因子分析法的特点及其应用中应注意的问题
- 格式:pdf
- 大小:82.15 KB
- 文档页数:1
因子分析法在成绩分析中的应用研究①付政庆1,郭兰兰2*,赵文才1,刘洪霞1(1.山东科技大学数学与系统科学学院,山东青岛266590;2.山东科技大学机械电子工程学院,山东青岛266590)一、引言目前大学生成绩评价方法有很多,其中比较常用的方法有比例制、学分制、考评制、考察制等。
通过这些方法对学生进行考查,方式和目的简单明了。
但是这些方法的缺点是不能反映学生个体的特点,也不能反映学生的突出能力,尤其是专业能力。
为了能够通过成绩深入分析学生特点,可以采用因子分析等多元统计方法[1]。
不但能对学生特点做出针对性评价,而且能帮助学生将自身特点与专业学习相互融合。
大学生的学习成绩是学习生活的记录,能够比较准确地反映该生的学习情况。
利用因子分析的方法对成绩进行深入研究,可以判断出学生学习的能力和爱好,甚至可以作为学生以后发展方向的参考。
本文利用因子分析方法,通过成绩建立客观的评价标准,并且给学生一个相对准确的评价[2]。
二、因子分析法用因子分析法处理和分析数据时,首先将原始数据标准化并求出其相关系数矩阵,然后在相关矩阵的数据中找到其中具有共性的因素,从而把多个复杂的变量组合为少数的几个因子,达到降维的效果,并且在此过程中能找到原始变量和公共因子之间的关系[3]。
因子分析法将原始变量进行分解,得到了由共同具有的少数几个公共因子组成的公因子和每个变量独自具有的因素的特殊因子。
首先将数据进行标准化处理,得到变量X=(x1,x2,…,x p)T,x i(i=1,2,…,p)均值为0,标准差为1。
因子分析的一般模型为X=A F+ε(1)式中,A=(a ij)p×m为因子载荷矩阵,公因子向量F=(f1,f2,…f m)′是不可观测的维列向量。
ε为特殊因子,代表公因子以外的其他影响因素,实际分析时可以忽略不计[4]。
因为假定公因子之间相互独立,所以模型也称为正交因子模型[5,6]。
三、因子分析的步骤(1)将原始数据进行标准化。
因子分析在心理测量中的应用实例心理测量学是一门研究人类心理特征的学科,通过量化的方法对人们的心理状态和特征进行测量和评估。
而因子分析作为心理测量学中的重要工具之一,能够帮助研究者发现隐藏在多个变量之间的内在结构,从而更好地理解人类心理特征。
本文将通过几个具体的应用实例来探讨因子分析在心理测量中的作用。
一、情感因子分析在心理测量中,情感是一个重要的研究领域。
研究者常常通过问卷调查等方式来了解被试者的情感状态,然后通过因子分析来探索这些情感状态之间的内在结构。
例如,研究者可能设计了一个情感问卷,包括喜怒哀乐等多个情感维度,然后通过因子分析来发现这些情感维度之间的相关性和内在结构。
通过因子分析,研究者可以发现一些情感状态之间的共同特点,从而更好地理解人类情感的本质。
二、人格特征因子分析人格特征是心理测量中的另一个重要领域。
研究者常常通过各种量表来评估被试者的人格特征,然后通过因子分析来探索这些人格特征之间的内在结构。
例如,研究者可能设计了一个人格特征量表,包括外向性、神经质、开放性等多个人格维度,然后通过因子分析来发现这些人格维度之间的相关性和内在结构。
通过因子分析,研究者可以发现一些人格特征之间的共性和差异,从而更好地理解人类个体差异的本质。
三、心理健康因子分析心理健康是人类生活中一个非常重要的方面,研究者常常通过各种量表来评估被试者的心理健康状况,然后通过因子分析来探索心理健康的内在结构。
例如,研究者可能设计了一个心理健康量表,包括焦虑、抑郁、自尊等多个心理健康维度,然后通过因子分析来发现这些心理健康维度之间的相关性和内在结构。
通过因子分析,研究者可以发现一些心理健康状态之间的共同特点,从而更好地理解人类心理健康的本质。
四、认知能力因子分析认知能力是人类大脑活动的一个重要方面,研究者常常通过各种测验来评估被试者的认知能力,然后通过因子分析来探索认知能力的内在结构。
例如,研究者可能设计了一个认知能力测验,包括注意力、记忆、推理等多个认知能力维度,然后通过因子分析来发现这些认知能力维度之间的相关性和内在结构。
产学研理论与实践科技经济导刊 2016.35期浅析应用因子分析法对学生成绩进行综合评价应注意的问题孙倩男(沈阳师范大学 辽宁 沈阳 110034)对学生成绩进行综合评价是学校教学管理工作的核心任务之一。
因为,它直接关系到一系列工作的展开。
例如:奖学金的评定;教师教学成绩的考核;学校教学日历的制定等。
以前,各学校主要使用两种方法来开展工作。
一是简单相加法;一是标准分法。
但是,这两种方法都存在明显的不足。
为了弥补这些不足,很多学校都开始使用因子分析法来完成这一工作。
但在使用中人需注意一些问题。
1 是否要转换处理原始指标这是一个必须明确的问题。
因为:首先,如果原始指标的经济意义不一样,直接计算这样的原始指标得到的得分,是不具备科学的经济解释的。
其次,原始指标变量的数量级的差异和它对公共因子的影响成正比。
也就是说,如果这些指标变量的数量级的差异比较大,那它对公共因子的影响也会变大。
综上所述,笔者认为:一般来说在使用这一方法时需要对原始指标进行转换处理。
2 因子分析法适配于那些评价指标因子分析法的目的就是精简数据。
也就是将复杂事物的基本结构利用较少的公共因子表现出来。
但不是所有情况都适用这一方法。
如果原始评价的指标较少,并且意义相对较明确,可以较好的评价客观对象,这时可以不使用因子分析法。
运用的话,不但会增加计算量,而且没有适宜的意义。
可以说是“事倍功半”。
运用因次分析法进行综合评价的一个目的就是:规避由于指标相互牵连而引起的权重的倾斜现象。
所以,运用这种分析法的前提条件就是:各个评价指标间必须有很强的相关性。
如果相关性很小,各个指标就很难共享公共因子,公共因子对指标的综合能力也就不高。
通常而言我们可以运用对指标的相关矩阵来检验相关度。
分界数值是0.3,如果低于0.3,则不适合使用因子分析法;如果高于0.3,则适用。
3 选取几个因子对因子模型进行分析因子分析的目的是:建立一种可以只用少数的公共因子就可以解释协方差结构的因子模型。
因子分析的应用摘要:随着我国的经济的发展,人民的生活水平逐渐提高,从而家庭耐用品的拥有量也有所提高。
但各省市的拥有量也存在差异,为了准确的把握各省市的情况及其差异,本文采用多变量统计因子分析的方法对其进行定量分析,对各省市的耐用品拥有量的情况有个客观的把握及反映各省市的经济发展情况。
关键字:因子分析,经济发展状况;1 因子分析的基本定义1.1 因子分析的基本思想因子分析的基本思想是根据相关性大小把原始变量分组,使得同组内的变量之间相关性较高,而不同组的变量间的相关性则较低。
每组变量代表一个基本结构,并用一个不可观测的综合变量表示,这个基本结构就称为公共因子。
对于所研究的某一具体问题,原始变量可以分解成两部分之和的形式,一部分是少数几个不可测的所谓公共因子的线性函数,另一部分是与公共因子无关的特殊因子。
因子分析不见可以用来研究变量之间的相关关系,还可以用来研究样品之间的相关关系,通常将前者称为R 型因子分析,后者称为Q 型因子分析。
1.2 一般因子分析模型设有n 个样品,每个样品观测p 个指标,这p 个指标之间有较强大相关性。
为了便于研究,并消除由于观测量纲的差异及级数不同所造成的影响,将样本观测数据进行标准化处理,使标准化后的变量均值为0,方差为1.为了方便把原始变量及标准化后的变量向量均用X 表示,用F 1,F 2,...,F m (m<p)表示标准化的公共因子。
如果:(1)X=(X 1,X 2,...,F p )' 是可观测随机向量,且均值向量E(X)=0,协方差矩阵cov(X)=∑,且协方差矩阵∑与相关阵R 相等;(2)F=(F 1,F 2,...,F m )'(m<p)是不可观测的变量,其均值向量E(F)=0,协方差矩阵cov(F)=I,即向量F 的各分量是相互独立的;(3)ε=(ε1,ε2,...,εp )'与F 相互独立,且E (ε)=0,ε的协方差阵∑ε是对角方阵 cov(ε)=∑ε=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡2222211.................0.................0................pp σσσ 即ε的各分量之间也是相互独立的,则模型⎪⎪⎩⎪⎪⎨⎧++++=++++=++++=p m pm p p m m m m F a F a F a Xp F a F a F a X F a F a F a X εεε.......................2 (122112)222212*********称为因子模型,其矩阵形式为: X=AF+ε其中F 为公共因子,ε为特殊因子。
stata迭代主因子法摘要:I.引言- 介绍Stata 软件- 介绍主因子分析方法II.Stata 迭代主因子法的应用- 迭代主因子法的原理- 在Stata 中的操作步骤- 应用实例III.Stata 迭代主因子法的优势与局限- 优势:高效、易用、结果准确- 局限:对数据质量和样本量的要求IV.总结- 概括Stata 迭代主因子法的特点和应用范围- 提出未来研究方向和展望正文:I.引言Stata 是一款广泛应用于统计分析、数据处理和绘图的软件,其功能强大且操作简便。
主因子分析是一种常用的多元统计分析方法,可以用来找出多个变量之间的内在联系,以及确定对变量影响最大的主要因素。
Stata 软件提供了迭代主因子法(Iterative Principal Factors,IPF)的功能,可以方便地进行主因子分析。
II.Stata 迭代主因子法的应用迭代主因子法是一种求解主因子的高效方法,其基本原理是通过反复计算变量之间的相关系数,并选取最大相关系数对应的因子,直至所有变量均与已有因子无关。
在Stata 中,可以使用命令“pca”或者“factor”来实现迭代主因子分析。
例如,我们有一个包含5 个变量的数据集,想要进行主因子分析。
在Stata 中输入以下命令:```use example_data, clearpca var1 var2 var3 var4 var5, components(3)```其中,“example_data”为数据文件名,`var1`、`var2`、`var3`、`var4`、`var5`为需要进行主因子分析的变量名,`components(3)`表示我们想要提取3 个主因子。
执行完上述命令后,Stata 将自动完成迭代主因子分析,并输出结果。
我们可以在结果中看到提取的主因子及其方差贡献率和累积方差贡献率,以及每个变量对应的因子载荷。
III.Stata 迭代主因子法的优势与局限Stata 迭代主因子法具有以下优势:1.高效:相较于传统的求解主因子方法,迭代主因子法计算速度更快,能更快地得到结果。
因子分析在心理测量中的实际应用案例引言心理测量是心理学研究的重要方法之一,通过心理测量可以对个体的心理特征进行客观、系统的评价和测量。
而因子分析作为一种常用的心理测量方法,可以通过发现各个变量之间的潜在关联性,帮助心理学家们更好地理解心理特征的结构和本质。
本文将通过对因子分析在心理测量中的实际应用案例进行探讨,以便更好地理解因子分析在心理学领域中的意义和实际应用。
实际应用案例:人格特质的测量人格特质一直是心理学研究的热门话题之一,而通过因子分析可以对人格特质进行更加深入的研究和测量。
以大五人格特质理论为例,包括外倾性、宜人性、尽责性、神经质和开放性五个维度。
心理学家们通过因子分析可以确定每个维度下的具体测量项目,同时也可以发现不同维度之间的相关性。
通过这种方法,可以更加客观、全面地测量个体的人格特质,为心理学研究提供了重要的数据支持。
实际应用案例:心理健康评估心理健康评估是心理学领域中的重要应用之一,通过对个体心理健康状况进行测量和评估,可以为临床治疗和心理干预提供重要依据。
通过因子分析可以确定心理健康评估量表中的各个测量项目之间的潜在关联性,从而更准确地评估个体的心理健康状况。
例如,焦虑、抑郁、人际关系等方面的测量项目可以通过因子分析确定其在心理健康评估中的权重和作用,从而更好地帮助临床医生和心理咨询师进行诊断和干预。
实际应用案例:学术成绩预测因子分析在学术成绩预测中也有着重要的应用价值。
通过对不同学科成绩的测量项目进行因子分析,可以确定不同学科之间的潜在关联性,从而更准确地预测学生在不同学科中的表现。
例如,数学、语文、英语等学科的成绩可能受到某些共同的因素影响,通过因子分析可以发现这些共同的因素,帮助学校和教育机构更好地预测学生的学术表现,从而进行有针对性的教育干预。
结论因子分析作为一种重要的心理测量方法,在心理学领域中具有着广泛的应用价值。
通过对因子分析在人格特质测量、心理健康评估、学术成绩预测等实际应用案例进行探讨,可以看出因子分析在心理测量中的意义和价值。
江苏理工大学统计教研室 赵喜仓问卷调查结果的因子分析一、问题的提出问卷调查是根据调查研究的目的,用提问的方式设计一系列问题组成一份调查问卷,通过邮寄或宣传媒介传送或在专门的场所发放等方式将调查问卷送至被调查者,由被调查者填写或者由调查员通过询问的形式代为填写,然后将问卷返回给调查组织者,调查组织者通过对回收的问卷进行审核、汇总及分析,以了解被调查者的意见、态度或行为,或利用调查结果对总体进行数量上推算的一种调查方式。
该方式具有经济性、可操作性、客观性、灵活性、匿名性等特点,适于对地域分布广、调查内容不复杂、总体推算精度要求不高、总体构成较为单一的社会经济现象的调查。
随着中国市场经济的培育和发展,该种调查方式已经而且将会愈益得到广泛的应用。
为了提高问卷调查本身的效率和统计参谋决策的能力,就必须努力提高问卷调查的质量,这涉及问卷设计、调查实施过程的调控以及对问卷调查信息的深度加工和开发利用等问题。
就问卷调查结果的分析方法而言,目前一般局限于单变量和双变量的统计分析,多个变量间的统计分析一般也不仅限于净相关分析和多元回归分析,分析方法比较单一,对现代统计方法的应用不够,鉴于此,本文拟对多元统计分析中的因子分析法在问卷调查中的应用加以探讨。
二、因子分析法在问卷调查中的应用 1、几点说明(1)本文以中国统计信息咨询服务中心和中国服装研究中心等单位联合进行的全国八大省市服装消费行为问卷调查中上海市服装调查的资料为例加以分析研究。
上海市民对服装各因素的注重情况的调查结果如表1所示。
(2)在确定主因子时,取累计方差贡献率≥70%。
(3)全部数据处理借助SPSS 软件完成。
表1 1995年上海市民对服装各因素注重情况的调查结果注重程度因素商标x 1产地x 2商店信誉x 3款式x 4非常注重163252210344一般注重194154190124无所谓 128798517合 计485485485485注重程度因素面料x 5色彩x 6做工x 7价格x 8非常注重271323325182一般注重192144144251无所谓 22181652合 计485485485485 注实际调查人数为5人,对该问题回答的有效人数为5人3:004812、实证分析(1)将定序变量转化成定距变量将表1中的8个定序变量转化成定距变量,通常的作法是以各类的编码作为该定序变量的值,在此设x i 1 第i个变量为非常注重时2 第i个变量为一般注重时3 第i个变量为无所谓送时(2)求变量的相关系数矩阵,求该矩阵的特征值及特征向量,建立因子载荷阵并对其实行方差最大正交旋转,旋转所得的矩阵如表2所示。
几种多元统计分析方法及其在生活中的应用一、本文概述随着大数据时代的到来,多元统计分析方法在各个领域中的应用日益广泛,其重要性和价值逐渐凸显。
本文旨在深入探讨几种主流的多元统计分析方法,包括主成分分析(PCA)、因子分析(FA)、聚类分析(CA)以及判别分析(DA)等,并阐述这些方法在生活实践中的具体应用。
我们将对每种多元统计分析方法进行详细介绍,包括其基本原理、实施步骤以及优缺点等方面。
通过这些基础知识的普及,为读者提供一个清晰的方法论框架,为后续的实际应用打下坚实基础。
我们将结合生活中的实际案例,详细阐述多元统计分析方法的应用场景。
这些案例可能涉及市场营销、医学诊断、社会调查、金融分析等多个领域,旨在展示多元统计分析方法在解决实际问题中的强大威力。
我们将对多元统计分析方法在生活中的应用前景进行展望,分析未来可能的发展趋势和挑战。
本文还将提出一些针对性的建议,以期推动多元统计分析方法在实践中的更广泛应用和发展。
通过本文的阐述,我们希望能够为读者提供一个全面、深入的多元统计分析方法及其在生活中的应用指南,为相关领域的研究和实践提供有益的参考。
二、多元统计分析方法介绍多元统计分析是一种在多个变量间寻找规律性的统计分析方法,其核心在于通过提取多个变量的信息,揭示出这些变量间的内在结构和相互关系。
以下是几种常见的多元统计分析方法及其特点。
多元回归分析:这种方法主要研究多个自变量对因变量的影响,旨在构建自变量与因变量之间的数学模型,并预测因变量的未来趋势。
多元回归分析可以帮助我们理解各个自变量对因变量的影响程度,以及这些影响是否显著。
主成分分析(PCA):PCA是一种降维技术,它通过正交变换将原始变量转换为线性无关的新变量,即主成分。
这些主成分按照其方差大小排序,前几个主成分通常可以代表原始数据的大部分信息。
PCA在数据压缩、特征提取和可视化等方面有广泛应用。
因子分析:因子分析通过提取公共因子来简化数据集,这些公共因子可以解释原始变量间的相关性。
对主成分分析法运用中十个问题的解析一、本文概述主成分分析法(Principal Component Analysis, PCA)是一种广泛应用于数据降维和特征提取的统计方法。
它通过正交变换将原始数据转换为新的坐标系,使得新坐标系中的各坐标轴(主成分)上的数据互不相关,并且按照方差大小依次排列。
这样,原始数据的大部分信息就可以由少数几个主成分来表示,从而实现数据降维和特征提取的目的。
然而,在应用主成分分析法时,我们常常会遇到一些问题,这些问题可能会影响分析结果的有效性和可靠性。
本文旨在对主成分分析法运用中常见的十个问题进行解析,帮助读者更好地理解和应用这一方法。
通过本文的阐述,读者将能够掌握主成分分析法的核心原理,了解其在应用中可能遇到的问题,以及如何解决这些问题,从而提高数据分析的准确性和效率。
二、数据预处理问题主成分分析(PCA)是一种广泛使用的无监督学习方法,用于从多元数据集中提取关键信息。
然而,在使用PCA之前,对数据进行适当的预处理是至关重要的,因为它可以显著影响PCA的结果。
以下是关于PCA运用中常见的十个数据预处理问题及其解析:缺失值处理:数据集中经常存在缺失值,这些缺失值在进行PCA之前必须进行处理。
一种常见的方法是用均值、中位数或众数来填充缺失值,或者完全删除含有缺失值的行或列。
选择哪种方法取决于数据的性质和分析的目标。
数据标准化:PCA对数据的尺度非常敏感。
因此,通常需要对数据进行标准化处理,即减去均值并除以标准差,以使每个特征的均值为0,标准差为1。
这样,PCA将不再受到特征尺度的影响。
异常值处理:异常值可能会对PCA的结果产生显著影响。
因此,在进行PCA之前,需要对数据进行检查,并决定如何处理异常值。
一种常见的做法是使用IQR(四分位距)来识别并删除或处理异常值。
数据转换:在某些情况下,对数据进行适当的转换可以提高PCA的效果。
例如,对于偏态分布的数据,可以使用对数转换或Box-Cox转换来使其更接近正态分布。
二阶因子结构应用注意哪些问题文章标题:深度解析二阶因子结构及其应用中的问题在研究中发现的二阶因子结构越来越受到人们的关注和重视,它在心理学、教育学、管理学等领域都有着广泛的应用。
然而,在应用二阶因子结构的过程中,我们也需要注意一些问题,以确保我们的研究能够达到预期的效果。
接下来,我将深入探讨二阶因子结构及其应用中的问题,并分享一些个人观点和理解。
一、二阶因子结构的基本概念1. 什么是二阶因子结构?在因子分析中,一阶因子是由观察到的变量解释的,而二阶因子则是由一阶因子解释的。
简单来说,二阶因子可以理解为潜在的更高层次的概念,它可以更全面地解释一组一阶因子的关系。
在实际应用中,二阶因子结构可以帮助我们更好地理解复杂的现象和问题。
2. 二阶因子结构的应用领域二阶因子结构在实际研究中有着广泛的应用,比如在心理学领域,可以用来解释个体的心理特征和行为表现;在教育学领域,可以用来评估学生的学习动机和学习策略等。
了解二阶因子结构及其应用中的问题对我们的研究工作具有重要意义。
二、应用二阶因子结构需要注意的问题1. 样本量的问题在应用二阶因子结构时,样本量的大小直接影响到模型的稳定性和可靠性。
过小的样本量会导致模型的不稳定,从而影响到我们对二阶因子结构的解释和理解。
我们在研究中需要确保样本量足够大,以支撑对二阶因子结构的应用。
2. 数据的适用性问题在应用二阶因子结构时,我们需要确保所使用的数据是适用于该模型的。
我们需要进行数据的合理性检验,以确保数据可以支撑我们对二阶因子结构的解释和推断。
如果数据的适用性存在问题,将会对研究结果产生不良影响。
3. 模型拟合度的问题在应用二阶因子结构时,我们需要对模型的拟合度进行充分的考量。
即使我们的模型在一阶因子层面上拟合良好,但在二阶因子层面上可能并不理想。
评估模型的拟合度是十分重要的,它可以帮助我们更准确地理解二阶因子结构。
4. 因果推断的问题在应用二阶因子结构时,我们需要注意因果推断的问题。
回归分析是否可以进行因子分析?一、回归分析与因子分析的基本概念和原理回归分析是一种统计分析方法,用于研究两个或多个变量之间的关系。
它通过建立一个数学模型,来描述一个或多个自变量和一个因变量之间的关系。
回归分析常用于预测和解释变量之间的相关性。
因子分析是一种多变量统计技术,用于降维和数据压缩。
它帮助我们找到一个较少的变量集合,称之为因子,可以解释观测到的变量之间的共变性。
二、回归分析与因子分析的适用领域和方法论差异1.适用领域不同回归分析主要应用于预测和解释变量之间的关系,被广泛应用于经济学、社会科学和自然科学等领域。
因子分析则主要应用于数据降维和数据挖掘,特别适用于心理学、人口学和市场调研等领域。
2.方法论差异回归分析基于最小二乘法,通过拟合直线或曲线,来描述自变量和因变量之间的关系。
因子分析则通过变量间的协方差矩阵来确定因子,并运用特征值和特征向量等数学方法来进行计算。
三、回归分析与因子分析的关系及其应用案例1.关系分析虽然回归分析和因子分析是两种不同的统计方法,但它们在理论和实践中有着密切的关联。
回归分析可以通过因子分析来提取主要的自变量,从而降低数据集的维度,增强回归模型的可解释性。
2.应用案例【案例1】研究人员想要探究自然灾害对城市经济发展的影响。
他们首先使用因子分析提取出几个影响城市经济发展的关键因子,如人口密度、基础设施、教育水平等。
然后,他们使用回归分析来研究这些因素与城市经济发展之间的关系,以预测灾害发生后城市经济的恢复能力。
【案例2】研究人员想要了解人的性格特点与职业选择之间的关系。
他们采用因子分析将人的性格特点进行降维,提取出几个主要的因子,如外向性、责任感等。
然后,他们使用回归分析来研究这些因素与职业选择之间的关系,以帮助人们更好地选择适合自己的职业。
四、回归分析和因子分析的优缺点及应用建议1.回归分析的优缺点优点:回归分析能够建立起自变量和因变量之间的关系模型,具有较强的解释能力,适用于多个学科领域。
探索性因子分析及其在应用中存在的主要问题孙晓军 周宗奎(华中师范大学心理学院,武汉,430079)摘 要 探索性因子分析的发展非常迅速,已成为教育与社会心理学领域中最常用的统计方法之一。
本文全面介绍了探索性因子分析的基本原理,阐述了其发生的机制及基本过程,对其在教育、心理领域应用中存在的问题进行了总结,并针对应用中样本容量和观测变量数目不够、因子求解方法的误用、因子数目的确定标准及因子旋转中存在的问题、因子值缺乏重复验证性、研究结果呈现形式不规范、过于依赖SPSS 、缺乏主动性等问题提出了一些相应的建议。
关键词:探索性因子分析 因子旋转 因子值 因子分析(Factor A nalysis )是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(因子)来表示基本的数据结构的方法[1]。
1904年,查尔斯·斯皮尔曼(Charles Spearman )在研究智力时首次采用了因子分析的方法,将因子分析方法运用于实践[2]。
随后,因子分析的理论和数学基础逐步得到发展和完善,特别是50年代以后,随着计算机的普及和各种统计软件的出现,因子分析得到了巨大的发展。
现在,因子分析已成为教育与社会心理学领域研究中最常用的统计方法之一。
但令人遗憾的是,在实际研究的应用中,研究者并不能合理、正确的使用这一方法,导致最后的研究结果缺乏可信度。
本文的目的就是通过对探索性因子分析发生原理、步骤的详细探讨,结合其在应用中存在的问题,希望对心理领域中探索性因子分析的运用提出一些实质性的建议,包括样本大小、因子数目、观测变量数目、因子旋转等等。
1 探索性因子分析的基本原理 探索性因子分析模型(见图1)的一般表达形式为:X 1=w 11F 1+w 21F 2+……w n1F n +w 1U 1+e 1其中,X n 表示观测变量,F M 代表因子分析中最基本的公因子(Commo n factor ),它们是各个观测变量所共有的因子,解释了变量之间的相关;U n 代表特殊因子(U nique factor ),它是每个观测变量所特有的因子,相当于多元回归分析中的残差项,表示该变量不能被公因子所解释的部分;w M 代表因子负载(Factor loading ),它是每个变量在各公因子上的负载,相当于多元回归分析中的回归系数;而e n 则代表了每一观测变量的随机误差。