《多元统计分析》（第6版）课件 第6章：因子分析理论与应用

因子分析理论与应用CONTENTS目录01因子分析概述02因子分析的基本思想与理论03因子载荷的求解方法04因子旋转与因子得分CONTENTS目录05因子分析与主成分分析的区别06因子分析的步骤与逻辑框图07因子分析的上机实现08案例分析因子分析概述01学习目标

01理解因子分析方法的思想领会因子分析通过降维将复杂变量归结为少数公共因子的核心思路，把握其对变量相关性分组的本质。

02了解因子分析的基本理论掌握因子分析模型的构成，包括公共因子、特殊因子、因子载荷等关键概念及相关数学表达。

03掌握求解因子的方法步骤熟悉从确定因子载荷、因子旋转到计算因子得分的完整流程，明确各环节的实现方式。

04分辨因子分析与主成分分析的异同对比两种方法在模型设定、变量关系、假设条件等方面的区别与联系，理解各自适用场景。

05能够用SPSS软件进行因子分析并理解结果学会运用SPSS的FactorAnalysis模块执行因子分析，正确解读输出的载荷矩阵、方差解释表等结果。2026/5/14因子分析的定位与核心思想作为主成分分析的推广，因子分析基于降维思想，从原始变量相关矩阵内部依赖关系出发，将错综复杂的变量归结为少数综合因子。因子分析的特点与主成分分析相比，更倾向于描述原始变量之间的相关关系，出发点为原始变量的相关矩阵，通过公共因子和特殊因子构建变量分解模型。因子分析的发展与应用领域思想始于1904年查尔斯·斯皮尔曼对学生考试成绩的研究，如今已成功应用于心理学、医学、气象、地质、经济学等多个领域，理论方法不断丰富。因子分析的概念因子分析的基本思想与理论02基本思想

变量分组原则根据相关性大小对原始变量分组，同组内变量相关性较高，不同组变量相关性较低，每组代表一个基本结构即公共因子。

原始变量构成原始变量可分解为两部分：少数不可观测公共因子的线性函数与该变量特有的特殊因子，特殊因子与公共因子相互独立。

物价变动案例反映物价变动无需调查所有商品价格，通过提取“综合商品”价格这一公共因子，即可代表某类商品物价变动，体现降维与信息浓缩思想。2026/5/14斯皮尔曼的例子

研究背景与数据1904年斯皮尔曼研究33名学生古典语（C）、法语（F）等6门考试成绩，得到相关矩阵，发现非对角元素大致成比例规律。

单公共因子模型提出模型xi=aiF+ei，xi为标准化成绩（均值0、方差1），F为公共因子（一般智力，均值0、方差1），ei为特殊因子且与F独立。

因子载荷与共同度ai为因子载荷，其平方a²i称为共同度，代表公共因子解释xi方差的比例，满足1=a²i+var(ei)，var(ei)为特殊因子方差（特殊度）。2026/5/14一般因子分析模型模型数学形式xi=ai1F1+ai2F2+…+aimFm+ei，xi为标准化变量（均值0、方差1），F1…Fm为独立公共因子（均值0、方差1），ei为特殊因子（均值0、与F独立）。基本假设条件原始变量X均值向量E(X)=0、协方差矩阵Σ=相关阵R；公共因子F协方差矩阵为单位阵I；特殊因子ε协方差矩阵为对角阵且与F独立。矩阵表达形式模型矩阵形式为X=AF+ε，其中X=(X1…Xp)为可观测变量向量，A为p×m因子载荷矩阵，F=(F1…Fm)为公共因子向量，ε=(ε1…εp)为特殊因子向量。2026/5/14因子载荷aij的含义aij是xi与Fj的协方差，因xi和Fj均为标准化变量（均值0、方差1），故aij同时也是两者的相关系数，其绝对值反映xi与Fj的相依程度。变量共同度h²ih²i=a²i1+a²i2+…+a²im，代表所有公共因子解释xi方差的比例，满足var(xi)=1=h²i+var(εi)，h²i越大，因子分析效果越好。公共因子方差贡献g²jg²j=a²1j+a²2j+…+a²pj，是公共因子Fj对所有原始变量方差贡献的总和，用于衡量Fj的相对重要性，g²j越大，Fj对X的影响越显著。载荷矩阵的统计意义因子载荷的求解方法03主成分法基本思路先对数据进行主成分分析，将前m个主成分作为未旋转的公共因子，通过对主成分标准化处理得到因子模型。载荷矩阵与共同度载荷矩阵A=(√λ1γ1,...,√λmγm)，其中λ为相关阵特征根，γ为标准正交特征向量；共同度h²i=Σ(aij)²，反映公共因子对变量方差的解释比例。优缺点及适用情况优点：简单直观，易于实现；缺点：特殊因子不独立，不完全符合因子模型假设。适用于共同度较大、特殊因子影响可忽略的场景。2026/5/14主轴因子法

核心原理以调整相关矩阵R*=R-Σε（主对角线为共同度h²i）为出发点，求解其特征根与特征向量，得到因子载荷矩阵A=√λ*γ*。

与主成分法的区别主成分法基于原始相关阵，解释全部方差；主轴因子法基于调整相关阵，仅解释公共因子方差，更符合因子模型“部分方差解释”的假设。

共同度初始估计通常先通过主成分分析得到初始共同度估计，再迭代优化调整相关矩阵，直至结果稳定。2026/5/14极大似然法

假设前提假定公共因子F和特殊因子ε均服从正态分布，即F~N(0,I)，ε~N(0,Σε)，且两者相互独立。

估计方法通过极大化似然函数估计因子载荷A和特殊因子方差Σε，需添加唯一性条件A'Σε⁻¹A=Λ（Λ为对角阵）以确定唯一解。

特点理论上更严谨，依赖正态分布假设，在大样本下估计效果较好，适用于对模型假设有严格要求的分析场景。2026/5/14因子旋转与因子得分04因子旋转的目的与方法因子旋转的核心目的解决初始因子解意义模糊问题，通过线性组合使各主因子表达式中变量系数差异增大，让公共因子实际意义更明确，便于对实际问题分析。正交旋转的特点与方法保持公共因子彼此独立，由初始载荷矩阵右乘正交阵实现。常用方差最大正交旋转，目标是使各列元素平方的相对方差之和最大，使载荷系数接近0或±1。斜交旋转的特点与方法放弃因子间独立限制，可能得到更简洁形式，实际意义更易解释。常用最优斜交旋转（promax方法），输出结果含因子载荷矩阵（patternMatrix）和相关阵（structureMatrix）。2026/5/14因子得分的定义指公共因子F1,F2,…,Fm在每一个样品点上的得分，用于反映样品在公共因子上的取值，可据此对样品性质及相互关系进行分析。因子得分的计算方法基于回归思想，以公共因子为因变量、原始变量为自变量建立回归方程，在最小二乘意义下得到估计值公式：F=A'R⁻¹X，其中A为因子载荷矩阵，R为原始变量相关阵，X为原始变量向量。因子得分的应用可用于样本点比较分析、聚类分析，当因子数较少时，能将样本点在因子构成的空间中标示，直观描述样本分布，还可代替原始数据进行后续回归等分析。因子得分的概念与计算因子分析与主成分分析的区别05模型与目的差异

因子分析的模型与目的因子分析将变量表示为公共因子和特殊因子的线性组合，目的是探寻对变量起解释作用的公共因子和特殊因子，以及它们的组合系数，从数据中提取潜在结构。主成分分析的模型与目的主成分分析把主成分表示为各变量的线性组合，目的是从空间生成角度寻找能解释诸多变量绝大部分变异的几组彼此不相关的新变量（主成分），实现数据降维。2026/5/14假设与提取方法不同

因子分析的假设与提取方法因子分析需假设公共因子之间不相关、特殊因子之间不相关、公共因子和特殊因子之间不相关；提取方法多样，包括主成分法、主轴因子法、极大似然法等。主成分分析的假设与提取方法主成分分析不需要专门假设；仅用主成分法提取，主成分数量固定（一般有几个变量就有几个主成分），且主成分固定，因子分析中因子可旋转得到不同结果。2026/5/14解释与应用场景区别

因子分析的解释与应用场景因子分析可使用旋转技术帮助解释因子，在解释方面更有优势，适用于需要明确因子实际意义的场景，如探究影响学生成绩的潜在能力因子等。

主成分分析的解释与应用场景主成分分析适合将现有变量变成少数几个几乎带有原来所有变量信息的新变量，用于后续分析；实际中也可通过计算因子得分处理类似场景，但区分并非绝对。2026/5/14因子分析的步骤与逻辑框图06因子分析的步骤选取原始变量根据研究问题确定分析对象，选择具有相关性的指标变量，如衡量企业经济效益的多项财务指标。数据标准化与相关阵分析对原始变量进行标准化处理（均值为0，方差为1），计算相关矩阵并分析变量间相关性，通过KMO检验（>0.7适合分析）和Bartlett球形检验（拒绝单位阵假设）判断适用性。求解初始公共因子及载荷矩阵采用主成分法、主轴因子法等提取公共因子，确定因子载荷矩阵，如主成分法通过相关阵特征根与特征向量求解，保留特征值>1的因子。因子旋转对初始因子进行正交（如方差最大旋转）或斜交旋转，使载荷系数向0或±1集中，便于解释因子意义，旋转后共同度不变但载荷矩阵更新。计算因子得分通过回归方法建立公共因子与原始变量的线性关系（如F=A'R⁻¹X），得到因子得分矩阵，用于样品评分及后续分析。因子得分的进一步分析利用因子得分进行样本比较、聚类分析或绘制因子得分散点图，直观展示样品分布特征，辅助决策。2026/5/14因子分析的逻辑框图数据输入与预处理阶段

输入原始变量数据，完成标准化转换，计算相关矩阵并进行KMO和Bartlett检验，确保数据适合因子分析。因子提取与载荷矩阵构建阶段

基于相关阵或调整相关阵，通过主成分法等提取公共因子，求解初始因子载荷矩阵，确定因子数量（如特征值>1准则）。因子旋转与解释优化阶段

对初始因子载荷矩阵进行旋转（正交/斜交），得到结构更清晰的旋转后载荷矩阵，明确各公共因子的实际意义。因子得分计算与应用阶段

通过回归模型计算因子得分，将得分用于样本排序、分类或可视化（如散点图），实现对原始数据的降维分析与解释。步骤间逻辑关系

各阶段依次衔接：预处理为因子提取提供数据基础，旋转优化因子解释性，得分计算将抽象因子转化为可应用的量化指标，共同构成完整分析流程。2026/5/14因子分析的上机实现07SPSS操作步骤

01模块选择与变量导入依次点选Analyze→DimensionReduction→Factor，进入FactorAnalysis对话框，将待分析的指标变量选入Variables框中。

02提取方法与参数设置点击Extraction按钮，在Method选项框选择提取方法（默认主成分法），Analyze选项框默认从相关阵出发，Extract选项框可通过特征值大于1或固定因子数目（如输入2）确定因子个数，完成后点击Continue。

03因子得分设置点击Scores按钮，选中Displayfactorscorecoefficientmatrix选项以输出因子得分系数矩阵，点击Continue后返回主对话框，点击OK运行分析。2026/5/14输出结果解读（一）01共同度表（Communalities）展示各变量的初始共同度（均为1.000）和提取共同度，提取共同度反映变量被公共因子解释的程度，如X2提取共同度为0.993，表明其方差的99.3%可由公共因子解释。02总方差解释表（TotalVarianceExplained）包含初始特征值、提取平方和载荷，显示各因子的方差贡献及累计解释率，如前2个因子累计解释96.809%的方差，说明其能较好概括原始变量信息。03因子载荷阵（ComponentMatrix）呈现各变量在公共因子上的载荷系数，如X1在因子1上载荷0.913、因子2上0.320，表明X1与因子1相关性较强，载荷绝对值越大，变量与因子关系越密切。2026/5/14因子得分系数矩阵给出公共因子用标准化原始变量表示的线性系数，如F1=0.155X1+0.168X2+…-0.097X7，可直接代入变量值计算因子得分。因子载荷与得分系数的关系因子得分系数等于因子载荷除以对应因子的特征根，如X1在因子1的得分系数0.155=0.913/5.910（因子1特征根为5.910），因公共因子需标准化为方差1。主成分法下的因子模型保留前m个主成分作为公共因子，剩余部分为特殊因子，如X1=0.913F1+0.320F2+特殊因子，特殊因子方差为1-累计解释率（如3.191%）。输出结果解读（二）变量相关性检验KMO检验用于判断变量间相关性和偏相关性，KMO值越接近1效果越好，0.7以上适合因子分析，案例中KMO值为0.718，表明适合进行因子分析。Bartlett球形检验原假设为相关阵是单位阵，若拒绝原假设则变量相关，案例中Bartlett统计量为645.127，sig.=0.000，拒绝原假设，说明变量间存在较强相关性。检验操作路径在FactorAnalysis对话框中点击Descriptives，勾选CorrelationMatrix下的KMOandBartlett'stestofsphericity，可输出检验结果。2026/5/14因子旋转结果分析正交旋转（Varimax）旋转后因子载荷矩阵元素更倾向0或±1，如旋转后X1在因子1载荷0.964、因子2载荷0.082，变量与因子关系更清晰，且公共因子仍保持独立，旋转3次收敛。斜交旋转（Promax）放弃因子独立性约束，输出PatternMatrix（因子载荷阵）和StructureMatrix（因子与变量相关阵），如X7在因子2载荷-1.052，因子间相关系数为0.546，解释更简洁。旋转效果对比旋转不改变共同度和累计方差解释率，但载荷矩阵和得分系数矩阵变化，正交旋转适合因子独立场景，斜交旋转适合追求因子实际意义的场景。2026/5/14因子得分的保存与应用

因子得分保存在FactorScores对话框中勾选Saveasvariables，系统默认用回归法计算得分，数据窗口新增FAC1-1、FAC2-1等变量，分别对应各公共因子得分。

得分标准化验证通过Descriptives分析得分变量，均值为0、标准差为1，如案例中FAC1-1均值0.000、标准差1.000，符合标准化要求。

得分应