2025年大学《应用统计学》专业题库- 因素分析在数据维度识别中的作用

2025年大学《应用统计学》专业题库——因素分析在数据维度识别中的作用考试时间：______分钟总分：______分姓名：______一、简述因素分析的主要目的及其在数据降维中的作用。二、解释什么是因子载荷，并说明在因素分析中，高载荷和低载荷分别意味着什么。三、比较并说明主成分分析和因素分析的主要区别。在什么情况下更倾向于使用主成分分析？四、因子旋转的目的是什么？常用的因子旋转方法有哪些？简述方差最大化旋转的基本思想。五、在因素分析中，什么是共同度？它的大小反映了什么信息？六、假设对某数据集进行了因素分析，提取了两个因子，得到如下的因子载荷矩阵（简化示例）：变量1变量2变量3变量4因子10.820.150.500.30因子20.100.780.600.55请根据此矩阵，描述变量1、2、3、4与因子1、因子2的关系。七、在进行因素分析时，常用的提取因子标准有哪些？请分别简述。八、某研究者对一组包含10个观测变量的数据进行了因素分析，得到了特征值和解释的总方差比例（简化示例）：因子特征值解释的总方差比例（%）123.535.5218.728.138.913.445.17.753.85.8...（更高特征值较小）如果研究者希望提取的因子能解释至少60%的总方差，并且因子数量不宜过多，请问应提取多少个因子？九、解释因素得分的概念及其计算意义。在哪些情况下使用因子得分可能更有价值？十、讨论因素分析的主要局限性，并指出在实际应用中需要注意哪些问题。试卷答案一、因素分析的主要目的是通过降维，将多个原始变量归纳为少数几个不可观测的潜在因子，用以解释原始变量之间的共线性关系或数据结构。它在数据降维中的作用在于简化数据集，减少模型复杂度，提高数据分析效率，并有助于揭示数据背后潜在的隐含模式或构念。二、因子载荷表示第i个原始变量与第j个因子之间的相关程度或关联强度。载荷的绝对值越大，表示该原始变量在该因子上的解释程度越高，即该变量是构成此因子的主要成分。高载荷通常意味着原始变量与因子高度相关，是该因子的典型代表；低载荷则表示原始变量与该因子的关系较弱，对该因子的贡献较小。三、主成分分析（PCA）和因素分析（FA）的主要区别在于目标不同。PCA旨在通过线性组合原始变量，生成少数几个能最大化总方差的主成分，重点在于保留数据变异信息；而FA旨在通过潜在因子解释原始变量之间的相关性，重点在于探究变量结构背后的潜在原因或构念。PCA的结果是主成分，FA的结果是潜在因子。当主要目标是数据压缩和保留最大变异时，倾向于使用PCA；当主要目标是探索变量间关系、简化变量结构或解释潜在构念时，倾向于使用FA。四、因子旋转的目的是改变因子载荷矩阵中载荷的分布，使得因子结构更清晰、解释更直观。即让每个原始变量主要载荷在一个因子上，而尽量在其它因子上的载荷很小，从而更容易根据载荷大小来解释每个因子的具体含义。常用的因子旋转方法包括方差最大化旋转（Varimax，一种正交旋转，使因子内部变量方差最大化，因子间变量方差最小化）和斜交旋转（如Promax，允许因子间存在相关性）。方差最大化旋转的基本思想是通过对变量和因子进行正交变换，使得每个因子上的变量载荷尽可能接近1或0，不同因子之间变量的载荷差异尽可能大。五、共同度（Communality）是指每个原始变量的总变异中，可以被所有提取出的公因子共同解释的变异比例。它反映了该变量与其它变量的关联程度，或者说该变量包含的“共同信息”量。共同度的大小反映了原始变量对其所属因子体系的依赖程度，共同度越高，说明该变量的变异越能被因子体系所解释，与其它变量的相关性越强；反之，共同度越低，说明该变量的变异中有更多是独特的、未被因子体系解释的部分。六、根据给出的因子载荷矩阵：*变量1在因子1上有高载荷（0.82），在因子2上有低载荷（0.10），表明变量1主要由因子1解释。*变量2在因子1上有低载荷（0.15），在因子2上有高载荷（0.78），表明变量2主要由因子2解释。*变量3在因子1和因子2上都有中等偏高的载荷（分别为0.50,0.60），表明变量3同时受因子1和因子2的共同影响。*变量4在因子1上有中等载荷（0.30），在因子2上有中等偏高载荷（0.55），同样表明变量4同时受因子1和因子2的共同影响，但对因子2的载荷略强。七、进行因素分析时常用的提取因子标准主要有：1.特征值（Eigenvalue）法：通常选取大于1的特征值对应的因子进行提取。这是因为特征值代表了每个因子解释的方差量，大于1的因子被认为至少解释了一个变量的平均方差。2.碎石图（ScreePlot）法：绘制特征值随因子数量增加的图形，观察特征值变化的趋势。通常选择特征值曲线坡度明显变缓（形成“碎石”）之前的因子作为提取数目。3.解释方差累计贡献率法：规定提取的因子需要解释总方差的某个比例（如50%,60%或更高），选择达到该比例所需的因子数量。八、根据提取因子标准，应提取的因子数量取决于研究者设定的标准。若按“解释至少60%的总方差”的标准：*第1因子解释35.5%*第1和第2因子累计解释35.5%+28.1%=63.6%达到60%的标准。若按“特征值大于1”的标准：*第1因子特征值23.5>1*第2因子特征值18.7>1*第3因子特征值8.9>1应提取3个因子。若结合“解释方差”和“特征值”标准，并考虑因子数量不宜过多，提取2个因子（解释63.6%方差）可能更符合要求。但最终决策需结合研究目的和因子解释的合理性。九、因素得分是将原始变量的观测值通过线性组合转换得到的一系列数值，代表了每个观测在每个提取出的因子上的具体得分水平。其计算意义在于，用少数几个因子的得分数值来代替原始的多个变量值，便于进行后续的分析，如聚类、判别、回归等。在需要将因子结果用于分类预测、模型构建或进行因子得分相关的统计分析（如因子得分相关性分析）等情况下，使用因子得分可能更有价值。十、因素分析的主要局限性包括：1.模型假设限制：假设变量服从多元正态分布、因子间正交（或不相关，取决于旋转方式）、测量误差服从正态分布等，实际数据往往难以完全满足。2.结果主观性：因子数量的确定、因子载荷的解释和命名具有相当程度的主观性，不同的研究