几种分析法的优缺点
- 格式:docx
- 大小:9.60 KB
- 文档页数:4
存在的主要问题进行分析的方法有一、引言主要问题的分析是解决复杂问题的关键步骤之一,它有助于我们深入了解问题的本质,并找到解决方案。
然而,在进行问题分析时,我们需要使用科学严谨的方法来确保研究结果准确可靠。
本文将介绍几种常用的存在主要问题分析方法,并探讨它们各自的优缺点。
二、头脑风暴法头脑风暴法是一种常用的存在主要问题分析方法,它通过集思广益地收集团队成员的意见和想法来识别问题。
这种方法适合开放性和创造性思考,并能够激发团队成员之间的积极讨论。
在使用头脑风暴时,首先需要明确研究的问题,并邀请所有相关人员参与讨论。
然后,以一个中立和开放态度来引导对话,鼓励每个人积极贡献自己的想法。
最后,整理归纳出所有收集到的意见和建议,并进行进一步分析。
尽管头脑风暴法可以帮助我们快速产生大量创新思路,但也存在一些局限性。
例如,在群体讨论中,某些参与者可能会受到其他人的影响而抑制自己的观点;同时,由于意见众多,有时难以筛选出最为重要和实施性的观点。
三、因果分析法因果分析法是一种通过追溯问题产生的根本原因来进行分析的方法。
它基于假设:如果我们能够找到问题存在的根本原因,并从源头上进行解决,那么问题就能得到根本解决。
在使用因果分析法时,我们可以采用鱼骨图或五个为什么等工具来帮助我们找出问题背后隐藏的原因。
这种方法需要综合考虑各种可能性,并通过逐层追溯来发现问题发生的根本原因。
然而,因果分析法也有其局限性。
在实践过程中,我们可能面临信息不完整、数据不准确等挑战,很难得出确切且可靠的结论。
此外,由于一个问题往往有多个潜在原因,找到主要问题所在并非易事。
四、SWOT分析法SWOT分析法是一种全面评估组织内外环境及其优势、劣势、机会和威胁的方法。
通过对这些因素进行分析,我们能够了解问题的内在优势和不足,抓住机遇并应对挑战。
在使用SWOT分析法时,我们首先需要收集相关信息,并将其归类到四个方面:优势、劣势、机会和威胁。
然后,分别对每个方面进行概述和评估。
标准曲线法的优缺点
标准曲线法是一种常用的定量分析方法,它通过制备一系列标准溶液,测定它
们的吸光度,然后根据吸光度与溶液浓度的关系建立标准曲线,再利用标准曲线来测定未知样品的浓度。
这种方法具有一定的优点,同时也存在一些缺点。
首先,标准曲线法的优点之一是准确性高。
通过建立标准曲线,可以准确地确
定未知样品的浓度,从而保证了分析结果的准确性。
其次,这种方法的灵活性较强。
只要有足够的标准溶液和适当的仪器设备,就可以应用于各种不同的物质分析,具有一定的通用性。
此外,标准曲线法还可以用于多种分析方法,如光谱法、色度法等,具有较广泛的适用范围。
然而,标准曲线法也存在一些缺点。
首先,制备标准曲线需要大量的标准溶液,这在一定程度上增加了实验的成本和时间。
其次,标准曲线法对仪器设备和操作人员的要求较高,需要保证实验条件的稳定性和准确性,这对实验室的条件和人员素质提出了一定的要求。
另外,标准曲线法在样品浓度较低或较高时可能会出现一定的误差,需要在实际操作中加以注意和修正。
综上所述,标准曲线法作为一种常用的定量分析方法,具有准确性高、灵活性
强等优点,但也存在制备成本高、对仪器设备和操作人员要求高等缺点。
在实际应用中,需要根据具体情况综合考虑,选择合适的分析方法,以保证分析结果的准确性和可靠性。
简述液相色谱标准曲线法的优缺点
液相色谱标准曲线法是一种常用的分析方法,其优点和缺点可以总结如下:
优点:
1. 精确度高:通过建立标准曲线,可以进行定量分析,提高结果的准确性。
2. 灵敏度高:标准曲线法可以对低浓度物质进行可靠的定量分析,从而提高了方法的灵敏度。
3. 可靠性强:标准曲线法采用内标法进行校正,可以消除样品制备和分析过程中的误差和波动,提高了结果的可靠性。
4. 实验操作简单:标准曲线法只需要测量一系列标准溶液的峰面积或峰高,构建标准曲线,然后通过测量样品的峰面积或峰高,就可以定量分析,操作简单。
缺点:
1. 依赖标准品:标准曲线法需要有一系列准确浓度的标准品作为参照,如果标准品没有准备好或浓度不准确,将影响定量结果的准确性。
2. 操作复杂:标准曲线法需要准确配制标准溶液,进行多次测量,构建标准曲线等步骤,操作相对复杂,需要一定的实验技巧。
3. 灵敏度有限:标准曲线法对于极低浓度的物质分析,灵敏度有限,无法满足低浓度物质的定量要求。
4. 容易受到干扰:标准曲线法需要考虑样品基质的影响,如样品基质中的其他化合物对分析物的吸附、干扰等,可能会影响定量结果的准确性。
原子吸收光谱法的优缺点优点:1.高选择性:原子吸收光谱法对物质的选择性非常高。
由于每个元素的原子结构是唯一的,每个元素吸收光的特性也是不同的。
因此,通过选择适当的波长进行测量,就可以获得该元素的特定吸收信号,避免其他干扰物质带来的干扰。
2.高灵敏度:原子吸收光谱法具有很高的灵敏度。
通过使用专用的原子吸收光谱仪器,可以很容易地检测到低浓度的元素。
这种高灵敏度使原子吸收光谱法成为许多分析任务的首选方法,尤其是在需要追踪元素含量的环境和生物化学应用中。
3.宽线性范围:原子吸收光谱法具有宽线性范围。
这意味着可以在一个宽范围内测量元素的浓度,而不需要经常稀释或浓缩样品。
这种宽线性范围使得原子吸收光谱法适用于测量各种浓度的样品,从低浓度到高浓度。
4.速度快:原子吸收光谱法具有很快的分析速度。
由于原子吸收光谱仪器的自动化程度很高,可以进行高通量的样品分析,整个过程只需要几分钟。
这种快速的分析速度使得原子吸收光谱法适用于大量样品的分析,提高了工作效率。
缺点:1.需要仪器和设备:原子吸收光谱法需要专用的原子吸收光谱仪器,这些仪器通常比较昂贵。
此外,还需要其他一些设备,如气体供应装置和样品处理设备。
这些仪器和设备的成本和运维费用可能会限制该方法的使用。
2.仅适用于液态和气态样品:原子吸收光谱法只适用于液态和气态样品的分析。
对于固态样品,需要进行样品前处理,如溶解、挥发等,这增加了分析的复杂性和时间消耗。
3.元素之间的互相干扰:原子吸收光谱法中,不同元素之间可能存在互相干扰的问题。
这是因为不同元素之间的吸收线可能重叠,导致测量结果的准确度降低。
为了解决这个问题,需要进行干扰校正或选择合适的波长进行测量。
4.有限的分析范围:原子吸收光谱法只能用于测量金属元素的浓度,无法用于测量非金属元素。
对于非金属元素,需要使用其他分析方法,如离子色谱法或荧光光谱法。
总之,原子吸收光谱法是一种灵敏、准确和可靠的分析方法,广泛应用于环境监测、生物化学、食品分析等领域。
层次分析法的优缺点:优点:1.系统性的分析方法层次分析法把研究对象作为一个系统,按照分解、比较判断、综合的思维方式进行决策,成为继机理分析、统计分析之后发展起来的系统分析的重要工具。
系统的思想在于不割断各个因素对结果的影响,而层次分析法中每一层的权重设置最后都会直接或间接影响到结果,而且在每个层次中的每个因素对结果的影响程度都是量化的,非常清晰、明确。
这种方法尤其可用于对无结构特性的系统评价以及多目标、多准则、多时期等的系统评价。
2.简洁实用的决策方法这种方法既不单纯追求高深数学,又不片面地注重行为、逻辑、推理,而是把定性方法与定量方法有机地结合起来,使复杂的系统分解,能将人们的思维过程数学化、系统化,便于人们接受,且能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题,通过两两比较确定同一层次元素相对上一层次元素的数量关系后,最后进行简单的数学运算。
即使是具有中等文化程度的人也可了解层次分析的基本原理和掌握它的基本步骤,计算也经常简便,并且所得结果简单明确,容易为决策者了解和掌握。
3.所需定量数据信息较少层次分析法主要是从评价者对评价问题的本质、要素的理解出发,比一般的定量方法更讲求定性的分析和判断。
由于层次分析法是一种模拟人们决策过程的思维方式的一种方法,层次分析法把判断各要素的相对重要性的步骤留给了大脑,只保留人脑对要素的印象,化为简单的权重进行计算。
这种思想能处理许多用传统的最优化技术无法着手的实际问题。
缺点:1.不能为决策提供新方案层次分析法的作用是从备选方案中选择较优者。
这个作用正好说明了层次分析法只能从原有方案中进行选取,而不能为决策者提供解决问题的新方案。
这样,我们在应用层次分析法的时候,可能就会有这样一个情况,就是我们自身的创造能力不够,造成了我们尽管在我们想出来的众多方案里选了一个最好的出来,但其效果仍然不够人家企业所做出来的效果好。
层次分析法的优缺点优点:1. 系统性的分析方法层次分析法把研究对象作为一个系统,按照分解、比较判断、综合的思维方式进行决策,成为继机理分析、统计分析之后发展起来的系统分析的重要工具。
系统的思想在于不割断各个因素对结果的影响,而层次分析法中每一层的权重设置最后都会直接或间接影响到结果,而且在每个层次中的每个因素对结果的影响程度都是量化的,非常清晰、明确。
这种方法尤其可用于对无结构特性的系统评价以及多目标、多准则、多时期等的系统评价。
2. 简洁实用的决策方法这种方法既不单纯追求高深数学,又不片面地注重行为、逻辑、推理,而是把定性方法与定量方法有机地结合起来,使复杂的系统分解,能将人们的思维过程数学化、系统化,便于人们接受,且能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题,通过两两比较确定同一层次元素相对上一层次元素的数量关系后,最后进行简单的数学运算。
即使是具有中等文化程度的人也可了解层次分析的基本原理和掌握它的基本步骤,计算也经常简便,并且所得结果简单明确,容易为决策者了解和掌握。
3. 所需定量数据信息较少层次分析法主要是从评价者对评价问题的本质、要素的理解出发,比一般的定量方法更讲求定性的分析和判断。
由于层次分析法是一种模拟人们决策过程的思维方式的一种方法,层次分析法把判断各要素的相对重要性的步骤留给了大脑,只保留人脑对要素的印象,化为简单的权重进行计算。
这种思想能处理许多用传统的最优化技术无法着手的实际问题。
缺点:1. 不能为决策提供新方案层次分析法的作用是从备选方案中选择较优者。
这个作用正好说明了层次分析法只能从原有方案中进行选取,而不能为决策者提供解决问题的新方案。
这样,我们在应用层次分析法的时候,可能就会有这样一个情况,就是我们自身的创造能力不够,造成了我们尽管在我们想出来的众多方案里选了一个最好的出来,但其效果仍然不够人家企业所做出来的效果好。
而对于大部分决策者来说,如果一种分析工具能替我分析出在我已知的方案里的最优者,然后指出已知方案的不足,又或者甚至再提出改进方案的话,这种分析工具才是比较完美的。
层次分析法的优缺点1)优点(1)系统化的分析方法层次分析法通过把研究对象视作一个系统,依照目标分解、相互比较、加权综合的思维模式进行决策,成为了继统计分析、机理分析之后第三个发展起来的进行系统分析的重要工具。
系统化的思想在于各个因素对最终结果的影响是连续的,而在层次分析法中,最终的结果是由每一个层次的相对权重加权综合得到的,而且最终方案层对目标层的相对权重是经过量化的,非常的清晰和明确。
这种方法尤其适用对无明显结构特性的系统进行评价以及对多段时期、多个目标、多个准则等系统的评价。
(2)方便实用的决策方法层次分析法是将定性方法与定量方法有机地结合起来的评价方法,既不片面地追求高深的数学逻辑,又不单纯地注重主观行为、意识判断。
层次分析法通过建立较为复杂的多层次结构,从而使人们的思维过程系统化和数学化,以便于人们更容易接受。
而且通过同层次因素间的两两比较确定同层次元素相对于上一层次元素的相对权重后,能把多个目标、多个准则而且难以经过量化处理的决策问题转化为单目标多层次问题,然后进行较为简单的数学运算,得到各方案相对于总目标的相对权重,权重越高,越接近目标。
权重最高的方案即为最优方案。
运用层次分析法进行评价的整个过程简单明确,容易被使用者掌握。
(3)所需要的定量数据较少层次分析法相对于一般的定量方法而言,更加注重定性的判断和分析。
它所需要的数据主要来自于评价者对问题本质的理解和认识,来自于评价者的工作经验。
层次分析法模拟实际中人脑在决策过程中的思维模式,建立多层次结构,通过判断矩阵的构造,分析得出各方案对目标的相对权重。
利用这种分析模式,能够解决许多需要严格的数据支持的最优化方法所不能解决的实际问题。
2)缺点(1)定性成分多,主观因素占比例较大层次分析法在分析过程中,所利用的数据定性因素成分很大,例如判断矩阵的构造在很大程度上是依据专家的经验得到。
这就导致,在层次分析法的评价中,主观成分大,说服力小,不易令人信服。
信息加⼯分析法的优缺点1. 优点信息加⼯分析法是少数⼏种描述隐性的思维过程的⼯作任务分析⽅法之⼀。
因此,这种⽅法特别适⽤于复杂的极少有外在⾏为特征的⼯作任务分析。
制定决策、解决问题以及评价等认知型⼯作任务在执⾏的过程中⼤都是不可观察的。
这类⼯作任务就可以使⽤信息加⼯法进⾏分析,通过设计⼀个流程图来展⽰⼯作任务的步骤及执⾏的先后顺序。
信息加⼯分析法可作为其它分析⽅法的补充,⽐如学习层级分析法。
梅⾥尔(Merrill)(1978)曾经指出,信息加⼯分析法可以发现学习层级分析法忽略的技能和次级技能,或者找出完成⼯作任务所不需要的某些技能[1]。
因此,信息加⼯分析法可⽤来补充或者修订层级分析的结果。
信息加⼯分析法的基本⽅法论易于学习和应⽤于简单的⼯作任务中,⽽且具有可概括性,可以应⽤于其他⼯作任务分析流程中。
⼀旦分析者学会了记录⼯作任务步骤并将其在流程图中描述出来的基本⽅法,那么他/她也就学会了⼀种⽤于跟踪显性的或隐性的⼯作任务执⾏路径的⼯作任务分析⽅法。
2. 缺点信息加⼯分析的⽬的是直接揭⽰如何执⾏⼀项⼯作任务,⽽不是如何学习⼀项⼯作任务(Dick & Carey,1996)[2]。
如此⼀来,⼯作任务流程图中的步骤可能不能展⽰完成⼀个步骤所必需的所有技能和次级技能。
所以,要想得到如何学习⼀项⼯作任务的完整内容,只通过信息加⼯是不够的,还需要其它⼯作任务分析⽅法,⽐如学习层级分析法和头脑风暴等,来导出⼀项⼯作任务所需的所有技能和知识。
信息加⼯分析法揭⽰的是有胜任能⼒的操作者执⾏⼀项⼯作任务的步骤及顺序,⽽不是直接揭⽰新⼿如何掌握⼯作任务的操作顺序。
对于特别复杂的认知型⼯作任务,使⽤信息加⼯分析法可能很难描述。
如果⼀个决策点有多个选项,那么很难将决策的分⽀详细地描述出来。
如何选择合适的模型也是⼀个问题。
尽管专家是最有效率地完成某项⼯作任务的操作者,但是对于新⼿来说,业务专家的信息加⼯模型不⼀定是最佳的学习模型,因为专家可能使⽤的是基于⼤量经验和先前知识的便捷⽅法,⽽新⼿不可能在较短的时间内习得这些经验和知识。
内标法及外标法方法原理优缺点内标法(internal standard method)和外标法(external standard method)都是常见的分析方法,用于定量分析中。
一、内标法内标法是指在分析样品中加入指定量的内标物质,通过该内标物质与目标分析物相对稳定的对比关系来进行定量分析。
内标法常见的应用场景包括药物检测、环境监测、食品安全等。
内标法的具体操作步骤如下:1.准备内标物质:根据目标分析物的性质选择一个与其化学性质相近的内标物质,并准备好内标物质的标准溶液。
2.加入内标物质:将内标物质的标准溶液与待分析样品混合,使得内标物质和目标分析物共存于同一体系中。
3.分析样品:将加入内标物质的样品进行分析,得到目标分析物的响应信号和内标物质的响应信号。
4.计算:通过对比目标分析物的信号和内标物质的信号,计算出目标分析物的含量。
内标法的优点:1.消除误差:内标法可以减小仪器和环境的非特异性因素对分析结果的影响,从而减小误差。
2.稳定性高:内标物质的选择通常是与目标分析物性质相似,并且具有稳定性较高的物质,可以增加分析结果的准确性和重现性。
3.方便快捷:内标法的操作相对简单,适用于高通量的样品分析。
内标法的缺点1.内标物质的选择:选择合适的内标物质需要对目标分析物的化学性质有一定的了解,有时可能会遇到难以找到合适的内标物质的情况。
2.干扰因素:如果样品中存在与内标物质相似的物质或者存在与目标分析物相互作用的物质,可能会干扰分析结果。
二、外标法外标法是指将待测样品与已知浓度、纯度的外部参考物质进行比对,通过浓度差异来进行定量分析。
外标法常见的应用场景包括药物分析、生物学研究等。
外标法的具体操作步骤如下:1.准备外标物质:选择一个与目标分析物具有相似物理化学性质的外标物质,并准备好外标物质的标准溶液。
2.建立标准曲线:根据外标物质的标准溶液的不同浓度,分别测量其响应信号,并绘制标准曲线。
3.测量样品:将样品进行测量,得到目标分析物的响应信号。
层次分析法的优缺点优点:1. 系统性的分析方法层次分析法把研究对象作为一个系统,按照分解、比较判断、综合的思维方式进行决策,成为继机理分析、统计分析之后发展起来的系统分析的重要工具。
系统的思想在于不割断各个因素对结果的影响,而层次分析法中每一层的权重设置最后都会直接或间接影响到结果,而且在每个层次中的每个因素对结果的影响程度都是量化的,非常清晰、明确。
这种方法尤其可用于对无结构特性的系统评价以及多目标、多准则、多时期等的系统评价。
2. 简洁实用的决策方法这种方法既不单纯追求高深数学,又不片面地注重行为、逻辑、推理,而是把定性方法与定量方法有机地结合起来,使复杂的系统分解,能将人们的思维过程数学化、系统化,便于人们接受,且能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题,通过两两比较确定同一层次元素相对上一层次元素的数量关系后,最后进行简单的数学运算。
即使是具有中等文化程度的人也可了解层次分析的基本原理和掌握它的基本步骤,计算也经常简便,并且所得结果简单明确,容易为决策者了解和掌握。
3. 所需定量数据信息较少层次分析法主要是从评价者对评价问题的本质、要素的理解出发,比一般的定量方法更讲求定性的分析和判断。
由于层次分析法是一种模拟人们决策过程的思维方式的一种方法,层次分析法把判断各要素的相对重要性的步骤留给了大脑,只保留人脑对要素的印象,化为简单的权重进行计算。
这种思想能处理许多用传统的最优化技术无法着手的实际问题。
缺点:1.不能为决策提供新方案层次分析法的作用是从备选方案中选择较优者。
这个作用正好说明了层次分析法只能从原有方案中进行选取,而不能为决策者提供解决问题的新方案。
这样,我们在应用层次分析法的时候,可能就会有这样一个情况,就是我们自身的创造能力不够,造成了我们尽管在我们想出来的众多方案里选了一个最好的出来,但其效果仍然不够人家企业所做出来的效果好。
而对于大部分决策者来说,如果一种分析工具能替我分析出在我已知的方案里的最优者,然后指出已知方案的不足,又或者甚至再提出改进方案的话,这种分析工具才是比较完美的。
主成分分析就是将多项指标转化为少数几项综合指标,用综合指标来解释多变量的方差- 协方差结构。
综合指标即为主成分。
所得出的少数几个主成分,要尽可能多地保留原始变量的信息,且彼此不相关。
因子分析是研究如何以最少的信息丢失,将众多原始变量浓缩成少数几个因子变量,以及如何使因子变量具有较强的可解释性的一种多元统计分析方法。
聚类分析是依据实验数据本身所具有的定性或定量的特征来对大量的数据迚行分组归类以了解数据集的内在结构,并且对每一个数据集迚行描述的过程。
其主要依据是聚到同一个数据集中的样本应该彼此相似,而属于不同组的样本应该足够不相似。
三种分析方法既有区别也有联系,本文力图将三者的异同迚行比较,并举例说明三者在实际应用中的联系,以期为更好地利用这些高级统计方法为研究所用有所裨益。
二、基本思想的异同
(一)共同点主成分分析法和因子分析法都是用少数的几个变量(因子)来综合反映原始变量(因子)的主要信息,变量虽然较原始变量少,但所包含的信息量却占原始信息的85 % 以上,所以即使用少数的几个新变量,可信度也很高,也可以有效地解释问题。
并且新的变量彼此间互不相关,消除了多重共线性。
这两种分析法得出的新变量,并不是原始变量筛选后剩余的变量。
在主成分分析中,最终确定的新变量是原始变量的线性组合,如原始变量为x1 ,x2 , ,x3 ,经过坐标变换,将原有的p个相关变量xi作线性变换,
每个主成分都是由原有p 个变量线性组合得到。
在诸多主成分Zi 中,Z1 在方差中占的比重最大,说明它综合原有变量的能力最强,越往后主成分在方差中的比重也小,综合原信息的能力越弱。
因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系,它不是对原始变量的重新组合,而是对原始变量迚行分解,分解为公共因子与特殊因子两部分。
公共因子是由所有变量共同具有的少数几个因子;特殊因子是每个原始变量独自具有的因子。
对新产生的主成分变量及因子变量计算其得分,就可以将主成分得分或因子得分代替原始变量迚行迚一步的分析,因为主成分变量及因子变量比原始变量少了许多,所以起到了降维的作用,为我们处理数据降低了难度。
聚类分析的基本思想是: 采用多变量的统计值,定量地确定相互之间的亲疏关系,考虑对象多因素的联系和主导作用,按它们亲疏差异程度,归入不同的分类中一元,使分类更具客观实际并能反映事物的内在必然联系。
也就是说,聚类分析是把研究对象视作多维空间中的许多点,并合理地分成若干类,因此它是一种根据变量域之间的相似性而逐步归群成类的方法,它能客观地反映这些变量或区域之间的内在组合关系[3 ] 。
,分析的结果为群集。
对向量聚类后,我们对数据的处理难度也自然降低,所以从某种意义上说,聚类分析也起到了降维的作用。
(二)不同之处主成分分析是研究如何通过少数几个主成分来解释多变量的方差一协方差结构的分析方法,也就是求出少数几个主成分(变量),使它们尽可能多地保留原始变量的信息,且彼此不相关。
它是一种数学变换方法,即把给定的一组变量通过线性变换,转换为一组不相关的变量(两两相关系数为0 ,或样本向量彼此相互垂直的随机变量),在这种变换中,保持变量的总方差(方差之和)不变,同时具有最大方差,称为第一主成分;具有次大方差,称为第二主成分。
依次类推。
若共有p个变量,实际应用中一般不是找p个主成分,而是找出m (m < p)个主成分就够了,只要这m 个主成分能反映原来所有变量的绝大部分的方差。
主成分分析可以作为因子分析的一种方法出现。
因子分析是寻找潜在的起支配作用的因子模型的方法。
因子分析是根据相关性大小把变量分组,使得同组内的变量之间相关性较高,但不同的组的变量相关性较低,每组变量代表一个基本结构,这个基本结构称为公共因子。
对于所研究的问题就可试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。
通过因子分析得来的新变量是对每个原始变量迚行内部剖析。
因子分析不是对原始变量的重新组合,而是对原始变量迚行分解,分解为公共因子和特殊因子两部分。
具体地说,就是要找出某个问题中可直接测量的具有一定相关性的诸指标,如何受少数几个在专业中有意义、又不可直接测量到、且相对独立的因子支配的规律,从而可用各指标的测定来间接确定各因子的状态。
因子分析只能解释部分变异,主成分分析能解释所有变异。
聚类分析算法是给定m维空间R中的n个向量,把每个向量归属到k个聚类中的某一个,使得每一个向量与其聚类中心的距离最小。
聚类可以理解为: 类内的相关
性尽量大,类间相关性尽量小。
聚类问题作为一种无指导的学习问题,目的在于通过把原来的对象集合分成相似的组或簇,来获得某种内在的数据规律。
从三类分析的基本思想可以看出,聚类分析中并没于产生新变量,但是主成分分析和因子分析都产生了新变量。
三、数据标准化的比较
主成分分析中为了消除量纲和数量级,通常需要将原始数据迚行标准化,将其转化为均值为0方差为1 的无量纲数据。
而因子分析在这方面要求不是太高,因为在因子分析中可以通过主因子法、加权最小二乘法、不加权最小二乘法、重心法等很多解法来求因子变量,并且因子变量是每一个变量的内部影响变量,它的求解与原始变量是否同量纲关系并不太大,当然在采用主成分法求因子变量时,仍需标准化。
不过在实际应用的过程中,为了尽量避免量纲或数量级的影响,建议在使用因子分析前还是要迚行数据标准化。
在构造因子变量时采用的是主成分分析方法,主要将指标值先迚行标准化处理得到协方差矩阵,即相关矩阵和对应的特征值与特征向量,然后构造综合评价函数迚行评价。
聚类分析中如果参与聚类的变量的量纲不同会导致错误的聚类结果。
因此在聚类过程迚行之前必须对变量值迚行标准化,即消除量纲的影响。
不同方法迚行标准化,会导致不同的聚类结果要注意变量的分布。
如果是正态分布应该采用z 分数法。
四、应用中的优缺点比较
(一)主成分分析
1、优点
首先它利用降维技术用少数几个综合变量来代替原始多个变量,这些综合变量集中了原始变量的大部分信息。
其次它通过计算综合主成分函数得分,对客观经济现象迚行科学评价。
再次它在应用上侧重于信息贡献影响力综合评价。
2、缺点当主成分的因子负荷的符号有正有负时,综合评价函数意义就不明确。
命名清晰性低。
(二)因子分析
1、优点第一它不是对原有变量的取舍,而是根据原始变量的信息迚行重新组合,找出影响变量的共同因子,化简数据;第二,它通过旋转使得因子变量更具有可解释性,命名清晰性高。
2、缺点
在计算因子得分时,采用的是最小二乘法,此法有时可能会失效。
(三)聚类分析
1、优点
聚类分析模型的优点就是直观,结论形式简明。
2、缺点在样本量较大时,要获得聚类结论有一定困难。
由于相似系数是根据被试的反映来建立反映被试间内在联系的指标,而实践中有时尽管从被试反映所得出的数据中发现他们之间有紧密的关系,但事物之间却无任何内在联系,此时,如果根据距离或相似系数得出聚类分析的结果,显然是不适当的,但是,聚类分析模型本身却无法识别这类错误。