当前位置：文档之家 › 因子分析和主成分分析

因子分析和主成分分析

  • 格式：doc
  • 大小：210.00 KB
  • 文档页数：6

实验六因子分析和主成分分析
一、实验目的
学习利用SPSS进行因子分析和主成分分析。

二、实验内容及步骤
（一）因子分析
例：
下表资料为1987年-1998年陕西城市居民消费状况调查结果，五项消费状况指标依次命名为年末人数、人均可支配收入（元）、城乡平均储蓄额（元）、消费性支出（元）、食品消费（元），请对该资料进行因子分析。

时间（万人）人均可支
配收入
（元）
城乡平均
储蓄额
（元）
消费性支
出（元）
食品消费
（元）
1978 2779 310 28 268
1979 2807 364 36 302
1980 2831 407 48 371
1981 2865 427 58 379 201
1982 2904 452 71 393 215
1983 2931 488 87 417 229
1984 2966 552 112 457 249
1985 3002 650 149 585 286
1986 3042 814 205 698 346
1987 3088 905 286 772 394
1988 3140 1040 346 983 459
1989 3198 1239 469 1066 539
1990 3316 1369 617 1117 580
1991 3363 1498 783 1276 650
1992 3405 1705 967 1405 724
1993 3443 2102 1173 1714 822
1994 3481 2684 1572 2246 1068
1995 3513 3310 2089 2838 1340
1996 3543 3810 2659 3211 1462
1997 3570 4001 3054 3462 1488
1998 3596 4220 3453 3539 1454
1．建立数据文件。

定义变量名：分别为RS、X1、X2、X3、X4、按顺序输入相应数值，建立数据文件。

2．选择菜单“分析→降维→因子分析”，弹出“因子分析”对话框。

在对话框左侧的变量列表中选变量X1至X4，进入“变量”框，如图1。

3．单击“描述”按钮，弹出“因子分析: 描述统计”对话框，在“统计量”中选“单变量描述性”项，输出各变量的均数与标准差，“在相关矩阵”栏内选“系数”，计算相关系数矩阵，并选“KMO和Bartlett的球形度检验”项，对相关系数矩阵进行统计学检验，如图2。

图1
图2
4．单击“抽取”按钮，弹出“因子分析: 抽取”对话框，选用“主成分”方法提取因子，如图3。

图3
5．单击“旋转”按钮，弹出“因子分析: 旋转”对话框，在“方法”栏中选择“最大方差法”进行因子正交旋转，如图4。

图4
6．单击“得分”按钮，弹出“因子分析: 得分”对话框，选择“回归”项估计因子得分系数，如图5。

图5
7．结果解释
输出结果如下：
描述统计量
均值标准差分析 N 人均可支配收入（元）1737.0000 1307.83458 18 城乡平均储蓄额（元）1008.3333 1102.75788 18 消费性支出（元）1475.4444 1104.29548 18 食品消费（元）694.7778 468.46527 18
相关矩阵
人均可支配收入
（元）城乡平均储蓄额
（元）消费性支出（元）食品消费（元）
相关人均可支配收入（元） 1.000 .991 .999 .996 城乡平均储蓄额（元）.991 1.000 .990 .975 消费性支出（元）.999 .990 1.000 .995 食品消费（元）.996 .975 .995 1.000
KMO 和 Bartlett 的检验
取样足够度的 Kaiser-Meyer-Olkin 度量。

.739
Bartlett 的球形度检验近似卡方248.610 df 6 Sig. .000
成份矩阵a
成份
1
人均可支配收入（元） 1.000
城乡平均储蓄额（元）.992
消费性支出（元） 1.000
食品消费（元）.995
提取方法 :主成份。

a. 已提取了 1 个成份。

据上述结果显示陕西省居民消费状况各年来具有显著性差异，由于数据收集不够充足，导致变量较少，对于分析结果不够全面。

上述四个变量人均可支配收入、城乡平均储蓄额、消费性支出、食品消费其通过相关矩阵表明互相之间具有明显相关性。

通过公因子方差表明，这四项变量提取程度均较高。

共提取一个主要成分，包含人均可支配收入、城乡平均储蓄额、
消费性支出、食品消费。

说明陕西省城市居民消费状况主要受人均可支配收入、城乡平均储蓄额、消费性支出、食品消费影响。

合集下载

主成分和因子分析

主成分和因子分析


• 对于计算机，因子分析并不费事。
• 从输出旳成果来看，因子分析也有 因子载荷（factor loading）旳概念， 代表了因子和原先变量旳有关系数。 但是在因子分析公式中旳因子载荷 位置和主成份分析不同。
• 因子分析也给出了二维图；其解释 和主成份分析旳载荷图类似。
• 主成份分析与因子分析旳公式上旳区别
xp ap1 f1 ap2 f2 apm fm p
f1 11x1 12 x2 1p xp f2 21x1 22 x2 2 p xp
因子得分
fm m1x1 m2 x2 mp xp
因子分析旳数学
• 因子分析需要许多假定才 干够解. • 详细公式.
• 对于我们旳数据，SPSS因子分析输出为
Extraction Sums of Squared Loadings
Total % of Variance Cumulative %
3.735
62.254
62.254
1.133
18.887
81.142
• 这里旳Initial Eigenvalues就是这里旳六个
主轴长度，又称特征值（数据有关阵旳特
• 假如长轴变量代表了数据包括旳 大部分信息，就用该变量替代原
先旳两个变量（舍去次要旳一 维），降维就完毕了。
• 椭圆旳长短轴相差得越大，降维 也越有道理。
-4
-2
0
2
4
-4
-2
0
2
4
主轴和主成份
• 多维变量旳情况和二维类似，也有 高维旳椭球，只但是不那么直观罢 了。
• 首先把高维椭球旳主轴找出来，再 用代表大多数数据信息旳最长旳几 种轴作为新变量；这么，主成份分 析就基本完毕了。
主成分分析与因子分析的异同比较及应用

主成分分析与因子分析的异同比较及应用

主成分分析与因子分析的异同比较及应用一、相似之处：1.降低数据维度：主成分分析和因子分析都是降维方法，通过将原始变量进行线性组合，生成一组新变量，减少原始数据的维度。

2.揭示变量之间的关系：主成分分析和因子分析都可以揭示数据中变量之间的相关性和潜在结构，更好地理解变量之间的关系。

3.数据依赖：主成分分析和因子分析都依赖原始数据的线性关系。

二、主成分分析的特点和应用：1.数据探索：主成分分析可以用于对数据进行探索性分析，揭示数据中的模式和变量之间的关系。

2.特征选择：主成分分析可以用于提取最相关的变量，帮助选择最能代表数据信息的特征。

3.数据压缩：通过保留主要的主成分，主成分分析可以将数据压缩成较低维度，减少存储和计算的开销。

4.降噪：主成分分析可以通过去除与主成分相关较小的维度，减少噪声的影响。

三、因子分析的特点和应用：因子分析的目标是通过找到能够解释原始变量间共同方差的不可观测因子，来揭示变量背后的潜在结构。

因子分析的原理是通过将多个变量通过线性函数关系表示为少数几个潜在因子的和。

因子分析可以用于以下场景：1.变量间关系建模：因子分析可以用于建立变量之间的概念模型，识别变量的共同因子、独特因子和测量误差。

2.假设测试：因子分析可以用于检验变量之间的因果关系，以验证一些假设。

3.变量缩减：通过识别共同的因子，并组合成新的因子变量，因子分析可以减少数据集的维度。

4.数据恢复：因子分析可以通过基于因子提取的结果，恢复原始变量的丢失信息。

四、主成分分析与因子分析的区别：1.目标：主成分分析的目标是将原始变量转化为一组新的不相关的维度，以解释数据方差最大化；而因子分析的目标是将原始变量转化为一组潜在因子，以解释变量间的共同方差。

2.变量假设：主成分分析假设所有变量是观测变量的线性组合，而因子分析假设所有变量既有观测变量，也有不可观测的因子变量。

3.因素解释：主成分分析的主要解释对象是方差，因而主成分的解释目标是能够包含尽可能多的方差；而因子分析的解释对象是共同方差，因而因子的解释目标是能够解释原始变量之间的共同方差。

因子分析、主成分分析

因子分析、主成分分析


通过主成分分析，可以研究多个变量之间的相关性，揭示变量
之间的内在联系。
多元回归分析
03
在多元回归分析中，主成分分析可以用来消除变量间的多重共
线性，提高回归分析的准确性和稳定性。
金融数据分析
风险评估
在金融数据分析中，主成分分析可以用来评估投资组合的风险， 通过提取主要因子来反映市场的整体波动。
市场趋势分析
主成分分析案例：金融数据分析
总结词
主成分分析用于金融数据分析中，能够 降低数据维度并揭示主要经济趋势。
VS
详细描述
在金融领域，主成分分析被广泛应用于股 票、债券等资产组合的风险评估和优化。 通过对大量金融数据进行主成分分析，可 以提取出几个关键主成分，这些主成分代 表了市场的主要经济趋势。投资者可以利 用这些信息进行资产配置和风险管理。
特征提取
主成分分析能够提取出数据中的 主要特征，突出数据中的主要变 化方向，有助于揭示数据的内在 规律。
数据可视化
降低数据维度后，数据的可视化 变得更加容易，有助于直观地理 解和分析数据。
多元统计
多元数据描述
01
主成分分析可以用来描述多元数据的总体特征，提供对多元数
据分布的整体理解。
多元相关分析
02
目的
通过找出影响观测变量的潜在结构， 更好地理解数据的意义，简化复杂数 据的分析，并解决诸如多重共线性等 问题。
因子分析的原理
1 2 3
基于相关性
因子分析基于观测变量之间的相关性，通过找出 这些相关性背后的公因子来解释变量之间的依赖 关系。
降维
通过提取公因子，将多个观测变量的复杂关系简 化为少数几个潜在因子的线性组合，实现数据的 降维。
主成分分析 因子分析

主成分分析 因子分析

主成分分析 因子分析主成分分析和因子分析是很重要的统计分析方法。

两者都是用于对一组同质或异质的变量进行数据探索研究的技术，它们都可以提供有价值的结论，增强数据有意义的理解。

1. 主成分分析主成分分析（Principal Component Analysis，简称PCA）是从一大组变量中提取具有代表性的正交变量，组成一个新的变量集合。

PCA通过减少变量数量，减少多变量间相关性带来的重复性，从而提升数据分析的准确性和有效性。

注意减少变量数量不是减少观测样本数量，而是把原先高维度的变量合并成一组较低维度的变量。

PCA算法的基本思想是：它分析原始数据集中的变异，并从中提取主要的变量，然后将这些变量的组合（叫做主成分）用推断法来重新构建原来的数据集，最后能够说明原始变量的结构，对被研究的变量结构有系统的解释。

2. 因子分析因子分析（Factor Analysis，简称FA）是一种用来探索相关变量之间潜在关系的统计分析方法。

这一方法注重的是把一系列的变量映射到一个尽可能少的多个隐变量的过程。

其中，这些隐变量就是“因子”，它们是原来变量的代表性变量，且变量之间有因果或相关的结构关系。

FA的基本思想是，将一组变量之间的复杂的相关关系映射到一组基本关系，即因子上。

然后，当每个变量映射到一个或几个因子上后，只需要解释因子就能够完全解释自变量变化的原因。

常用的因子模型有因子旋转、因子分层、因子波动等。

相比较，主成分分析和因子分析都有各自的专业领域，它们都有不同的数据需求和分析方法，在不同的数据处理中也表现出各自的优势和劣势。

主成分分析处理比较复杂的数据，可以根据原始变量的关系构建视图，但不涉及因果关系的推断；而因子分析可以推导出被研究的变量之间的关系，进而探索或验证其原因。