因子分析累计方差贡献率要在多少 | 您所在的位置:网站首页 › 累计贡献率达到多少 › 因子分析累计方差贡献率要在多少 |
Summary 因子分析是科研建模当中经常使用的一种降维与原始指标分类方法,它与主成分分析方法有所区别。因子分析的主要思想是提取重要的不相关信息;而主成分分析是对原始变量线性组合,形成不相关的主成分,然后删掉不重要的成分。 本文主要介绍因子分析,你将了解到“因子分析的举例”、“为什么要做因子分析?”、“因子分析模型是什么?”“如何衡量所建立因子分析模型的好坏?”、“如何对公因子进行解释?”以及“如何使用提取出来的公因子?”。后面一期我们会使用案例来解析SPSS做因子分析的步骤以及SPSS输出结果解读。敬请期待哦~本文所有结果的得出都基于SPSS。 NO.1 因子分析举例 为了了解学生的学习能力,观测了n个学生6门课程(语数外物化生)的分数,分别记为 。我们将数学科目 成绩进行如下分解: , 通过分析,我们可以将 看成学生的智力水平, 是仅与数学成绩相关的其他因素,例如对于图形的辨别能力。很显然,智力水平 不仅与数学成绩相关,与其他科目的成绩同样有相关性,该因素被称为公共因子;但是对图形的辨别能力 仅作用于数学成绩,其他科目用不到该能力,被称为特殊因子。 刻画数学成绩与智力水平的相关程度,被称为因子载荷,因子载荷越大,表明数学成绩 与智力水平 之间的相关性越强,这也是对公因子命名的依据。 因子分析的目的是尽可能的提取公因子 ,使得 的个数小于原始指标的个数但覆盖原始指标的绝大部分信息,从而实现降维并代替原始指标进行后续分析。此外,因子分析也具有对原始指标分类的效果,例如通过观察因子载荷,发现与智力水平 相关性较高的几门科目为数学、物理、化学,那这几门科目就可以划到一类。 NO.2 为什要做因子分析? (1)原始变量个数太多且变量之间存在相关性,难以进行后续分析;(2)对原始变量进行分类。 NO.3 因子分析模型是什么? 假定原始指标 满足以下模型: (3‑1) 则称模型(3‑1)为正交因子模型,用矩阵形式表示为: (3‑2) 该模型的含义是将原始指标 分成两部分,其中一部分是与 都有关系的 (m0.5的列出来,旋转之前(图5-1)所有原始指标都与公因子1高度相关,所以公因子1的含义就难以解释;但是旋转之后(图5-2)与各公因子高度相关的原始指标就很明朗了,从而可以解释公因子的含义。另外还能实现将原始指标的分类,如国有经济单位、集体经济单位、外商投资经济单位、港澳台经济单位就可归为1类,因为他们都与公因子1高度相关。 图5-1 图5-2 NO.6 如何使用提取出来的公因子? 所谓因子得分即提取出来的公因子在每个个案上的取值。例如对于“智力水平 ”这个公因子,某个学生的智力水平是多少呢?到现在为止还不得而知,因为 在模型(3‑1)中是个隐含变量,没有具体取值。故还需对公因子 的值给出估计,估计出来的值被称为因子得分。 用 (6‑1) 来计算每个样品的公因子得分。可用回归法、巴莱特法等给出(6‑1)式中系数 的估计。从图6-1可以看出, 的计算公式为: 图6-1 一定要注意: 只是个系数,没有实际含义。不要将 与因子载荷 弄混了,因子载荷 才刻画 与 的相关性。因此,要想知道公因子与原始指标的相关程度,不要看“成份得分系数矩阵”,要看“旋转成份矩阵”!!! 到现在为止,因子分析就做完了,你明白了吗?欢迎在后台留言与小编讨论哦 关注请微信搜索:统计程序狗(微信号:statistical_dog) |
CopyRight 2018-2019 实验室设备网 版权所有 |