因子分析法详细步骤

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

可编辑ppt
22
七、因子分析应用实例
可编辑ppt
ቤተ መጻሕፍቲ ባይዱ
23
八、因子分析应用的注意事项
• 应用条件 (1)变量是计量的,能用线性相关
系数(Pearson积叉相关系数)表 示。 (2)总体的同质性
可编辑ppt
24
• 样本量 没有估计公式。至少要保证样本相
关系数稳定可靠。
• 因子数目 一般认为,累积贡献要达到80%以
(factor)
可编辑ppt
3
• e=(e1,e2,…,ep)’为特殊因子 (specific factor)
f和e均为不可直接观测的随机变量
• μ=(μ1,μ2,…,μp)’为总体x的均值 • A=(aij)p*m为因子负荷(载荷)
(factor loading)矩阵
可编辑ppt
4
通常先对x作标准化处理,使其均值为零, 方差为1.这样就有
可编辑ppt
8
三、因子分析的步骤
• 输入原始数据xn*p,计算样本均值和方 差,进行标准化计算(处理);
• 求样本相关系数矩阵R=(rij)p*p;
• 求相关系数矩阵的特征根λi (λ1,λ2,…,λp>0)和相应的标准正交的 特征向量li;
可编辑ppt
9
• 确定公共因子数; • 计算公共因子的共性方差hi2; • 对载荷矩阵进行旋转,以求能更好地
可编辑ppt
16
• Heywood现象 • 残差矩阵
可编辑ppt
17
五、因子旋转
• 目的:使因子负荷两极分化,要么 接近于0,要么接近于1。
• 常用的旋转方法:
可编辑ppt
18
(1)方差最大正交旋转(varimax
orthogonal rotation)
• 基本思想:使公共因子的相对负荷 (lij/hi2)的方差之和最大,且保持原 公共因子的正交性和公共方差总和不 变。
• x的方差可表示为
设V a r(x i) 1 a i2 1 a i2 2 a i2 m i
h i2a i2 1a i2 2 a i2 m
可编辑ppt
6
(1)hi2是m个公共因子对第i个变 量的贡献,称为第i个共同度 (communality)或共性方差, 公因子方差(common variance)
设原变量的相关矩阵为R=(rij),其逆 矩阵为R-1=(rij)。各变量特征方差 的初始值取为逆相关矩阵对角线元 素的倒数,δi’=1/rii。则共同度 的初始值为(hi’)2=1- δi’=1-1/rii。
可编辑ppt
14
以(hi’)2代替相关矩阵中的对角线上的元素, 得到约化相关矩阵。
(h1’)2 r12 … r1p
上。但要注意Heywood现象。
可编辑ppt
25
谢谢!
可编辑ppt
26
可编辑ppt
20
六、因子得分
• Thomson法,即回归法
回归法得分是由Bayes思想导出的,得 到的因子得分是有偏的,但计算结果 误差较小。
可编辑ppt
21
• Bartlett法
Bartlett因子得分是极大似然估计,也是 加权最小二乘回归,得到的因子得分 是无偏的,但计算结果误差较大。
• 因子得分可用于模型诊断,也可用作 进一步分析的原始资料。
解释公共因子;
• 对公共因子作出专业性的解释。
可编辑ppt
10
四、因子分析提取因子的方法
• 主成分法(principal component
factor)
aij jlji
i 1,2,..., p; j 1,2,...,m
可编辑ppt
11
每一个公共因子的载荷系数之平方和 等于对应的特征根,即该公共因子的 方差。
p
j
ai2j
g
2 j
i1
可编辑ppt
12
• 极大似然法(maximum likelihood factor)
假定原变量服从正态分布,公共因 子和特殊因子也服从正态分布,构 造因子负荷和特殊方差的似然函数, 求其极大,得到唯一解。
可编辑ppt
13
• 主因子法(principal factor)
(2)δi称为特殊方差(specific variance),是不能由公共因子解 释的部分
可编辑ppt
7
• 因子载荷(负荷)aij是随机变量xi与 公共因子fj的相关系数。
•设
p
g
2 j
a
2 ij
i1
j 1, 2,..., m
称gj2为公共因子fj对x的“贡献”,是 衡量公共因子fj重要性的一个指标。
因子分析
可编辑ppt
1
一、前言
• 变量的相关性
公共因子?
• 将多个实测变量转换成少数几 个不相关的综合指数
可编辑ppt
2
二、因子分析模型
一般地,设X=(x1, x2, …,xp)’为可观 测的随机变量,且有
X ii a i1 f1 a i2 f2 a im fm e i
• f=(f1,f2,…,fm)’为公共(共性)因子 (common factor),简称因子
r21 (h2’)2 … r2p
R’= .
. ….
.
. ….
rp1 rp2 … (hp’)2
R’的前m个特征根及其对应的单位化特征向 量就是主因子解。
可编辑ppt
15
• 迭代主因子法(iterated principal factor)
主因子的解很不稳定。因此,常以估计 的共同度为初始值,构造新的约化矩 阵,再计算其特征根及其特征向量, 并由此再估计因子负荷及其各变量的 共同度和特殊方差,再由此新估计的 共同度为初始值继续迭代,直到解稳 定为止。
• 可使每个因子上的具有最大载荷的变 量数最小,因此可以简化对因子的解 释。
可编辑ppt
19
(2)斜交旋转
(oblique rotation)
• 因子斜交旋转后,各因子负荷发生了 较大变化,出现了两极分化。各因子 间不再相互独立,而彼此相关。各因 子对各变量的贡献的总和也发生了改 变。
• 适用于大数据集的因子分析。
x i a i1 f1 a i2 f2 a im fm e i
假定(1)fi的均数为0,方差为1; (2)ei的均数为0,方差为δi; (3) fi与ei相互独立.
则称x为具有m个公共因子的因子模型
可编辑ppt
5
如果再满足(4)fi与fj相互独立(i≠j), 则称该因子模型为正交因子模型。
正交因子模型具有如下特性:
相关文档
最新文档