当前位置：文档之家 › 因子分析

因子分析

  • 格式：doc
  • 大小：160.50 KB
  • 文档页数：18

因子分析

请结合下面的练习题：

1. 理解因子分析的意义，作用和操作过程。

2. 理解因子分析过程中旋转的作用

3. 理解因子得分（Component Score Coefficient）的含义，并由此写出主要成分的表达式。并进一步体会主要成份对数据分析的实际意义。

一、现有数据表格如下表所示。

V1 V2 V3 V4 V5 V6 V7 V8 V9

4 4 1 5 1 5 5 5 5

1 2 1 3 2 1 4 2 2

4 4 3 4 1 4 4 4 3

2 3 3 4 1 4 3 4 1

2 3 3 3 3 3 3 3 3

3 3 3 3 2 4 3 2 2

3 3 3 3 2 4 3 2 2

4 4 2 4 3 5 4 4 3

4 5 2 5 4 5 2 1 2

4 3 3 4 2 4 4 5 3

1 4 4 4 2 4 2 3 3

2 3 3 2 2 2 3 2 1

4 3 4 4 2 4 4 4 4

3 3 4 4 3 5 4 3 2

4 4 4 4 1 4 4 4 4

1 1 5 1 3 3 3 3 3

3 3 2 3 3 5 4 5 4

4 3 4 4 3 4 4 1 4

4 3 3 4 4 4 3 4 3

1 2 3 3 3 3 3 4 4

4 4 2 3 1 5 5 5 5

4 4 4 4 2 5 4 4 4

5 5 5 5 5 5 5 5 5

4 4 4 4 2 4 4 4 2

4 4 2 4 2 4 4 4 4

4 4 2 4 1 4 4 4 2

2 2 3 2 3 2 2 2 2

5 5 3 5 1 5 5 4 4

4 3 4 2 2 3 2 2 2

（1） 进行KMO和Bartlett’s球形检验，检验该数据是否适合做因子分析。 KMO and Bartlett's Test.779115.67036.000Kaiser-Meyer-Olkin Measure of SamplingAdequacy.Approx. Chi-SquaredfSig.Bartlett's Test ofSphericity

KMO和Bartlett’s球形检验表明，系数为0.779，p<.05,适合做因子分析。

（2） Method旋转方法Rotation可以首先使用“none”，既不进行旋转，观察可以生成几个主成分以及各个变量对各个主成分的载荷贡献。

Total Variance Explained4.18246.47046.4704.18246.47046.4701.39915.54162.0101.39915.54162.0101.19413.26875.2781.19413.26875.278.7458.27983.557.4464.95688.514.3373.74192.254.3223.57695.831.2332.58698.417.1421.583100.000Component123456789Total% of VarianceCumulative %Total% of VarianceCumulative %Initial EigenvaluesExtraction Sums of Squared LoadingsExtraction Method: Principal Component Analysis.

Scree PlotComponent Number987654321Eigenvalue543210

Component Matrixa.830.259-6.25E-02.811.155-.344.810.208-.191.803.185-.444.772-.325.299.673-1.19E-02.560.672-.314.465-.149.765.213-.112.664.418V6V4V1V2V7V9V8V5V3123ComponentExtraction Method: Principal Component Analysis.3 components extracted.a.

Component Score Coefficient Matrix.194.148-.160.192.132-.371-.027.475.350.194.111-.288-.036.547.178.198.185-.052.185-.232.250.161-.224.389.161-.008.469V1V2V3V4V5V6V7V8V9123ComponentExtraction Method: Principal Component Analysis.

从以上图表可以看出生成3个主成分，各个变量对各个主成分的载荷贡献见表component

Matrix

（3） 使用Varimax方差最大旋转，即正交矩阵旋转法，观察各个变量对各个主成分的载荷贡献有没有改变？

Total Variance Explained4.18246.47046.4704.18246.47046.4703.06934.10034.1001.39915.54162.0101.39915.54162.0102.31825.75459.8551.19413.26875.2781.19413.26875.2781.38815.42475.278.7458.27983.557.4464.95688.514.3373.74192.254.3223.57695.831.2332.58698.417.1421.583100.000Component123456789Total% of VarianceCumulative %Total% of VarianceCumulative %Total% of VarianceCumulative %Initial EigenvaluesExtraction Sums of Squared LoadingsRotation Sums of Squared LoadingsExtraction Method: Principal Component Analysis.

Scree PlotComponent Number987654321Eigenvalue543210

Component Matrixa.830.259-6.25E-02.811.155-.344.810.208-.191.803.185-.444.772-.325.299.673-1.19E-02.560.672-.314.465-.149.765.213-.112.664.418V6V4V1V2V7V9V8V5V3123ComponentExtraction Method: Principal Component Analysis.3 components extracted.a. Rotated Component Matrixa.923.107-.109.868.195-9.33E-02.806.2922.051E-02.774.383.120.183.843-.146.238.826.166.344.785-.2383.365E-02-.156.792-7.77E-024.688E-02.788V2V4V1V6V8V9V7V5V3123ComponentExtraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.Rotation converged in 4 iterations.a.

Component Score Coefficient Matrix.285-.043.043.387-.196-.063-.040.104.580.338-.127-.046.066-.049.570.246.028.123-.062.365-.117-.150.450-.047-.118.447.181V1V2V3V4V5V6V7V8V9123ComponentExtraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

从以上图表可以看出生成3个主成分，各个变量对各个主成分的载荷贡献见表component

Matrix，正交旋转后的载荷见rotated component Matrix，从两表可以看出，旋转前后负载贡献值发生了变化,旋转使每一个因子在某一主成分上的载荷最大,在其它主成分上载荷变小。

（4） 使用Direct Oblimin直接斜交旋转法，观察该方法是否可以使每个因子上变量的载荷最大？

Total Variance Explained4.18246.47046.4704.18246.47046.4703.6791.39915.54162.0101.39915.54162.0101.4121.19413.26875.2781.19413.26875.2783.032.7458.27983.557.4464.95688.514.3373.74192.254.3223.57695.831.2332.58698.417.1421.583100.000Component123456789Total% of VarianceCumulative %Total% of VarianceCumulative %TotalInitial EigenvaluesExtraction Sums of Squared LoadingsRotationSums ofExtraction Method: Principal Component Analysis.When components are correlated, sums of squared loadings cannot be added to obtain a total variance.a.

Scree PlotComponent Number987654321Eigenvalue543210

Component Matrixa.830.259-6.25E-02.811.155-.344.810.208-.191.803.185-.444.772-.325.299.673-1.19E-02.560.672-.314.465-.149.765.213-.112.664.418V6V4V1V2V7V9V8V5V3123ComponentExtraction Method: Principal Component Analysis.3 components extracted.a.

合集下载

因子分析中的因子得分解释方法(八)

因子分析中的因子得分解释方法(八)

因子分析中的因子得分解释方法

因子分析是一种用于研究变量之间关系的统计方法，它可以帮助研究人员发现隐藏在数据中的模式和结构。在因子分析中，我们不仅关心因子的提取和旋转，还需要了解如何解释因子得分。因子得分解释方法对于正确理解和使用因子分析结果至关重要。本文将探讨因子分析中的因子得分解释方法。

一、直接得分法

直接得分法是最简单的因子得分解释方法之一。在这种方法中，研究人员直接使用因子得分作为变量的值，而不对其进行任何调整或变换。这种方法的优点是简单直接，容易理解和解释。然而，直接得分法忽略了因子得分的不确定性和误差，可能导致对真实关系的误解。

二、标准化得分法

标准化得分法是一种常用的因子得分解释方法。在这种方法中，因子得分被标准化为均值为0，标准差为1的分数。标准化得分可以使不同因子得分之间具有可比性，从而更容易进行比较和分析。然而，标准化得分法可能会丢失因子得分的原始信息，导致对数据的理解不够全面。

三、回归得分法

回归得分法是一种基于回归模型的因子得分解释方法。在这种方法中，因子得分被视为因变量，而原始变量被视为自变量，通过回归分析来计算因子得分的预测值。回归得分法可以更好地利用原始变量的信息，减少因子得分的误差和不确定性。然而，回归得分法需要满足一些假设条件，如线性关系、正态分布等，这在实际数据分析中可能并不总是成立。

四、矩阵分解法

矩阵分解法是一种基于矩阵运算的因子得分解释方法。在这种方法中，研究人员将因子载荷矩阵和原始数据矩阵进行分解，得到因子得分的估计值。矩阵分解法可以更好地反映因子与原始变量之间的关系，但它也需要对矩阵分解的数学原理有一定的了解，对于一般用户可能较为复杂。

在实际应用中，研究人员可以结合多种因子得分解释方法进行综合分析，以获得更准确和全面的结果。同时，需要注意的是，因子得分解释方法的选择应该根据具体的研究目的、数据类型和分析需求来确定，没有一种方法是普遍适用的。

因子分析法

因子分析法

- 1 - 因子分析法

因子分析法是一种基于统计学的方法，用于探索数据中潜在的隐藏结构，以确定变量之间的相关关系。它在社会科学研究中被广泛应用，用于探究研究对象的潜在变量结构。因子分析法可以通过把原始变量组合成新的具有含义的变量，来降低数据中的冗余信息，有助于研究者全面理解研究对象特征，以及作出正确的判断和决策，从而更好地为解决社会实际问题服务，有着重要的学术意义与社会意义。

一、因子分析法的历史溯源

因子分析法最早起源于美国社会心理学家凯尔（Charles

Spearman），在20世纪早期，他研究生物化学的统计学，用于检验的普遍水平尺度和特定水平尺度的可能性，他发现，当把一个变量与另一个变量之间的关系抽象化时，它会隐藏在变量的值中，于是形成了一种新的统计手段，即因子分析法。之后，此方法被广泛应用于科学研究及其他领域，以确定变量之间的相互联系，并识别出潜在结构、趋势及关联关系。

二、因子分析法的基本原理

因子分析法基于把多个变量按变量特征和变量之间的相互关系组合在一起，把多个变量转换成少量几个变量，这些变量也称为因子。它们是导致原始变量所反映出的潜在结构的原因，可能是变量内在的差异，也可能是变量之间的关系。因子分析法在实际应用中，最重要的是理解变量之间的关系，而不仅仅是观察原始变量之间的差异，因此，它可以在研究中更有效地发现因素，有助于更精确地描述研究对 - 2 - 象。

三、因子分析法的主要方法

因子分析法有诸多方法，最基本的是相关分析，但诸如因子模式分解、因子结构分析、多元统计分析等，也是开展因子分析的有力工具，可以辅助分析师更全面地探究变量之间的关系。

因子模式分解(FMA)是因子分析法的一种，它可以让分析师发现一组变量中潜在的结构和模式，同时考虑变量之间的不同关系，以揭示潜在变量结构。当需要组合多组变量时，可以通过多元统计分析来检验两个或多个因子之间的差异及其关系，以便发现数据关系，检验是否有潜在的结构。

因子分析中的公因子与特殊因子

因子分析中的公因子与特殊因子

因子分析中的公因子与特殊因子

因子分析是一种常用的多变量统计方法，用于研究变量之间的相关关系和潜在因子。在因子分析中，公因子和特殊因子是非常关键的概念。

公因子是指能够解释多个变量共同变异的因素。在因子分析中，公因子是通过将原始变量进行线性组合而得到的。这些公因子代表了潜在的结构或特征，例如心理测试中的智力因子、情感因子等。公因子通常是通过特征值分析和提取方法来确定的。

特殊因子是指不能由公因子解释的变量特异性。每个变量都由公因子和特殊因子两部分构成，可表示为原始变量 = 公因子 + 特殊因子。特殊因子代表了不可共享的、独特的个体差异，也可以解释作为误差的一部分。

公因子与特殊因子的区分可以帮助我们理解变量之间的相关性和独立性。公因子代表了多个变量之间的共同变异，反映了相关关系。特殊因子则代表了每个变量独特的个体差异，反映了变量的特异性。

在因子分析的过程中，我们可以通过提取公因子来简化变量，并用较少的公因子来解释更多的变异。这有助于我们简化数据分析和结果解释的复杂性。同时，公因子分析还可以帮助我们理解变量之间的相关性，揭示潜在的结构或特征。 公因子与特殊因子的提取方法有多种，包括主成分分析、极大似然估计和因素模型等。在选择合适的方法时，我们需要考虑数据的特点和分析目的。

总结而言，因子分析中的公因子和特殊因子是分析变量之间相关关系和潜在结构的重要概念。公因子代表了多个变量共同的变异，特殊因子代表了变量的个体差异。准确理解和应用公因子与特殊因子的概念，在因子分析中能够更好地解释变量之间的关系和结构。

使用因子分析进行数据关联性分析

使用因子分析进行数据关联性分析

使用因子分析进行数据关联性分析

因子分析是一种常用的多变量统计方法，用于识别和分析数据集中的变量之间的关联性。它通过将变量分解为一组潜在因子，来获取观测数据中隐藏的结构信息。因子分析可以帮助我们理解数据集中的变量之间的相关性，并找到潜在的关联因素。

在因子分析中，我们首先需要通过采集相关数据收集所需的信息。这些信息通常以问卷调查或实验测量的形式存在。然后，我们将收集到的数据进行预处理，包括缺失值处理、标准化等。接下来，我们可以使用常见的因子提取方法，如主成分分析（PCA）或公因子分析（CFA），来识别数据中存在的潜在因子。

在因子提取阶段，我们通常使用主成分分析方法提取主要的因子。主成分分析通过将数据变换为与原始变量不相关的新变量，从而减少数据的维度。它尝试找到可以解释尽可能多的数据方差的新变量。然后，我们可以使用解释方差的比例来决定保留多少个因子，以达到所需的数据降维效果。

接下来，我们可以使用因子旋转来更好地解释提取的因子。因子旋转可以使因子之间变得更独立和解释更容易。常用的因子旋转方法有方差最大旋转（Varimax）和直角旋转（Oblimin）。

完成因子提取和旋转后，我们可以分析每个因子的因子载荷。因子载荷指示了每个变量与每个因子之间的关系强度。我们可以使用因子载荷矩阵来解释数据集中的变量之间的关联性。较高的因子载荷值表示变量与因子之间有较强的关联性。 通过因子分析，我们还可以计算每个因子的可信度或内部一致性。常用的可信度指标包括克伦巴赫系数（Cronbach's alpha）和分裂半系数（Split-half reliability）。可信度指标可以帮助我们评估因子分析的结果的稳定性和可靠性。

此外，因子分析还可以用于数据降维和特征选择。通过提取主要的因子，我们可以将原始的高维数据集转换为低维特征空间，从而实现数据的降维。这样可以减少计算和存储成本，并且更便于可视化和解释结果。

总而言之，因子分析是一种重要的数据关联性分析方法。它通过将数据分解为一组潜在因子，帮助我们理解和解释变量之间的关系。因子分析可以应用于各种学科领域，例如社会科学、医学研究和市场调研等。