管理学研究方法之因子分析法 案例(史上最详细) PPT课件

1、1、管理学的研究方法-经验研究法的因素分析法，2，1，因子分析的概念，因素分析法用少数的因子描述许多指标和因子间的关联，即关联比较不密切的几个变量属于同一类，各类变量成为一个因子(被称为因子，这是不可或缺的。) 介绍、三、二、因子分析的方法，研究相关矩阵内部的依赖关系，找到支持多个指标X1，X2， Xm (可观测)的相互关系的少数共同因子F1，F2，Fp (不可观测)，再现原始指标与共性因子的相关关系的这些个的共性因子是相互独立的还是相关的，并且是直接观测通常，该方法需要因子结构和因子得分模型。 因子构造根据相关系数反映原来的指标与共性因子的相关关系的因子得分，以回归式的形式将指标X1，X2，

2、Xm表示为因子F1，F 2，Fp的线性组合，4，3，因子分析模型，因素分析法研究变量内部的相关关系，因此将具有复杂关系的变量汇总为少数的综合因子的多变量其基本思想是对观测变量进行分类，相关性高，即相关性密切地划分为相同类，不同类的变量间的相关性低，因此各类的变量实际上表示一个基本结构即共性因子。 研究的问题是，尝试用最小个数的不能测定的所谓共性因子的线形函数和特殊因子的和来记述原来的观测的各成分。5、4、基本步骤、(1)确认分析的原变量是否适合因子分析。 在确定因子分析方法之前，我们需要首先用SPSS统一纠正软件对模型中的变量进行过巴特球度检验和KMO检验，根据这些个的两个统一纠正量判断观测数

3、据是否适合因子分析。 KMO是采样适应量的数目。 其值越高(越接近1.0 )，表示变量间的共性因子越多，研究数据越适合于因子分析。 Bartlett球体检验的虚无假说表示相关矩阵为单位矩阵，如果不能拒绝该假说，数据就不适用于因子分析。 一般地，显示等级的值越小(0.05 )，表示原始的变量之间存在有效的关系的可能性，在显示等级大(0.10以上等)的情况下，数据有可能不适于因子分析。 (6)、(2)建构因子变量，建立因子模型。 1 .因子的选择。 将原变量整合为少数因素是因子分析的核心内容。 作为决定共性因子提取的方法，有“主成分分析法法”、主轴法、一般化最小二乘法、未加权的最小二乘法、最大近似

4、法、因子萃取法、影像因子萃取法等。 原来的变量和因子分析时抽出的共性因子的相关用因子负荷表示。 2、因子命名。 基于每个变量系数的载荷化学基。 实际上，使用旋转后的方差来观察各因子对各变量的负荷，可以使共性因子的命名和变量的解释变得容易。 7，3，因子得分。 建立因子分析模型后，另一个重要的作用是应用因子分析模型来做评估每个变量在整个模型中的地位，即进行综合评价。 在这种情况下，需要用变量的线性组合来表示共性因子。 经常使用回归估计法、Bartlett估计法等。 (3)结果分析。 根据因子分析的各得分化学基，分析模型的各变量及其影响因素，得出相应的结论，达到研究目的。 在8、5、实例分析、服装

5、展示会上，组织者对前来参加的顾客进行了问题单调查。 问题单列举了选择服装的7个标准：舒适、面团儿、设计、耐穿、价格、颜色、洗衣电熨斗，要求客户对7个标准的重要性进行排序，最重要的是1分，以下分数增加，最不重要的是7分。回收有效问题单350件，处理、订正回收数据。 我们首先用SPSS统一修正软件对问题单的7个变量进行了巴特球型检验和KMO检验，结果表明此次的调查数据适用于因子分析。 下一步，适当地修正提取系数。 校正所获得的7个因子和7个变量的相关系数时，总变量解释变量的总方差的能力如下表所示：9、各总变量和观察变量的相关系数，10，如上表所示。 前四个累积方差贡献率达到77.9%，即前四个因子可以解释总方差的77.9%，可以很好地解释变量的方差。 我想达到的目的是减少变量的个数，说明事物的本质。 其中，如果选择前4个变量作为因子，则累积的综合变量方差的贡献率达到77.9%。 为了更准确地解释因子对变量的解释和命名因子，旋转了因子。 旋转后得到的因子负荷系数如下表所示：11、因子负荷系数、12、从表中的数据得到分析结果：因子F1与变量X3、X4、X6的相关性强，表示体现顾客对服装外观的要求的因子F2与变量X5具有强的证相关性， 表现出顾客对服装价格的要求的因子F3与变量X1的正相关性强，表现出顾客追求穿着舒适的要求的因子F4与X7易