因子分析实验报告

2012——2013学年第二学期合肥学院数理系实验报告（二）课程名称：应用多元统计分析实验项目：因子分析在江苏省上市公司股票评价中的应用实验类别：综合性□设计性√验证性□专业班级：10信息与计算科学姓名：学号：实验地点：数理系机房实验时间：2013年5月24日指导教师：成绩：江苏省经济发展水平的因子分析摘要：随着我国股票市场的不断发展，股票投资已经成为我国投资者的主要投资途径，而且也将成为我国保险基金、养老基金的重要投资渠道。对于那些稳健型的投资者而言，他们是风险规避者，投资主要目的是保值，而增值是第二位的。因此，他们必须选择那些有价值的股票，而股票评价也就显得十分必要。问题的提出二十世纪五十年代以来，西方现代财务理论中产生了许多股票定价理论和方法，如MM理论、CAPM理论、OPM理论、现金流量折现法（DCF）等，这些理论均建立在一定的假定基础或对未来现金流量的预测上，在实际操作中有一定的局限性。投资者对股票投资价值最直接的判断是来自上市公司所披露的财务报表。公司财务报表既反映了公司的财务状况，同时也是公司经营状况的全面反映。分析公司财务报表可以掌握反映公司经营状况的一系列基本指标和变化情况，了解公司经营实力和业绩，并将它们与其他公司的情况进行比较，从而对公司股票的投资价值作出基本的判断。按有关规定，上市公司应将其中期财务报表(上半年的)和年度财务报表公开发表。这样，一般投资者可从有关刊上获得上市公司的中期和年度财务报表。可是，上市公司的各种财务报表中所反映的信息非常多，投资者如果要作出正确的判断，就必须对这些纷繁复杂的信息进行提炼，对股票投资价值作出综合评价。在多元统计分析中，因子分析是一种很有效的降维和信息浓缩技术。本案例使用因子分析方法对股票进行综合评价。二、数据分析选取上市公司财务报表中的一些重要的量化指标，包括：应收账款周转率（，次）、应收账款周转天数（，天）、存货周转率（，次）、存货周转天数（，天）、流动资产周转率（，次）、流动资产周转天数（，元）。下面的表格是2012年江苏省财务报表中的一些重要指标：

现在对其进行spss对其进行因子分析，得到结果如下：DescriptiveStatisticsMeanStd.DeviationAnalysisNX138.159413213.7993844228X280.11897279.8632914228X38.77850528.0968697228X4168.466745276.5457543228X51.187695.8246264228X6459.246616351.7675749228 CorrelationMatrixX1X2X3X4X5X6CorrelationX11.000-.159-.011.183.021.018X2-.1591.000.017.081-.398.476X3-.011.0171.000-.145.064-.022X4.183.081-.1451.000-.348.610X5.021-.398.064-.3481.000-.642X6.018.476-.022.610-.6421.000KMOandBartlett'sTestKaiser-Meyer-OlkinMeasureofSamplingAdequacy..601Bartlett'sTestofSphericityApprox.Chi-Square329.402df15Sig. .000CommunalitiesInitialExtractionX11.000.583X21.000.644X31.000.135X41.000.708X51.000.659X61.000.841ExtractionMethod:PrincipalComponentAnalysis.TotalVarianceExplainedComponentInitialEigenvaluesExtractionSumsofSquaredLoadingsRotationSumsofSquaredLoadingsTotal%ofVarianceCumulative%Total%ofVarianceCumulative%Total%ofVarianceCumulative%12.33438.90238.9022.33438.90238.9022.29138.18738.18721.23620.59959.5021.23620.59959.5021.27921.31559.5023.99016.49375.9954.70411.72987.7245.5148.56096.2846.2233.716100.000ExtractionMethod:PrincipalComponentAnalysis.ComponentMatrix(a)Component12X1.023.763X2.604-.528X3-.121-.347X4.682.493X5-.805.107X6.917.011ExtractionMethod:PrincipalComponentAnalysis.a2componentsextracted.RotatedComponentMatrix(a)Component12X1-.129.753X2.697-.398X3-.050-.364X4.571.618X5-.810-.054X6.897.192ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.aRotationconvergedin3iterations.ComponentTransformationMatrixComponent121.980.1982-.198.980ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.三、实验结果分析：前3个表显示，系统首先输出各变量的均数（mean）与标准差（SetDev），并显示共有233例观察单位进入分析;接着输出相关系数矩阵（CorrelationMatrix），经Bartlett检验表明：Bartlett=329.402，p<0.0001，即相关矩阵不是一个单位阵，故考虑进行因子分析Kaiser-Meyer-OlkinMeasureofSamplingAdequacy是用于比较观测相关系数值与偏相关系数值的一个指标，其值愈逼近1，表明对这些变量进行因子分析的效果愈好。今KMO=0.601，偏小，意味着因子分析的结果可能不能被接受。第三、第四、第五个表显示，使用主成分分析法得到2个因子，因子矩阵（FactorMatrix）如下，变量与某一因子的联系系数绝对值越大，则该因子与变量关系越近。如本例，变量x6与第一因子的值为0.897，与第二因子的值为0.192，可见其与第一因子更近，与第二因子更远。或者因子矩阵也可以也作为因子贡献大小的度量，其绝对值越大，贡献越大。在FinalStatistics一栏中显示了各因子解释掉方差的比例，也称变量的共同