

第四节因子旋转（正交变换）（一）为什么要旋转因子因子分析的数学目的不仅仅要找出公共因子以及对变量进行分组，更重要的要知道每个公共因子的含义，以便进行进一步的分析。如果每个公共因子的含义不清，则不便于进行实际背景的解释。由于因子载荷阵是不惟一的，所以应该对因子载荷阵进行旋转。目的是使因子载荷阵的结构简化，使载荷矩阵每列或行的元素平方值向0和1两极分化。主要的正交旋转法有方差最大法和四次方最大法。24

奥运会十项全能运动