因子分析法详细步骤ppt课件

1、选择，因子分析，选择，第一，前缀，变量的相关性共同因素？将多个测量变量转换为几个不相关的复合指数，选择，2，系数分析模型，通常为x=(x1，x2，XP)设置为可观察的随机变量，f=(f1，F2，FM)为公共(公共)参数(公共参数)，快捷参数(factor)，可选，e=(E1，E2，Ep)是特殊系数f和e都不能直接观测的随机变量=( 1， 2，p)是整个x的平均A=(aij)p*m是系数负载(负载)矩阵，选取，一般假设x规范化为0，方差为1。(2) ei的平均值为0，方差为 I。(3) fi和ei相互独立。x是具有m个公共元素的系数模型，如果选择(4) fi和FJ相互独立，则(ij)系数模型称为

2、正交系数模型。正交系数模型具有以下特征：x的方差可以用设置表示，(1) hij是m个公共元素对第I个变量的贡献，I公共度或公共方差，公共元素方差，(2) I是特殊方差，公共元素无法解释的部分将Gj2设置为公共系数FJ对x的“贡献”是衡量公共系数FJ重要性的指标。选择，3，因子分析阶段，原始数据xn*p输入，样例平均值和方差计算，标准化计算(处理)；寻找范例相关系数矩阵r=(rij) p * p。相关系数矩阵的特征值 I ( 1， 2， P0)及其标准正交特征向量Li。选择，确定共同因素的数量；计算公共因子的公共方差hi2。旋转负载矩阵，以更好地解析公用元素。对公共因素进行专门说明。选择，4，元

3、素分析提取因子方法，主要成分方法，选择，每个公共元素的载荷系数的平方等于相应的特征根。也就是共同元素的分布。选择，最大似然法假定原始变量遵循正态分布，公共元素和特殊元素也遵循正态分布，得到组件载荷和特殊分布的似然函数巨大且唯一的解决方案。选择，“主系数方法”(principal factor)将原始变量的相关矩阵设置为R=(rij)，逆矩阵设置为R-1=(rij)。每个变量特征方差的初始值为反向相关矩阵对角元素的倒数，i=1/rii。公用度的初始值为(hi)2=1- i=1-1/rii。在相关矩阵中，选择(hi)2而不是对角线的元素以减小相关矩阵。(h1) 2 R12.r1p r21 (H2)

4、 2.r2p r-=.。rp1 rp2.(HP) 2r 的上级m特征根及其单位固有矢量是主系数解决方案。选择、迭代主系数法主系数的解决方案非常不稳定。因此，利用估计共同性作为初始值构造新的约简矩阵，然后计算唯一根及其固有向量，估计系数负荷和每个变量的公共和特殊方差，然后继续重复初始值，直到解决方案稳定。选择，Heywood现象残差矩阵，选择，5，系数旋转，目的：系数负载接近于0或接近于1。常用旋转方法：选择，(1)方差最大正交旋转基本思路：使公共元素的相对负荷(lij/hi2)的分布成为最大总和，保持原始公共元素的正交性和公共分布的总和。在每个系数中，最大限度地减少负载最大的变数数，从而使系数

5、的解析更加容易。选择，(2)斜接旋转系数斜接旋转后，每个系数的负载发生了显着变化，从而导致两极分化。元素不再相互独立，而是相互关联的。各因素对各变量的贡献之和发生了变化。分析适用于大型数据集的因素。选择，6，因子分数，Thomson方法，即回归分析分数是从Bayes思想中导出的，结果因子分数有些偏差，但计算结果显示出较小的误差。选择，Bartlett方法Bartlett因子分数是大似然估计，加权最小二乘回归，结果因子分数不偏狭，但计算结果更大。系数分数可用于模型诊断，或用作进一步分析的原始数据。选择，7，因子分析应用案例，选择，8，因子分析应用注意事项，应用条件(1)变量是可以用线性相关系数(Pearson打印叉相关系数)表示的度