主成分分析与因子分析不同点

   筛选、综合以及优化统计指标体系的多元统计方法有两种：

   一种方法是在原始指标体系内按每个指标对研究对象独立作用的大小（或者叫方差贡献的大小），通过进行统计检验和数学交换，筛选掉作用小的不重要指标，保留作用大的重要指标，最后形成由原始指标体系中的部分重要指标组成的优化的指标体系，这类方法常用的有多元回归方法、逐步回归方法等。

    另外一种方法是属于通过简化数据结构达到降低维数的方法，这类方法的实质是把多个存在相关关系的指标化成少数几个互不相关的新的综合性指标。或者对原众多指标，按照一定”原则“寻求原始指标的某种线性组合而形成新的综合指标（主成分变量）；或者把原始指标试图分解为公因子和特殊因子的线性组合（有时可忽略特殊因子）。这些新产生的主成分和公因子最大程度上反映了原始指标的信息（涵盖量达到90％以上），之间胡不相关，去除了重叠信息，个数又较少，而且层次较高，综合性较强，使形成的新指标体系达到最优。这类方法主要包括主成分分析法和因子分析法。

 

    在综合评价中，优化指标体系多用第二类方法，即主成分分析法和因子分析法。这两种方法既有联系又有区别。应用范围也不尽相同。

    首先，两者简化数据结构的机理不同，主成分分析法是对具有复杂相关关系的原始指标，寻找投影向量a，即对原始指标X进行线性变换而生成新的线性组合变量Y＝aX.````于是原始评价指标x1 x2···(P个)简化并优化为综合性指标Y1，Y2```（m个） p>m

    因子分析法与主成分分析法不同，其实质不是对数据进行数学变换，而是对于具有复杂相关关系的原始指标x1 x2···(P个)，通过寻找原始变量的共同方面来简化存在于原始变量之间的复杂关系，把各个测量本质相同的变量归入一个因子（公因子），这些公因子对原始变量起着重要的支配作用，公因子之间不相关，往往不可测，个数比原始变量个数少比如m个，是所有变量的共同具有的公共因素。即把原始评价指标化为m个公因子（综合指标），形成优化的指标体系。

    另外，用主成分分析方法优化后的综合性指标Y1，Y2```（m个）仍然是可测性指标并具有实在的意义；而用因子分析方法得到的综合性指标F1，F2,···（m个）是不可测的，是潜在的、抽象的。这是这两种方法最实质性的区别，但往往容易被忽视。经验总结认为，在经济领域，如果综合评价所基于的是反映客观社会经济现象数量特征的客观性指标体系，一般用主成分分析方法，如果综合评价指标基于的指标体系是反映人们的心理感受，主观愿望，满意程度等方面的主观性指标形成的指标体系，则用因子分析方法。