0
点赞
收藏
分享

微信扫一扫

第10章 因子分析(FA)

诗与泡面 2022-05-04 阅读 29

1 简介

2 基本思想

3 数学模型

Xi=μi+αi1F1+...+αimFm+εi(mp){X_i} = {\mu _i} + {\alpha _{i1}}{F_1} + ... + {\alpha _{im}}{F_m} + {\varepsilon _i}{\rm{ (}}m \le p)

{X1=μ1+α11F1+...+α1mFm+ε1X2=μ2+α21F1+...+α2mFm+ε2......Xp=μp+αp1F1+...+αpmFm+εp\left\{ {\begin{array}{cc} {{X_1} = {\mu _1} + {\alpha _{11}}{F_1} + ... + {\alpha _{1m}}{F_m} + {\varepsilon _1}}\\ {{X_2} = {\mu _2} + {\alpha _{21}}{F_1} + ... + {\alpha _{2m}}{F_m} + {\varepsilon _2}}\\ {......}\\ {{X_p} = {\mu _p} + {\alpha _{p1}}{F_1} + ... + {\alpha _{pm}}{F_m} + {\varepsilon _p}} \end{array}} \right.

则称此式的模型为因子模型,用矩阵形式简记为:X=μ+AF+εX = \mu + AF + \varepsilon

其中,FiF_i公共因子,是不可观测的变量,它们的系数αij{\alpha _{ij}}称为载荷因子A=(αij)p×mA = {({\alpha _{ij}})_{p \times m}}因子载荷矩阵εi{\varepsilon _i}特殊因子,是不能被前m个公共因子包含的部分

因子分析的可行性分析

  1. 相关系数矩阵【大部分相关系数都>0.3时可进行因子分析】
  2. KMO(Kaiser-Meyer-Olkin)检验:检验变量之间的偏相关系数是否过小【此值>0.5时可进行因子分析】
  3. Bartlett's检验:检验显著性水平(Sig.)【此值<0.05时可进行因子分析】
  4. 变量共同度较高时可进行因子分析】

因子分析模型的性质:载荷矩阵不是唯一的

3.1 公共因子及载荷矩阵

公共因子数目的两种确定依据

  • 碎石图
  • 累积方差贡献率

因子载荷矩阵的统计性质

  1. 因子载荷αij{\alpha _{ij}}cov(Xi,Fj)=αij{\mathop{\rm cov}} ({X_i},{F_j}) = {\alpha _{ij}},即aija_{ij}XiX_iFjF_j的协方差(相关系数)
  2. 变量共同度hi2{h_i}^2:因子载荷矩阵A中第i行元素的平方哈,记为hi2=j=1mαij2(i=1,2,...,p){h_i}^2 = \sum\limits_{j = 1}^m {\alpha _{ij}^2} {\rm{ (i=1,2,...,p)}}
  3. 公共因子FjF_j方差贡献和SjS_j

因子载荷矩阵的三种估计方法

  1. 主成分分析法
  2. 主因子法
  3. 最大似然估计法

3.2 因子旋转(正交变换)

  • 方差最大法:从简化因子载荷矩阵的每一列出发,使和每个因子有关的载荷的平方的方差最大
  • 四次方最大法:使因子载荷矩阵中每一行的因子载荷平方的方差达到最大
  • 等量最大法:把方差最大法和四次方最大法结合起来,求它们的加权平均最大

3.3 因子得分

因子得分函数Fj=cj+βj1X1+...+βjpXp,j=1,2,...,m{F_j} = {c_j} + {\beta _{j1}}{X_1} + ... + {\beta _{jp}}{X_p},j = 1,2,...,m

因子得分的两种估计方法:

  • 巴特莱特法(加权最小二乘法)

  • 回归分析法

4 步骤

  1. 根据问题选取原始变量,对数据进行标准化处理
  2. 计算相关系数矩阵,分析变量之间的相关性(较强)
  3. 求解公共因子及载荷矩阵
  4. 因子旋转(正交变换)
  5. 计算因子得分
举报

相关推荐

R语言:因子分析 factor analysis

0 条评论