探索性因子分析.pptVIP

因子分析介绍1探索性因子分析的基本理论2探索性因子分析的结构及步骤34目录实例演示因子分析

概念01用于分析影响变量、支配变量的共同因子有几个且各因子本质为何的一种统计方法。它是一类降维的相关分析技术，用来考察一组变量之间的协方差或相关系数结构，并用以解释这些变量与为数较少的因子之间的关联。02基本思想03通过分析变量间的相关系数矩阵内部结构，将原变量进行重新组合，利用数学工具将众多的原变量组成少数的独立的新变量。04探索性因子分析法（ExploratoryFactorAnalysis，EFA）是一项用来找出多元观测变量的本质结构、并进行处理降维的技术。1特点：利用因子分析来确定因子个数——降维完全依赖资料数据2所有的公共因子都相关(或都不相关);所有的公共因子都直接影响所有的观测变量;特殊(唯一性)因子之间相互独立;所有观测变量只受一个特殊(唯一性)因子的影响;公共因子与特殊因子(唯一性)相互独立。主要包括:探索性因子分析的理论假设探索性因子分析基本原理探索性因子分析模型的一般表达式为其中，Xn表示观测变量，FM代表公因子，它是各个观测变量所共有的因子，解释变量之间的相关；Un代表特殊因子，它是每个观测变量所特有的因子，只对一个原始变量起作用；WM代表因子载荷，是每个变量在公因子上的相关系数；而en代表了每一观测变量的随机误差。忽略特殊因子，可以使用主成分分析法进行因子分析探索性因子分析模型寻求基本结构,解决多元统计分析中的变量间强相关问题01数据化简，将具有错综复杂关系的变量综合为少数几个因子（不可观测的、相互独立的随机变量）02发展测量量表03探索性因子分析主要应用于三个方面应用范围探索性因子分析——步骤收集观测变量因子旋转解释因子结构计算因子得分做进一步的研究，如聚类分析、评价特征值大小、因子累计贡献率、碎石图确定因子个数判断是否适合作因子分析构造相关矩阵便于对因子结构进行合理解释提取因子010203判断变量是否适合做因子分析1.KMO（Kaiser-meyer-olkin）检验KMO统计量是用来比较各变量间简单相关系数和偏相关系数的大小。在0~1之间取值，越接近1，越适合作因子分析。2.巴特利特球形检验巴特利特球形检验原假设H0为：相关阵是单位阵，既各变量各自独立。3.反映象相关矩阵检验反映象相关矩阵检验是将偏相关系数矩阵的每个元素取反得到的。如果变量中确实能够提取出公共因子，那么偏相关系数必然很小，则反映象相关矩阵中的有些元素的绝对值比较大，则说明这些变量可能不适合作因子分析。确定因子个数主成分分析的主要统计量特征根可以看成是表示公因子影响力度大小的指标，一般取特征值大于1的成分作为主成分，特征根小于1，不引入特征根根据累计贡献率达到的百分比确定公因子的累积方差贡献率确定因子个数的方法（一）确定因子个数的方法（二）实际上累积贡献率是一个次要指标。主要指标是特征值,在前一指标达到的情况下，只要累计贡献率不是太差都可以接受。即使70%也不是太大的问题。实际处理中，很少碰到累计贡献率太低的情况，如果问卷设计和数据收集没有太大问题的前提下。确定因子个数的方法（三）碎石图碎石图是按特征值大小排列因子，横轴表示因子序号，纵轴表示特征值大小。假设变量是因子的纯线性组合，第一成分有较大的方差，后续成分其可解释的方差逐个递减。主成分分析法该方法不要求多元正态分布，给出参数估计。最大似然法公因子提取方法因子命名因子载荷阵显示了原始变量与各主成分之间的相关程度。根据他们的相关程度的大小，综合出各因子的含义。如果每个因子与原始变量相关系数没有很明显的差异，对因子命名就比较困难。Example因子分析的一个重要目的在于对原始变量进行分门别类的综合评价。如果因子分析结果保证了因子之间的正交性，但对因子不易命名，可以通过对因子模型的旋转，得到容易解释的结果。所谓旋转就是一种坐标变换。因子旋转的目的是为了便于理解和解释因子的实际意义,在旋转后的新坐标系中，因子载荷将得到重新分配，使得对公因子的命名和解释更加容易。因子旋转通常分为两类：正交旋转Varimax方差最大旋转，它使每个因子上的具有最高载荷的变量数最小，可简化对因子的解释。斜交旋转010302因子旋转（一）0102正交旋转的基本假定是,因子分析中被提取出来的因子之间是相互独立的,因子间并不相关。它的目的是要获得因子的简单结构,即使每个变量在尽可能少的因子上有较高的负载;而斜交旋转中,因子间的夹角是任意的,也就