基于因子分析的影响专业选择因素的分析研究

基于因子分析的服装消费影响因素摘要：运用主成分因子分析方法，设计问卷对泉州经贸职业技术学院以及泉州高级技工学校的部分服装专业的学生购买服装时关心的因素进行调查，客观地总结归纳出了影响大中专学生选择服装的六个因素。

关键词：服装消费因子分析累计贡献率随着我国社会经济水平的飞跃发展，人民群众的生活水平逐步提高，成品服装的作用也大大延伸，人们购买成品服装的动机也呈现多元化的特点。

购买服装的内在原因已成为一种社会现象。

在多元的消费者中，大中专学生已构成一个庞大的服装消费群体，由于该群体文化水平较高，思想活跃较易接受新生事物，没有框框，有着旺盛的消费需求，另一方面，他们尚未获得经济上的独立，消费受到很大的制约。

消费观念的超前和消费实力的滞后，都对他们的消费有很大影响。

因此，关注大中专学生消费状况，把握大中专学生消费的心理特征、行为和结构，培养和提高他们的消费观念和理财能力，引导在校大中专学生最终走向健康消费成为一个重要的课题。

为了得到这种规律性，很多学者作了深入的研究。

从影响服装消费的外在因素考虑，例如宏观环境、社会环境等，有的研究了中国各省份，城乡的地理差异对服装消费水平的影响，论述了各种社会因素对服装消费的综合影响。

从个人的角度出发，还有更加细致地论述了个人的各种需求对服装消费的影响。

这些研究为我们了解影响服装消费的原因做了宏观的说明，但是从微观的角度研究影响因素的研究，在现有的文献中并不多见。

为此，本文运用了多元统计分析中的因子分析模型，从问卷调查的数据出发，建立了能够解释影响大中专学生等消费者选择购买服装的因素的数学方法。

一、因子分析的基本思想及数学模型设计多个问题对受访者的服装购买倾向作问卷调查，每个问题分“很不重要”“不重要”“一般”“重要”和”很重要”五个选项。

各个问题之间可能存在错综复杂的相关关系，采用因子分析模型可以将相互之间具有联系的问题分解成为数不多的个因素，为生产商提供简洁清晰的参考。

基于因子分析的特征选择方法研究特征选择在机器学习和数据挖掘领域中起着至关重要的作用。

它可以提取出最具有代表性的特征，从而减少数据集的维度并提高算法的性能。

因子分析作为一种常用的数据降维方法，可以通过探索特征之间的相关性来进行特征选择。

本文将研究基于因子分析的特征选择方法，探讨其在实际应用中的有效性和可行性。

一、因子分析简介因子分析是一种统计方法，用于探索数据集中的隐藏结构或因素。

它假设观测数据可以由一组不可观测的连续或离散因子来解释。

通过因子分析，我们可以确定数据中最重要的因素，并将其用于特征选择。

二、基于因子分析的特征选择方法1.方差贡献率方差贡献率是一种常用的特征选择方法，它基于因子分析结果中因子的解释方差。

通过计算每个特征的方差贡献率，我们可以评估其在数据集中的重要性。

选择具有较高方差贡献率的特征，可以保留数据集的关键信息。

2.因子载荷因子载荷是因子分析中最具代表性的指标之一。

它表示每个特征与因子之间的相关性程度。

通过计算每个特征的因子载荷，我们可以确定其对隐含因子的贡献程度，从而进行特征选择。

3.特征与因子之间的相关性除了因子载荷外，我们还可以通过计算特征与因子之间的相关性来进行特征选择。

如果特征与因子之间的相关性较高，则可以认为该特征对于数据集的解释能力较强，应该被选中作为重要特征。

4.累积贡献率累积贡献率是评估因子分析效果的一个重要指标。

它表示前n个因子的方差贡献之和。

通过计算累积贡献率，我们可以确定保留多少个因子，以及在特征选择过程中应该保留哪些特征。

三、基于因子分析的特征选择方法的优势和应用1.提高算法性能通过基于因子分析的特征选择方法，我们可以减少数据集的维度，降低算法的复杂性，从而提高算法的性能和效率。

2.发现关键特征因子分析可以发现特征之间的隐藏关系，并提取出最能代表数据集特征的因子。

这些因子对于理解数据集中的关键特征非常重要，有助于深入挖掘数据。

3.应用广泛基于因子分析的特征选择方法在各个领域都有广泛的应用。

170建筑工程与水利交通建筑工程设计的风险因素分析是建筑工程设计工作的重要组成部分，科学的分析建筑工程设计风险因素的因子分析法，并根据建筑工程设计的实际情况加强建筑工程的风险评估能力，逐步实现建筑工程设计风险的动态管管理，加强相关技术人员的专业知识培训工作，使之适应社会主义现代化建设的需要。

一、建筑工程设计风险因素的因分子分析法研究步骤（一）建筑工程设计风险因素的设置在建筑工程设计风险的设置的前期准备阶段，及时与建筑设计工程师、建筑工程项目管理人员、监理工程师进行及时的沟通，并严格控制建筑工程设计风险因素。

建筑工程设计风险因素变量主要包括设计单位的选择、设计单位的工作管理制度、设计人员的风险意识、设计合同、项目使用的工艺和材料、监理方的责任程度、设计交底和图纸会审工作、市场环境等多种风险因素参数。

（二）研究样本及数据逐步完善建筑工程设计风险因素参数基本信息，并科学的制定建筑工程设计风险因素参数表，将建筑设计单位、建筑开发公司、施工单位、监理单位、咨询单位、规划单位等相关意见建议进行有效的整合，保证建筑工程设计风险数据的完整性。

（三）研究方法及思想因子分析法可以对建筑工程设计风险进行全方位的分析，并能反应出建筑工程设计风险众多因素的表现特征。

因子分析法可以从研究变量的内部关系进行研究，并将大量的变量经过整合之后形成少量的综合因子，由于不同的因子具有不同的特点，因子分析法可以将对不同因子进行科学的统计之后进行有效的分类。

在建筑工程设计风险因素研究工作中，通过少数因子的方式揭示建筑工程设计风险因素之间的联系，有利于提升建筑工程设计的风险评估水平。

二、因子分析法的建筑工程设计风险因素研究（一）因子分析法适用性检验因子分析法适用性检验是研究建筑工程设计风险因素的重要环节之一。

通过因子分析法适用性检验的方式对样本数据进行检验，并及时的监测样本指标的实际变化情况。

在具体的检验的环节中，充分利用计算机软件的方式对样本数据进行科学的计算，通过观察自由度与显著水平之间的关系对建筑设计风险参数数据进行比较，可以发现建筑设计风险参数之间具有一定的联系，为开展因子分析法提供了依据[1]。

基于因子分析的山东省进出口贸易影响因素研究摘要：本文通过对1990年至2009年山东省进出口贸易的有关数据进行基于因子分析方法的研究，初步探讨了对山东省进出口有影响的几个因素，为今后进出口政策的调整提供了参考依据。

关键词：因子分析；进出口贸易一、引言关于对外贸易影响的因素研究分析，已有学者作了一些工作：姚丽芬（1998）运用主成分分析方法分析了我国进出口的影响因素；魏巍贤（2000）运用hendry提出的从一般到特殊的方法分析了我国出口增长的决定因素等等。

而本文利用因子分析的方法，选取了八个在进出口贸易中有显著影响的变量，将进出口贸易中复杂的影响因素转化为几个综合指标。

二、进出口贸易影响因素的因子分析（一）经济指标的选取根据经济学的理论，进出口会受到国民收入、汇率、税率、利用外资等等多种因素的影响，每种因素的影响程度不同，本文选取了八个主要影响因子作为指标来做分析：山东省gdp（亿元）（x1），固定资产投资（亿元）（x2），实际利用外资（亿美元）（x3），外汇储备（亿美元）（x4），货币供应（亿元）（x5），年平均汇率（人民币兑美元）（x6），全球年平均经济增长率（%）（x7），年平均关税（%）（x8），选取1990-2009年的历史数据作为原始数据。

其中x1、x2、x3数据来自《山东统计年鉴》（2010），x4、x5、x6来自《中国统计年鉴》（2010），x8来自海关总署，x7数据来自《世界经济年鉴》和世界货币基金组织。

（二）因子分析过程由于各个指标之间的取值范围相差很大，而且度量单位不同，在分析之前对原始变量进行标准化。

kmo值为0.693，取值比较理想，bartlett’s值为272.664，p<0.0001,球形假设被拒绝，可以考虑因子分析。

前两个公因子的方差贡献率分别为77.15%和14.17%,两者相加达到了90%以上，几乎包含了所有指标所具有的信息，原来的八个变量转化为两个综合指标。

初探中国大学校长专业发展研究因素的合理性——基于因子分析法的教育部直属大学校长专业发展因素摘要：对中国教育部直属72所高校校长的单学科、多学科、本校学习与工作经历、他校工作经历、国外学习经历、国外工作经历、文科、理工科八项因素进行分项统计，通过因子分析方法可以验证研究因素的合理性及发展方向。

关键词：大学校长；专业发展；因素分析大学校长向来被视为学校发展的灵魂人物，对大学校长这一群体的研究逐渐引起了社会的广泛关注，在分析与研究当中不可避免地会遇到研究因素的合理性问题，本文引入社会科学专用统计软件（SPSS）试图确定所选取的众多因素的合理性并较为客观地预测方向。

一、样本数据说明本研究以中华人民共和国教育部直属72所高校的校长作为研究对象，主要有：北京大学、中国人民大学、清华大学、北京交通大学、北京科技大学、北京化工大学、北京邮电大学、中国农业大学、北京林业大学、北京中医药大学、北京师范大学、北京外国语大学、北京语言大学、中国传媒大学、中央财经大学、对外经济贸易大学、中央音乐学院、中央美术学院、中央戏剧学院、中国政法大学、华北电力大学、南开大学、天津大学、大连理工大学、东北大学、吉林大学、东北师范大学、东北林业大学、复旦大学、同济大学、上海交通大学、华东理工大学、东华大学、上海外国语大学、华东师范大学、上海财经大学、南京大学、东南大学、中国矿业大学、河海大学、江南大学、南京农业大学、中国药科大学、浙江大学、合肥工业大学、厦门大学、山东大学、中国海洋大学、中国石油大学、武汉大学、华中科技大学、中国地质大学、武汉理工大学、华中农业大学、华中师范大学、中南财经政法大学、湖南大学、中南大学、中山大学、华南理工大学、四川大学、重庆大学、西南交通大学、电子科技大学、西南大学、西南财经大学、西安交通大学、西安电子科技大学、长安大学、西北农林科技大学、陕西师范大学、兰州大学，共72所。

信息来自各大高校的网站。

1.研究分析数据的来源对教育部直属72所高校校长的学校、姓名、性别、民族、出生年月、籍贯、政治面貌、最高学历/学位、最高学历毕业院校、职务、主管工作、任职情况/经历、职称、学习经历、研究领域与方向、科研成果情况等各项信息为索引搜集材料，并对各位大学校长的学位分科、在任职学校的学习与任职经历、职业经历、他校工作经历、单学科或多学科、国外学习及工作等信息进行整理、统计，得出分析数据。