第6章 因子分析

X = nW
于是有
（6.24）
F=
nWU
∧−1 2
=
nF R
∧−1 2
即
（6.24）
FR =
1
F
∧−1 2
n
（6.25）
其中各记号同前文一致。 现在用图 4-9 中汇水盆地的样本为例说明R-Q型因子分析的计算与应用。由样本中 25
个样品 6 个变量作R型因子分析后得因子负载矩阵A于表 5-2。它就是R-Q型因子分析中要求 的R型负载AR。表 5-2 对应的R型因子得分矩阵F列表 5-3，由（6.25）式可求得R-Q型因子分 析中要求的Q型的负载AQ=FR，所得结果列于表 6-1。
三、R-Q 型因子分析的图示
矩阵AR和AQ都是p列的，这意味着m维变量空间和n维样品空间样品都可用一p维因子空
3
间代替，因为p＜＜min(n，m)，故原始空间维数约简了许多。 由于下面的关系成立
AR ARΤ = W ΤW
AQ AQΤ = WW Τ
可见，变量间关系完全保留在ARARΤ中，样品间关系完全保留在AQAQΤ中。
一、R-Q 型因子分析的相似性矩阵
我们考虑用相关系数作为变量间相似性的度量，用欧氏距离作为样品间的相似性度量，并
以此建立起变量间相似性矩阵与样品间相似性矩阵的联系。设原始数据矩阵为如下的形式：
Xn×m=(xij)n×m 其中xij为样品i变量j的观测值；并对数据作如下变换，即类似与标准化变换：
（6.1）
n
j =1
j =1
∑ (xij − x j )2
i =1
(6.8)
∑m
=
(xkj − xLj ) 2
n
= hkk + hLL − 2hkL

因此：因子也是综合变量；因子具有更 明确的指标意义；具有不同意义的因子 便于揭示事物变化的内在结构；提取少 量重要因子可以达到降维和简化分析的 作用。
（二）因子分析的一般模型：
令因子为 F(factor)，当我们研究 m 个因子对实 际问题的影响时可以建立因子模型，即
X i ai1F1 ai 2 F2 aim Fm + i 。 其中的 F 是对所有
（三）基本思想：

基于对因子的认识，因子分析的基本思想就是通过变 量（或样品）的相关系数矩阵（或相似系数矩阵）内 部结构的研究，找出能控制所有变量（或样品）的少 数几个随机变量去描述多个变量（或样品）之间的相 关（或）相似关系。在分解原始变量的基础上，从中 归纳出潜在的“类别”，相关性较强的变量归为一类， 不同类间变量的相关性则较低。从而实现因子分析的 两个目的：一简化分析，二将原变量分类，对公因子 的意义作出合理可信的解释。

而进行因子分析的起点就是因子模型，我们通 过估计因子模型中的参数即因子负荷和方差对 各因子的重要程度进行衡量，并利用因子负荷 矩阵所体现的各变量或样品之间的相关程度提 取出具有明确意义的公因子F，赋予其有实际 背景的解释进而给以命名，从而达到降维和分 类的目的。
三、因子分析的数学原理。
因R型因子分析应用广泛，故本章的解释均是 以R型因子分析为对象。 （一）正交因子模型： 因子分析的一般模型为：

X 1 a11F1 a12 F2 a1m Fm 1 X 2 a21F1 a22 F2 a2 m Fm 2 X p a p1F1 a p 2 F2 a pm Fm p
i

可将上式写成简单的矩阵形式

植物对生长所必须的水分、CO2、养分吸收增多， 酶活性增强、促进细胞分裂、伸长，因此生长量 增 加。 • 3.影响生产力 • 温度是影响生产力的主要因素之一。怀梯克认 为， 沿温度梯度，生产力从热带到到北极逐渐降低。 对生产力而言，最适温度为15～25，与光合作用 的 适宜范围一致。
不同生态系统生产力
化，形成与此相应的植物发育节律，称为物候。 • 植物发芽、生长、现蕾、开花、结实、落叶、 休
眠等生长发育阶段的开始和结束称为物候期。 • 植物物候具有稳定性，可以用来指导林业生产。
影响物候的因素
• 纬度、经度和海拔 • 霍普金斯通过研究发现： • 在北美洲温带，每向北移动纬度1度，或向
东移动经度5度，或海拔上升124m，植物 在春天和初夏 物候会延迟4天。这一规律称 为霍普金斯定律。 • 南京和北京，纬度相差6度，桃、李开花 间 差19天；但到4、5月间，两地物候相差9天。
二、关于温度的一些生态概念
• （一）三基点温度 • 最适温度：生物生长发育或生理活动得以
正常进行的温度范围。 • 最低温度和最高温度：植物生长发育和生
理活动的低温和高温限度。 • 合称为三基点温度。
• （二）积温： 积温既能说明某一地区的热 量条件，又能说明生物各生长发育阶段或 整个生长期所需要的热量条件。
• *昼夜变温与种子萌发
•
有一些植物的种子在变温下萌发良好。
低温有利于增加氧在细胞中的溶解度；提
高透性。
• 昼夜变温与生长发育 • 较低的夜温和适宜的昼温对植物生长、开花、结
实和物质的贮藏有利。 • 云南松林：1000m 3/ha。 • 波密云杉林：2000m 3/ha。 • （二）物候 • 季节明显地区，植物适应于气候条件的节律性 变

预测药物的毒性和耐受性
基于已知药物的毒性和耐受性数据，利用化学计量学模型对新的候 选药物进行预测，降低药物的潜在风险。
06 化学计量学的未来发展与 挑战
新技术与新方法的开发与应用
人工智能与机器学习
利用人工智能和机器学习技术，开发更高效、准确的化学计量学 模型和方法，提高预测能力和应用范围。
高通量实验技术
加强国际间的学术交流与合作，引进 国外先进技术和经验，推动化学计量
学的国际合作与共同进步。
THANKS FOR WATCHING
感谢您的观看
解决复杂化学问题
化学计量学可以解决一些复杂的 化学问题，例如混合物分析、化 学反应动力学和热力学等，为化 学研究和工业生产提供有力支持。
促进跨学科交流和
应用
化学计量学的跨学科性质有助于 促进数学、统计学和计算机科学 等学科与化学的交流和应用，推 动相关领域的发展。
化学计量学的发展历程
早期发展
化学计量学早期的发展主要集中在化学分析和仪器分析方面，强调 测量方法的优化和误差控制。
数据质量控制与管理
建立完善的数据质量控制和管理体系，确保 数据的准确性和可靠性。
跨学科合作与人才培养
跨学科合作
加强化学计量学与其他学科领域的合 作，如生物学、物理学、医学等，拓
展化学计量学的应用领域。
人才培养
加强化学计量学领域的人才培养，提 高研究人员的理论和实践水平，促进
化学计量学的持续发展。
学术交流与合作
化学计量学第六章
目 录
• 化学计量学概述 • 化学计量学的基本原理 • 化学计量学在数据处理中的应用 • 化学计量学在化学分析中的应用 • 化学计量学在药物研发中的应用 • 化学计量学的未来发展与挑战

9
寻找基本结构
在多元统计中，经常遇到诸多变量之间存在强相关的问题，它 会对分析带来许多困难。通过因子分析，可以找出几个较少的有实
际意义的因子，反映出原来数据的基本结构。
例如：调查汽车配件的价格中，通过因子分析从 20 个指标中概 括出原材料供应商、配件厂商、新进入者、后市场零部件厂商、整 车厂和消费者6个基本指标。从而找出对企业配件价格起决定性作用 的几个指标。
本包含了原来变量的所有信息。
12
主成分分析的数学模型
13
主成分分析与因子分析公式上的区别
y1 a11 x1 a12 x2 a1 p x p
主成分分析
y2 a21 x1 a22 x2 a2 p x p y p a p1 x1 a p 2 x2 a pp x p
由于umn为随机向量X的相关矩阵的特征值对 应的特征向量的分量，特征向量之间彼此正交， 实际上从X到F的转换关系是可逆的，即：
x1 11 F1 21 F2 p1 Fp x2 12 F1 22 F2 p 2 Fp x F F F 1p 1 2p 2 pp p p
1、因子分析的核心：用较少的、相互独立的因 子反映原有变量的绝大部分信息。 因子分析的数学模型：设有p个变量，每个变量 的均值为0，标准差为1。将每个原有变量用k个 （k<p）因子f1,f2,…,fk 的线性组合表示，即
x1 a11 f1 a12 f 2 a1k f k 1 x2 a21 f1 a22 f 2 a2 k f k 2 x p a p1 f1 a p 2 f 2 a pk f k p

多元统计分析陈钰芬课后答案第1章多元正态分布1、在数据处理时，为什么通常要进行标准化处理？第1章多元正态分布1、在数据处理时，为什么通常要进行标准化处理？数据的标准化是将数据按比例缩放，使之落入一个小的特定区间。

在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。

其中最典型的就是0-1标准化和Z标准化。

2、欧氏距离与马氏距离的优缺点是什么？欧氏距离也称欧几里得度量、欧几里得度量，是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离。

在二维和三维空间中的欧氏距离的就是两点之间的距离。

缺点：就大部分统计问题而言，欧氏距离是不能令人满意的。

每个坐标对欧氏距离的贡献是同等的。

当坐标表示测量值时，它们往往带有大小不等的随机波动，在这种情况下，合理的方法是对坐标加权，使变化较大的坐标比变化较小的坐标有较小的权系数，这就产生了各种距离。

当各个分量为不同性质的量时，“距离”的大小与指标的单位有关。

它将样品的不同属性之间的差别等同看待，这一点有时不能满足实际要求。

没有考虑到总体变异对距离远近的影响。

马氏距离表示数据的协方差距离。

为两个服从同一分布并且其协方差矩阵为Σ的随机变量与的差异程度:如果协方差矩阵为单位矩阵,那么马氏距离就简化为欧氏距离,如果协方差矩阵为对角阵,则其也可称为正规化的欧氏距离。

优点：它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关。

由标准化数据和中心化数据计算出的二点之间的马氏距离相同。

马氏距离还可以排除变量之间的相关性的干扰。

缺点：夸大了变化微小的变量的作用。

受协方差矩阵不稳定的影响，马氏距离并不总是能顺利计算出。

3、当变量X1和X2方向上的变差相等，且与互相独立时，采用欧氏距离与统计距离是否一致？统计距离区别于欧式距离，此距离要依赖样本的方差和协方差，能够体现各变量在变差大小上的不同，以及优势存在的相关性，还要求距离与各变量所用的单位无关。

对应分析的基本原理
由原始资料阵X出发，计算规格化的概率矩阵P， 使变量与样品具有相同比例大小，在空间定义两 两样品点或两两变量点之间的距离，定义样品点 和变量点的协差阵分别为B和A。A和B的非0特 征根相同，而特征根又表示各个公共因子所提供 的方差，因此变量空间中的公共因子与样品空间 中对应的各个公共因子在总方差中所占的百分比 完全相同，从几何意义来看，即诸样品点与样品 空间中各因子轴的距离和诸变量点与变量空间中 相对应的各因子轴的距离完全相同，因此，可以 把变量点和样品点同时反映在同一个因子轴所确 定的平面上（即取同一个坐标系），根据接近的 程度，将变量点与样品点一起考虑进行分类。
对应分析的基本思想
通过一个过渡矩阵Z将R型因子分析和Q 型因子分析有机地结合起来。首先给出变 量点的协差阵A和样品点的协差阵B，由于 A和 B有相同的非零特征根，这些特征根又 正是各个公共因子的方差，因此可以用相 同的因子轴同时表示变量点和样品点，即 把变量点和样品点同时反映在具有相同坐 标轴的因子平面上，以便对变量点和样品 点一起考虑原始资料阵X出发，计算规格化的 概率矩阵P；相当于改变了测度尺度， 使变量与样品具有相同比例大小；
二﹑ 计算过渡矩阵Z； 三﹑ 进行因子分析
1.R型因子分析 2.Q型因子分析
对应分析的微机实现
对应分析在SPSS中的实现
在SPSS的数据编辑窗口中点help→syntax guide→categories ， 其 中 的 ANACOR 和 correspondence为对应分析过程，可通过 编简单的程序来实现对应分析。
第六章 对 应 分 析
【教学目的】通过本章的教学应使学生 掌握对应分析的基本思想和基本原理， 掌握用对应分析法分析研究解决实际问 题的方法。

-.156
19
-.180
-.104
7
-.142
-.180
20
-.116
.010
8
-.150
-.220
21
-.118
-.030
9
-.054
-.138
22
-.090
.640
10
-.120
-.012
23
.056
1.290
11
-.126
-.246
24
-.110
.134
12
-.012
-.160
25
.082
.124
R-Q 型因子分析是一种广义概念，它可能包括不同的方法。例如周蒂（1985）提到用主分 析可作为一种 R-Q 式因子分析方法，但这一方法至今未被重视。另一种方法是对应分析，或称 对应因子分析，这是目前用得最多的方法。这两种方法都有一定理论基础，在效果上各有特点。 本章主要介绍这两种方法的基本思想、计算方法与应用，更详细的论述可参考专门性文献。
§2 对应分析
对应分析也称作对应因子分析，它也是一种 R-Q 型因子分析。对应分析的理论比较复 杂，在此仅简要介绍其基本原理与计算方法，并给出计算实例。
对应分析的基本思路与上述 R-Q 型因子分析类似，目的在于同时揭示样品与样品、变 量与变量、样品与变量间的相互关系，并用作图方法将这种关系表现出来，因此也将原始的 m 或 n 维空间压缩为同一 p 维（p＜＜min(m，n)）的因子空间。
（6.4）
1
∑ ∑ hkL =
m
(xkj − x j )(xLj − x j ) = n
m
xkj xLj
− x j xkj

第六章 因子分析一．基本原理因子分析（Factor anslysis ）是用来分析隐藏在表象背后的因子作用的一类统计模型与方法。

起源于心理度量学（Phsycholometrics ），在方法上与主成分分析有密切联系。

因子分析一般有两个用途，一是通过寻求变量的基本结构，对变量进行简化；二是通过因子得分，在因子轴构成的空间中将变量或者样品进行分类。

1．正交因子模型设x 为一个p 维可观测随机向量，假定x 受到m 个不可观测的随机因子的控制，称这m 个影响x 的因子为公共因子，若m 维随机向量f 对x 的影响是线性的，则x 与f 之间的关系可用下述模型来表述：x Lf με=++其中μ为P 维常向量，表示X 的均值；L 为p m ⨯维常数阵，L 的第I 行表示公共因子f 对X 第I 个分量i x 的影响系数；ε为P 维随机变量，表示X 中与f 无关的那一部分，称为特殊因子。

其中f 和ε都是不可观测的，假定它们满足下列条件 （1）f 和ε相互独立 （2）()0,()m E f V f I ==（3）()0,()E V εε==ψ，其中ψ(psai)为对角阵。

由于()m V f I =，即各因子之间不相关，这样的模型便称为正交因子模型。

在正交因子模型中，公共因子f 对X 的各分量都起作用，而特殊因子ε的第I 个分量只对X 的第I 个分量起作用。

L 称为载荷阵（Loading Matrix ）。

如果对X 进行标准化处理，则μ为0，原式化为x Af ε=+。

A 为载荷阵。

X 的方差是由载荷阵和特殊因子的方差构成的。

即()Var X AA '=+ψ。

2．因子分析与其他多元分析方法的区别与多元回归的区别：因子分析中，各个公共因子是虚拟的，本身是未知量。

与主成分分析的区别：主成分分析本质上是一种变量变换，而因子分析则是构造出一组新的因子来对原变量进行解释。

二．计算模型1．因子载荷的含义假定在因子分析模型中，对各变量及公共因子、特殊因子均进行了标准化处理。

60.6
16.5
2 76
58.1
12.5
3 92
63.2
14.5
4 81
59.0
14.0
5 81
60.8
15.5
6 84
59.5
14.0
解：作如下假设 H0 : μ = μ0 , H1 : μ ≠ μ0
经计算，求的样本均值向量 x = (82.0, 60.2,14.5) ' ，x − μ0 = (−8, 2.2, −1.5) ' ，样本协差阵
x2
+
1 2
x3
+
1 2
x4 。
（2）第一主成分的贡献率为
λ1
+
λ2
λ1 +
λ3
+ λ4
= 1+ 3ρ 4
≥ 95% ，得 ρ
≥ 0.933 。
第 7 章 因子分析
1、设 x = (x1, x2 , x3 )′ 的相关系数矩阵通过因子分析分解为
⎛ ⎜
1
⎜
R
=
⎜ ⎜
−1 3
⎜ ⎜⎜⎝
2 3
−1 3 1
54.58
11.67
产品净值率 10.7
6.2
21.41
11.67
7.90
2、 设 G1, G2 , G3 三个组，欲判别某样品 x0 属于何组，已知 p1 = 0.05, p2 = 0.65, p3 = 0.3,
应用多元统计分析
pofeel@
3
f1 (x0 ) = 0.10, f2 (x0 ) = 0.63, f3 (x0 ) = 2.4 ，假定误判代价矩阵为：
⎢⎣ 4.5 ⎥⎦

统计学课后题第二章均值向量和协方差阵的检验1、试谈willks统计量在多元方差分析中的重要意义。

2、形象分析的基本思路是什么？形象又称轮廓图，是将总体样本的均值绘制到同一坐标轴里所得的折线图，每一个指标都表示为折线图上的一点。

形象分析是将两总体的形象绘制到同一个坐标下，根据形象的形状对总体的均值进行比较分析。

第三章聚类分析1、聚类分析的基本思想和功能是什么？聚类分析的核心思想是根据具体的指标对所研究的个体或者对象进行分类，使得同一类中的对象之间的相似性比其他类的对象的相似性更强。

聚类分析不仅可以用来对样品进行分类，也可以用来对变量进行分类。

对样品的分类常称为Q型聚类分析，对变量的分类常称为R型的聚类分析。

聚类分析的目的或功能就是把相似的研究对象归成类，即使类间对象的同质性最大化和类与类间对象的异质性最大化。

2、试述系统聚类法的原理和具体步骤系统聚类的基本思想是：距离相近的样品先聚成类，距离相远的后聚成类，过程一直进行下去，每个样品总能聚到合适的类中。

系统聚类的具体步骤：假设总共有N个样品第一步：将每个样品独自聚成一类，共有N类；第二步：根据所确定的样品“距离”公式，把距离较近的两个样品聚合为一类，其他的样品仍各自聚为一类，共聚成N-1类；第三步：将“距离”最近的两个类进一步聚成一类，共聚成N-2类；。

，以上步骤一直进行下去，最后将所有的样品全聚成一类。

3、试述K-均值聚类的方法原理这种聚类方法的思想是把每个样品聚集到其最近形心类中。

首先随机从数据集中选取 K个点作为初始聚类中心，然后计算各个样本到聚类中的距离，把样本归到离它最近的那个聚类中心所在的类。

计算新形成的每一个聚类的数据对象的平均值来得到新的聚类中心，如果相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数已经收敛。

4、试述模糊聚类的思想方法模糊聚类分析是根据客观事物间的特征、亲疏程度、相似性，通过建立模糊相似关系对客观事物进行聚类的分析方法。

教育统计与测量（SPSS）复习第一章：概述1．什么是信息？简单地讲，通过信息，可以告诉我们某件事情，可以使我们增加一定的知识。

英语中的信息是“information”，表示信息可以让受者产生某种形式的变化，这种变化可以让受者从认识上的不完全、不理解、不确定变为完全、理解和确定。

信息论的奠基者香农将信息定义为熵的减少，即信息可以消除人们对事物认识的不确定性，并将消除不确定程度的多少作为信息量的量度。

信息的价值因人而异。

所谓有用的信息，因人而异。

是否是信息，不是由传者，而是由受者所决定。

2．教育信息数量化的特点表示教育信息的数量与各种物理测量的数量有着明显的不同，在教育信息的统计处理中，应根据教育信息数量化的方法、特点不同，决定对这种信息进行统计处理的具体方法。

这是进行教育信息处理的重要关键。

3．教育信息数量化的尺度（1）名义尺度(nominal scale) ：名义尺度的数值仅具符号的意义。

名义尺度的数字多用于表示不同的数别，它为教育信息的表示，存贮带来了很大的方便。

（2）序数尺度(ordinal scale) ：序数尺度的数字多用于表示某些现象的排列顺序，可比较其大小，但不能进行四则运算，所以对这类数字的数值群的处理较多。

（3）距离尺度(interval scale，equal unit scale)：距离尺度又称间隔尺度，是指数值间的距离（间隔），具有加法性。

距离尺度要求具有等价的单位，但不要求确定的零点位置。

对距离尺度的数字可以计算算术平均值、计算标准差，求相关系数等各种统计处理。

（4）比例尺度(ratio scale) ：比例尺度是一种具有绝对零度的距离尺度值。

表示身长、体重的数值是比例尺度值。

对比例尺度的数字可进行各种统计处理。

4．数据的类型（1）定类数据（也称名义级数据），是数据的最低级。

（性别、编号）（2）定序数据（也称序次级数据），是数据的中间级。

（名次、优秀良好及格、有顺序的）（3）定距数据（也称间距级数据），是具有一定单位的实际测量值。

第六章因子分析分解
首先，让我们了解因子分析分解的背后原理。

当我们有多个相关的变量时，通常会遇到数据中的冗余信息。

这些冗余信息可能使分析和解释数据变得困难。

因子分析分解可以帮助我们找到这些变量之间的共同维度，并将其归纳为更少的因子。

这些因子代表了原始变量中的共享信息。

下面，我将介绍因子分析分解的步骤。

首先，我们需要准备多个变量的数据集。

然后，我们将对这些变量进行主成分分析。

主成分分析是一种将多个变量转化为少数几个无关主成分的方法。

在主成分分析中，我们通过计算协方差矩阵来确定主成分。

接下来，我们选择解释变量方差的主成分，并按主成分的大小对它们进行排列。

最后，我们可以从这些主成分中选择最相关的因子，作为我们的最终结论。

那么，因子分析分解有什么实际应用呢？因子分析分解可以在许多领域中使用，例如心理学、市场调研和人社科学。

在心理学中，因子分析分解可以用于理解人们的个性特征和行为模式。

在市场调研中，因子分析分解可以用于确定消费者的购买偏好和行为倾向。

在人社科学中，因子分析分解可以用于研究人口统计学数据中的潜在因素。

总结一下，因子分析分解是一种用于理解多个变量之间关系的方法。

它通过检测数据中的共同变异性，将复杂的数据结构简化为更容易解释和理解的形式。

在进行因子分析分解时，我们需要按照特定步骤进行，包括数据准备、主成分分析和因子选择。

因子分析分解在心理学、市场调研和人社科学中有广泛的应用。

希望通过这篇文章的介绍，可以让读者对因子分析分解有一个初步的了解。

第6章--因子分析第六章因子分析一、填空题1. 因子分析常用的两种类型为 ____________ 和 ___________ 。

2. 因子分析是将具有错综复杂关系的变量（或样品）综合为数量较少的几个因子，以再现______________ 与____________ 间的相互关系。

3•因子分析就是通过寻找众多变量的______________ 来简化变量中存在的复杂关系的一种方法。

4 •因子分析是把每个原始变量分解成两个部分即____________ 、。

5 •变量共同度是指因子载荷矩阵中__________________________ 。

6 •公共因子方差与特殊因子方差之和为________ 。

7.求解因子载荷矩阵常用的方法有______________________ 和________________ &常用的因子旋转方法有 ____________________ 和__________________ 。

9. Spss中因子分析采用__________________ 命令过程。

10•变量X i的方差由两部分组成，一部分为 ___________ ，另一部分为__________二、判断题1. 在因子分析中，因子载荷阵不是唯一的。

（）2. 因子载荷阵经过正交旋转后，各变量的共性方差和各个因子的贡献都发生了变化。

（）3. 因子分析和主成分分析的核心思想都是降维。

（）4.因子分析有两大类，R型因子分析和Q型因子分析；其中R型因子分析是从变量的相似矩阵出发，而Q型因子分析是从样品的相关矩阵出发。

（）5. 特殊因子与公共因子之间是相互独立的。

（）6. 变量共同度是因子载荷矩阵列元素的平方和。

（）7. 公共因子的方差贡献是衡量公共因子相对重要性指标。

（）8. 对因子载荷阵进行旋转的目的是使结构简化。

（）三、简答题1.因子分析的基本思想是什么，它与主成分分析有什么区别和联系？2 •因子模型的矩阵形式UF ，其中:F F1, ,F m 1, , P U U ij pm请解释式中F、、U的统计意义。