探索性因子分析课件
合集下载
相关主题
- 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、"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、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)。
探索性因子分析
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。
探索性因子分析
公因子提取方法
➢主成分分析法
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。
➢最大似然法
该方法不要求多元正态分布，给出参数估 计。
确定因子个数
• 主成分分析的主要统计量
探索性因子分析
确定因子个数的方法（一）
➢特征根 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
➢公因子的累积方差贡献率 根据累计贡献率达到的百分比确定
探索性因子分析
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。
探索性因子分析
目录
1
因子分析介绍
2
探索性因子分析的基本理论
3
探索性因子分析的结构及步骤
4
实例演示
探索性因子分析
因子分析
★ 概念 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。
探索性因子分析
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
探索性因子分析
• 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。
探索性因子分析
因子旋转（一）
• 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。
探索性因子分析
探索性因子分析的理论假设
主要包括: ①所有的公共因子都相关(或都不相关); ②所有的公共因子都直接影响所有的观测变量; ③特殊(唯一性)因子之间相互独立; ④所有观测变量只受一个特殊(唯一性)因子的影响; ⑤公共因子与特殊因子(唯一性)相互独立。
探索性因子分析
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。
探索性因子分析
• 探索性因子分析模型
探索性因子分析
应用范围
探索性因子分析主要应用于三个方面 ➢寻求基本结构,解决多元统计分析中的变量间强相关问题 ➢数据化简，将具有错综复杂关系的变Βιβλιοθήκη Baidu综合为少数几个因子（不
可观测的、相互独立的随机变量） ➢发展测量量表
探索性因子分析
探索性因子分析——步骤 收集观测变量
构造相关矩阵
➢斜交旋转
探索性因子分析
因子旋转（二）
• 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,也就是说斜交旋转对因子间是否相关并 无限定,这种因子旋转的结果就会使各因子 所解释的变量的方差出现一定程度的重叠。
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。
探索性因子分析
探索性因子分析
因子得分
• 因子得分就是每个观测量的公共因子的值。根 据因子得分系数和原始变量的标准化值，可以 计算每个观测量的各因子的得分数，并可以据 此对观测量进行进一步的分析。
• 计算因子得分的基本思想是将因子变量表现为 原有变量的线性组合，即通过以下的因子得分 函数计算：
F x x x x j
探索性因子分析
• Example
探索性因子分析
• 旋转后的因子表达式可以写成：
★ 基本思想 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。
探索性因子分析
• 探索性因子分析法（Exploratory Factor Analysis，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。
• 特点： （1）利用因子分析来确定因子个数——降维 （2）完全依赖资料数据
j11 j22 j3 3
（j=1，2···p）
jp p
探索性因子分析
估计因子得分的方法
➢回归法 因子得分的均值为0，方差等于估计因子 得分与实际得分之间的多元相关的平方
➢Bartlett法 因子得分均值为0，超出变量范围的特殊 因子平方和被最小化
➢Anderson-Rubin法 因子得分的均值为0，标准差为1，且彼此 不相关。是为了保证因子的正交性而对 Bartlett因子的调整。
判断是否适合作因子分析
确定因子个数 提取因子
特征值大小、因子累计贡献率、碎石图
因子旋转
便于对因子结构进行合理解释
解释因子结构
计算因子得分 探索性因子分析做进一步的研究，如聚类分析、评价
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
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。
探索性因子分析
公因子提取方法
➢主成分分析法
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。
➢最大似然法
该方法不要求多元正态分布，给出参数估 计。
确定因子个数
• 主成分分析的主要统计量
探索性因子分析
确定因子个数的方法（一）
➢特征根 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
➢公因子的累积方差贡献率 根据累计贡献率达到的百分比确定
探索性因子分析
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。
探索性因子分析
目录
1
因子分析介绍
2
探索性因子分析的基本理论
3
探索性因子分析的结构及步骤
4
实例演示
探索性因子分析
因子分析
★ 概念 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。
探索性因子分析
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
探索性因子分析
• 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。
探索性因子分析
因子旋转（一）
• 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。
探索性因子分析
探索性因子分析的理论假设
主要包括: ①所有的公共因子都相关(或都不相关); ②所有的公共因子都直接影响所有的观测变量; ③特殊(唯一性)因子之间相互独立; ④所有观测变量只受一个特殊(唯一性)因子的影响; ⑤公共因子与特殊因子(唯一性)相互独立。
探索性因子分析
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。
探索性因子分析
• 探索性因子分析模型
探索性因子分析
应用范围
探索性因子分析主要应用于三个方面 ➢寻求基本结构,解决多元统计分析中的变量间强相关问题 ➢数据化简，将具有错综复杂关系的变Βιβλιοθήκη Baidu综合为少数几个因子（不
可观测的、相互独立的随机变量） ➢发展测量量表
探索性因子分析
探索性因子分析——步骤 收集观测变量
构造相关矩阵
➢斜交旋转
探索性因子分析
因子旋转（二）
• 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,也就是说斜交旋转对因子间是否相关并 无限定,这种因子旋转的结果就会使各因子 所解释的变量的方差出现一定程度的重叠。
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。
探索性因子分析
探索性因子分析
因子得分
• 因子得分就是每个观测量的公共因子的值。根 据因子得分系数和原始变量的标准化值，可以 计算每个观测量的各因子的得分数，并可以据 此对观测量进行进一步的分析。
• 计算因子得分的基本思想是将因子变量表现为 原有变量的线性组合，即通过以下的因子得分 函数计算：
F x x x x j
探索性因子分析
• Example
探索性因子分析
• 旋转后的因子表达式可以写成：
★ 基本思想 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。
探索性因子分析
• 探索性因子分析法（Exploratory Factor Analysis，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。
• 特点： （1）利用因子分析来确定因子个数——降维 （2）完全依赖资料数据
j11 j22 j3 3
（j=1，2···p）
jp p
探索性因子分析
估计因子得分的方法
➢回归法 因子得分的均值为0，方差等于估计因子 得分与实际得分之间的多元相关的平方
➢Bartlett法 因子得分均值为0，超出变量范围的特殊 因子平方和被最小化
➢Anderson-Rubin法 因子得分的均值为0，标准差为1，且彼此 不相关。是为了保证因子的正交性而对 Bartlett因子的调整。
判断是否适合作因子分析
确定因子个数 提取因子
特征值大小、因子累计贡献率、碎石图
因子旋转
便于对因子结构进行合理解释
解释因子结构
计算因子得分 探索性因子分析做进一步的研究，如聚类分析、评价
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