当前位置：文档之家 › 因子分析

因子分析

  • 格式：doc
  • 大小：512.00 KB
  • 文档页数：10

现欲对我国18个省市自治区2008年经济发展基本情况的八项指标进行因子分析。

具体采用的指标：GDP （单位：亿元）x1，居民消费水平（单位：元）x2、固定资产投资（单位：亿元）x3、职工平均工资（单位：元）x4、货物周转量（单位：亿吨公里）x5、居民消费价格指数（单位：%）x6、商品零售价指数（单位：%）x7、工业总产值（单位：亿元）x8。

部分数据见表如下：2008年18个省市自治区八项经济指标的部分数据序号 地区 x1x2x3x4x5x6x7x81 北京 10488.03 20346.00 3814.70 56328.00 758.90 105.10 104.40 10413.092 天津 6354.3814000.00 3389.80 41748.02703.40 105.40 105.10 12503.253 河北 16188.61 6570.00 8866.60 24756.00 5925.50 106.20 106.70 23030.734 山西 6938.73 6187.00 3531.20 25828.00 2562.00 107.20 107.20 10023.875 内蒙 7761.80 8108.00 5475.40 26114.00 3658.70 105.70 104.70 8740.186 辽宁 13461.57 9625.00 10019.10 27729.00 7033.90 104.60 105.30 24769.097 吉林6424.06 7591.00 5038.90 23486.01157.80 105.10 106.20 8406.858 黑龙江 8310.00 7039.00 3656.00 23046.00 1690.90 105.60 105.80 7624.549上海13698.15 27343.00 4823.10 56565.00 16029.80 105.80 105.30 25120.9210 江苏 30312.61 11013.00 15300.60 31667.00 4300.90 105.40 104.90 67798.6811 浙江 21486.92 13893.00 9323.00 34146.00 4974.90 105.00 106.30 40832.1012 安徽 8874.17 6377.00 6747.00 26363.00 5843.20 106.20 106.30 11162.1613 福建 10823.11 10361.00 5207.70 25702.00 2396.20 104.60 105.70 15212.8114 江西 6480.33 5753.00 4745.40 21000.00 2285.50 106.00 106.10 8499.5815 山东 31072.06 9573.00 15435.90 26404.90 10107.80 105.30 104.90 62958.5316 河南 18407.78 5877.00 10490.60 24816.00 5165.10 107.00 107.50 26028.4117 湖北 11330.38 7406.00 5647.00 22739.00 2526.40 106.30 106.30 13454.9418 湖南11156.64 7145.00 5534.00 24870.02349.80 106.00 105.60 11553.31具体实验步骤：1、按照顺序：分析——降维——因子分析进入到因子分析的对话框中，将八个变量选入到变量框中。

（2）、单击“描述”按钮，弹出“因子分析：描述统计”对话框，选中“KMO和Bartlett的球形度检验”即可。

如下是KMO检验和Bartlett球体检验的结果。

其中KMO的值为0.440，Bartlett球体检验的p值为0.000<0.05，故认为适合进行因子分析。

KMO 和Bartlett 的检验取样足够度的Kaiser-Meyer-Olkin 度量。

.440Bartlett 的球形度检验近似卡方152.055df 28Sig. .000（3）、点击“抽取”按钮，选中“碎石图”。

此对话框中，表明萃取公因子的方法为主成分分析法，选取公因子的准则为特征值大于1，并显示未经旋转的因子载荷矩阵，运行后的结果如下：公因子方差初始提取GDPX1 1.000 .958居民消费水平x2 1.000 .970固定资产投资x3 1.000 .972职工平均工资x4 1.000 .909货物周转量x5 1.000 .765居民消费价格指数x6 1.000 .839商品零售价格指数x7 1.000 .822工业总产值x8 1.000 .962提取方法：主成份分析。

结论：此表最后一列给出了提取三个公因子后变量的共同度，除了“货物周转量”对应的共同度为0.765外，其他的值都在0.8以上，说明每个变量被提取的三个公因子说明的程度都比较高，损失的信息较少。

解释的总方差成份初始特征值提取平方和载入合计方差的% 累积% 合计方差的% 累积%1 3.432 42.903 42.903 3.432 42.903 42.9032 2.508 31.345 74.247 2.508 31.345 74.2473 1.257 15.718 89.965 1.257 15.718 89.9654 .418 5.227 95.1935 .299 3.736 98.9296 .056 .699 99.6287 .022 .276 99.9048 .008 .096 100.000提取方法：主成份分析。

结论：由此表知，SPSS提取了三个公因子（其特征值都大于1 ）前三个因子的累积贡献率达到89.965%，提取三个公因子基本已经足够。

结论：此图也说明提取三个公因子比较合适，到第四个公因子时，特征值已开始趋于平稳。

成份矩阵a成份1 2 3GDPX1 .849.488 .007居民消费水平x2 .546 -.771.278固定资产投资x3 .742.643 -.087职工平均工资x4 .451 -.790.285货物周转量x5 .647-.064 .585居民消费价格指数x6 -.443 .383 .705商品零售价格指数x7 -.522 .546.501工业总产值x8 .879.434 -.031提取方法:主成份。

a. 已提取了3 个成份。

结论：此表为因子载荷矩阵，它是因子命名的主要依据。

从此表可以看出，第一个公因子和第二个公因子在商品零售价格变量上的因子载荷相差不大，第一个公因子个第三个公因子在货物周转量变量上的载荷相差也不大，所以无法明确解释各公因子的含义，也就无法进行因子命名，因此，必须进行因子旋转。

（4）、为了使公因子的含义更容易解释。

，点击“旋转”，并选择“最大方差法”和“旋转解”、“载荷图”得到如下结果：解释的总方差成份初始特征值提取平方和载入旋转平方和载入合计方差的% 累积% 合计方差的% 累积% 合计方差的% 累积%1 3.432 42.903 42.903 3.432 42.903 42.903 3.102 38.778 38.7782 2.508 31.345 74.247 2.508 31.345 74.247 2.309 28.868 67.6463 1.257 15.718 89.965 1.257 15.718 89.965 1.786 22.319 89.9654 .418 5.227 95.1935 .299 3.736 98.9296 .056 .699 99.6287 .022 .276 99.9048 .008 .096 100.000提取方法：主成份分析。

结论：此表与前面的表“解释的总方差”类似，只不过多出旋转后的特征根，方差贡献率以及累计方差贡献率，对比旋转前后的“方差贡献率”，可以发现：前三个公因子的累计贡献率相同（都是89.965%），但每个公因子的特征根发生了变化，以及它们的贡献率也发生了变化。

也就是说，因子旋转相当于在确定的公因子数目下，将相同的累积贡献率在这些公因子上重新分配。

旋转成份矩阵a成份1 2 3GDPX1 .972.084 -.079居民消费水平x2 -.014 .934-.312固定资产投资x3 .977-.124 -.049职工平均工资x4 -.103 .905-.281货物周转量x5 .496 .686.220居民消费价格指数x6 -.110 -.064 .907商品零售价格指数x7 -.081 -.327 .842工业总产值x8 .963.113 -.145提取方法:主成份。

旋转法:具有Kaiser 标准化的正交旋转法。

a. 旋转在5 次迭代后收敛。

成份矩阵a成份1 2 3GDPX1 .849.488 .007居民消费水平x2 .546 -.771.278固定资产投资x3 .742.643 -.087职工平均工资x4 .451 -.790.285货物周转量x5 .647-.064 .585居民消费价格指数x6 -.443 .383 .705商品零售价格指数x7 -.522 .546.501工业总产值x8 .879.434 -.031提取方法:主成份。

a. 已提取了3 个成份。

结论：此表为旋转后的因子载荷矩阵，将其与前面得出的表进行对比，可以发现，个因子在八个变量上的载荷趋于两极分化。

结论：此表为因子旋转的变换矩阵。

结论：此图为旋转后的因子散点图，很清晰的描绘了3个公因子与8个原始变量之间的关系及变量间的关系。

可以看出：工业总产值、GDP、固定资产投资三个变量距离较近，且在第一个公因子轴上的投影坐标较大；居民消费水平、职工平均工资、货物周转量很近，且在第二个公因子轴上的投影坐标很大；但居民消费价格指数、商品零售价格指数很近，但到底是在第三公因子轴还是在第二公因子轴上的投影坐标更大一些，这个比较难以确定。

故，还需要借助于因子载荷矩阵进行因子命名。

（5）、由于本案例涉及变量较多，若要更好更准确进行因子命名，直接通过成分矩阵那个表还不够清晰，所以可以考虑将因子载荷进行排序。

因此，单击“选项”按钮，并选中“按大小排序”运行结果如下：旋转成份矩阵a成份1 2 3固定资产投资x3 .977 -.124 -.049GDPX1 .972 .084 -.079工业总产值x8 .963 .113 -.145居民消费水平x2 -.014 .934 -.312职工平均工资x4 -.103 .905 -.281货物周转量x5 .496 .686 .220居民消费价格指数x6 -.110 -.064 .907商品零售价格指数x7 -.081 -.327 .842提取方法:主成份。

合集下载

多因子分析与因子分析的区别与联系(Ⅰ)

多因子分析与因子分析的区别与联系(Ⅰ)

多因子分析与因子分析的区别与联系在统计学和社会科学研究领域，多因子分析和因子分析是两种常用的数据分析方法。

虽然它们的名字相似，但实际上它们有着不同的应用和概念。

本文将从概念、方法和应用三个方面来探讨多因子分析和因子分析的区别与联系。

概念上的区别多因子分析是指在多个解释变量和一个或多个响应变量之间建立数学模型的一种分析方法。

在多因子分析中，解释变量通常是影响响应变量的各个因子，而响应变量是我们希望了解的现象或结果。

多因子分析的目的是通过建立模型来探究解释变量对响应变量的影响程度和方式，以便更好地理解和预测现象的发生和演变。

而因子分析是一种用于探索数据内在结构的统计分析方法。

在因子分析中，我们试图找出能够解释观测数据变异的最少的潜在因素，这些潜在因素通常被称为“因子”。

因子分析的目的是通过降维和提取变量之间的相关性，来揭示数据内在的结构和规律。

方法上的联系尽管多因子分析和因子分析在概念上有所不同，但它们在方法上有一定的联系。

在实际应用中，多因子分析通常会使用因子分析作为其核心方法之一。

多因子分析中的解释变量往往是高度相关的，这会导致多重共线性问题，而因子分析可以通过提取主成分的方式来解决这一问题，从而更好地建立多因子模型。

此外，因子分析也可以作为多因子分析的数据预处理方法。

在进行多因子分析之前，我们可以通过因子分析来提取出观测变量中的潜在因子，从而简化模型和减少数据的维度，使得多因子分析更加高效和准确。

应用上的联系多因子分析和因子分析在实际应用中也有一定的联系。

在社会科学研究中，研究者经常会使用多因子分析来探究多个因素对某一现象的影响，比如心理健康、生活满意度等。

而因子分析则常常被用于量表的编制和验证，通过发现潜在的因子结构来评估量表的信度和效度。

在市场调研和消费行为研究中，多因子分析和因子分析也经常被使用。

通过多因子分析，我们可以了解不同因素对消费者购买决策的影响，从而更好地制定市场营销策略。

而因子分析则可以帮助我们识别潜在的消费者偏好和行为模式，为产品定位和市场细分提供依据。

因子分析步骤范文

因子分析步骤范文

因子分析步骤范文因子分析是一种用于检验变量是否能够归类为一组潜在变量（或因子）的统计方法。

它的基本思想是通过观察变量之间的相关关系，将它们归纳为少量的相互关联的因子，从而实现数据降维和减少信息冗余的目的。

因子分析的步骤主要包括确定因子个数、因子提取、因子旋转和因子解释。

下面我将详细介绍这四个步骤。

1.确定因子个数确定因子个数是因子分析的第一步。

一般来说，最开始可以设定一个较大的因子个数，然后通过一系列的统计方法来逐步缩减因子个数。

常用的方法包括主成分分析、协方差矩阵的特征值分析和并通过解释因子的累计方差。

主成分分析通过特征值分析确定因子个数，特征值大于1的因子被保留；协方差矩阵的特征值分析确定因子个数时，特征值突变点处的因子个数被保留；通过解释因子的累计方差，一般选择累计方差达到80%以上的因子个数。

2.因子提取因子提取是根据因子假设，从原始变量中提取出代表变量间共同特点的因子。

最常用的因子提取方法是主成分分析法和最大似然法。

主成分分析法假设因子之间无关，通过正交变换将原始变量的方差分解为特征值和特征向量，特征向量即为因子载荷。

最大似然法则假设因子是多元正态分布的线性组合，通过最大化样本观测值对因子的似然函数，来估计因子载荷。

3.因子旋转因子旋转是为了将因子与其对应的变量之间的关系更加清晰明了。

常用的旋转方法包括正交旋转和斜交旋转。

正交旋转能够保留因子之间的独立性，常用的有方差最大（varimax）旋转和等距（equimax）旋转。

斜交旋转能够允许因子间存在一定的相关性，常用的有极小残差（direct oblimin）旋转和极大似然（promax）旋转。

旋转之后，通常会选择因子载荷绝对值大于0.3或0.4的变量进行命名，以便更好地解释因子。

4.因子解释因子解释是对提取和旋转后的因子进行解释。

解释因子需要从因子载荷、因子变量之间的相关系数和因子得分的角度进行。

因子载荷表示了变量与因子之间的相关性，越大表示变量在因子上的贡献越大；因子变量之间的相关系数可以帮助解释因子之间的关系，相关系数越大表示两个因子之间的相关性越强；因子得分是指个体在每个因子上的分数，它反映了个体在各个因子上的位置，用于解释个体的特征和性质。

因子分析法

因子分析法

因子分析法因子分析法是一种基于统计学的方法，用于探索数据中潜在的隐藏结构，以确定变量之间的相关关系。

它在社会科学研究中被广泛应用，用于探究研究对象的潜在变量结构。

因子分析法可以通过把原始变量组合成新的具有含义的变量，来降低数据中的冗余信息，有助于研究者全面理解研究对象特征，以及作出正确的判断和决策，从而更好地为解决社会实际问题服务，有着重要的学术意义与社会意义。

一、因子分析法的历史溯源因子分析法最早起源于美国社会心理学家凯尔（Charles Spearman），在20世纪早期，他研究生物化学的统计学，用于检验的普遍水平尺度和特定水平尺度的可能性，他发现，当把一个变量与另一个变量之间的关系抽象化时，它会隐藏在变量的值中，于是形成了一种新的统计手段，即因子分析法。

之后，此方法被广泛应用于科学研究及其他领域，以确定变量之间的相互联系，并识别出潜在结构、趋势及关联关系。

二、因子分析法的基本原理因子分析法基于把多个变量按变量特征和变量之间的相互关系组合在一起，把多个变量转换成少量几个变量，这些变量也称为因子。

它们是导致原始变量所反映出的潜在结构的原因，可能是变量内在的差异，也可能是变量之间的关系。

因子分析法在实际应用中，最重要的是理解变量之间的关系，而不仅仅是观察原始变量之间的差异，因此，它可以在研究中更有效地发现因素，有助于更精确地描述研究对象。

三、因子分析法的主要方法因子分析法有诸多方法，最基本的是相关分析，但诸如因子模式分解、因子结构分析、多元统计分析等，也是开展因子分析的有力工具，可以辅助分析师更全面地探究变量之间的关系。

因子模式分解(FMA)是因子分析法的一种，它可以让分析师发现一组变量中潜在的结构和模式，同时考虑变量之间的不同关系，以揭示潜在变量结构。

当需要组合多组变量时，可以通过多元统计分析来检验两个或多个因子之间的差异及其关系，以便发现数据关系，检验是否有潜在的结构。

四、因子分析法的应用领域因子分析法在社会科学研究中有着广泛的应用，它可以将原始变量组合成新的有含义的变量，以发现数据之间的隐含关系，并理解一个研究事件的潜在结构。

因子分析中的公因子与特殊因子

因子分析中的公因子与特殊因子

因子分析中的公因子与特殊因子因子分析是一种常用的多变量统计方法，用于研究变量之间的相关关系和潜在因子。

在因子分析中，公因子和特殊因子是非常关键的概念。

公因子是指能够解释多个变量共同变异的因素。

在因子分析中，公因子是通过将原始变量进行线性组合而得到的。

这些公因子代表了潜在的结构或特征，例如心理测试中的智力因子、情感因子等。

公因子通常是通过特征值分析和提取方法来确定的。

特殊因子是指不能由公因子解释的变量特异性。

每个变量都由公因子和特殊因子两部分构成，可表示为原始变量 = 公因子 + 特殊因子。

特殊因子代表了不可共享的、独特的个体差异，也可以解释作为误差的一部分。

公因子与特殊因子的区分可以帮助我们理解变量之间的相关性和独立性。

公因子代表了多个变量之间的共同变异，反映了相关关系。

特殊因子则代表了每个变量独特的个体差异，反映了变量的特异性。

在因子分析的过程中，我们可以通过提取公因子来简化变量，并用较少的公因子来解释更多的变异。

这有助于我们简化数据分析和结果解释的复杂性。

同时，公因子分析还可以帮助我们理解变量之间的相关性，揭示潜在的结构或特征。

公因子与特殊因子的提取方法有多种，包括主成分分析、极大似然估计和因素模型等。

在选择合适的方法时，我们需要考虑数据的特点和分析目的。

总结而言，因子分析中的公因子和特殊因子是分析变量之间相关关系和潜在结构的重要概念。

公因子代表了多个变量共同的变异，特殊因子代表了变量的个体差异。

准确理解和应用公因子与特殊因子的概念，在因子分析中能够更好地解释变量之间的关系和结构。