因子分析和主成分分析都是统计学中的降维方法。因子分析通过寻找隐藏的公共因子来解释变量间的关系，而主成分分析侧重于找到能够最大化解释数据方差的线性组合。因子分析允许因子旋转以提高解释性，而主成分分析的解是固定的。在体育赛事数据中，因子分析揭示了耐力和爆发力两个关键因素。通过因子得分，可以将原始变量转换为因子得分，便于理解和解释。
因子分析
因子分析的相关简介
与主成分分析相似，因子分析也是一种降维的方法，因子分析通过研究多维样本矩阵，在样本的多个指标下，提取出适量的因子，使得每个指标可以表示成各个因子的线性组合。
假设我们有 n n n个样本， p p p个指标，则可以构成大小为 n × p n\times p n×p的样本矩阵
x = [ x 11 x 12 ⋯ x 1 p x 21 x 22 ⋯ x 2 p ⋮ ⋮ ⋱ ⋮ x n 1 x n 2 ⋯ x n p ] = （ x 1 , x 2 , ⋯ , x p ） x=\begin{bmatrix} x_{11}& x_{12}& \cdots & x_{1p}\\ x_{21}& x_{22}& \cdots & x_{2p}\\ \vdots & \vdots & \ddots & \vdots \\ x_{n1}& x_{n2}& \cdots &x_{np} \end{bmatrix}=（x_1,x_2,\cdots,x_p） x=⎣
⎡x11x21⋮xn1x12x22⋮xn2⋯⋯⋱⋯x1px2p⋮xnp⎦
⎤=（x1,x2,⋯,xp）
主成分分析：通过 （ x 1 , x 2 , ⋯ , x p ） （x_1,x_2,\cdots,x_p） （x1,x2,⋯,xp）推出它们的主成分 z 1 , z 2 , ⋯ , z m ( m ≤ p ) z_1,z_2,\cdots,z_m(m\le p) z1,z2,⋯,zm(m≤p)，并且存在关系
{ z 1 = l 11 x 1 + l 12 x 2 + ⋯ + l 1 p x p z 2 = l 21 x 1 + l 22 x 2 + ⋯ + l 2 p x p ⋮ z m = l m 1 x 1 + l m 2 x 2 + ⋯ + l m p x p \begin{cases} z_1=l_{11}x_1+l_{12}x_2+\cdots+l_{1p}x_p\\ z_2=l_{21}x_1+l_{22}x_2+\cdots+l_{2p}x_p\\ \qquad\vdots\\ z_m=l_{m1}x_1+l_{m2}x_2+\cdots+l_{mp}x_p\\ \end{cases} ⎩ ⎨ ⎧z1=l11x1+l12x2+⋯+l1pxpz2=l21x1+l22x2+⋯+l2pxp⋮zm=lm1x1+lm2x2+⋯+lmpxp
z 1 , z 2 , ⋯ , z m ( m ≤ p ) z_1,z_2,\cdots,z_m(m\le p) z1,z2,⋯,zm(m≤p)是 m m m个主成分，各指标的线性组合构成了主成分。
因子分析：通过 （ x 1 , x 2 , ⋯ , x p ） （x_1,x_2,\cdots,x_p） （x1,x2,⋯,xp）推出它们的”因子“ f 1 , f 2 , ⋯ , f m ( m ≤ p ) f_1,f_2,\cdots,f_m(m\le p) f1,f2,⋯,fm(m≤p)，并且存在关系
{ x 1 = u 1 + a 11 f 1 + a 12 f 2 + ⋯ + a 1 m f m + ε 1 x 2 = u 2 + a 21 f 1 + a 22 f 2 + ⋯ + a 2 m f m + ε 2 ⋮ x p = u p + a p 1 f 1 + a p 2 f 2 + ⋯ + a
最低0.47元/天 解锁文章
扫一扫
8万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
