Python 中的因子分析简介

在本教程中，您将学习因子分析的基础知识以及如何在 python 中实现因子分析。

因子分析 （FA） 是一种探索性数据分析方法，用于从一组观测变量中搜索有影响力的基础因子或潜在变量。它通过减少变量的数量来帮助数据解释。它从所有变量中提取最大公共方差，并将它们放入一个公共分数中。

因子分析广泛用于市场研究，广告，心理学，金融和运筹学。市场研究人员使用因素分析来识别对价格敏感的客户，识别影响消费者选择的品牌特征，并帮助了解分销渠道的渠道选择标准。

在本教程中，您将介绍以下主题：

• 因子分析
• 因子分析的类型
• 确定因素数
• 因子分析与主成分分析
• Python 中的因子分析
• 充分性测试
• 解释结果
• 因子分析的优缺点
• 结论

因子分析

因子分析是一种线性统计模型。它用于解释观测变量之间的方差，并将一组观测变量浓缩为称为因子的未观测变量。观测变量建模为因子和误差项（源）的线性组合。因子或潜在变量与多个观测到的变量相关联，这些变量具有共同的响应模式。每个因子解释观测变量中特定量的方差。它通过减少变量的数量来帮助数据解释。

因子分析是一种用于调查感兴趣的变量 X1、X2,......., Xl 是否与较少数量的不可观测因子 F1、F2 呈线性关系的方法,........， Fk.

来源：此图像是根据我在因子分析注释中找到的图像重新创建的。该图像提供了因子分析的完整视图。

假设：

1. 数据中没有异常值。
2. 样本数量应大于因子。
3. 不应该有完美的多重共线性。
4. 变量之间不应存在同质性。

因子分析的类型

• 探索性因素分析：它是社会和管理研究人员中最受欢迎的因素分析方法。它的基本假设是，任何观测到的变量都与任何因子直接相关。
• 验证性因素分析（CFA）：其基本假设是每个因素都与一组特定的观测变量相关联。CFA确认了基本面上的预期。

因子分析如何工作？

因子分析的主要目的是减少观测变量的数量并找到不可观测的变量。这些未观察到的变量有助于市场研究人员完成调查。观测变量到未观测变量的这种转换可以通过两个步骤实现：

• 因子提取：在该步骤中，使用方差划分方法选择的因子数量和方法进行提取，例如主成分分析和公共因子分析。
• 因子旋转：在此步骤中，旋转尝试将因子转换为不相关的因子 - 此步骤的主要目标是提高整体可解释性。有许多旋转方法可用，例如：Varimax旋转方法，Quartimax旋转方法和Promax旋转方法。

术语

什么是因素？

因子是描述观测变量数量之间关联的潜在变量。最大因子数等于观测变量数。每个因子都解释了观测变量中的特定方差。方差量最低的因子被丢弃。因子也称为潜在变量或隐藏变量或未观测变量或假设变量。

什么是因子载荷？

因子加载是一个矩阵，它显示每个变量与基础因子的关系。它显示了观测变量和因子的相关系数。它显示了由观测变量解释的方差。

什么是特征值？

特征值表示从总方差中解释每个因子的方差。它也被称为特征根。

什么是社区？

共性是每个变量的平方载荷之和。它表示公共方差。它的范围从 0-1，接近 1 的值表示更多的方差。

什么是因子旋转？

旋转是更好地解释因子分析的工具。旋转可以是正交的，也可以是倾斜的。它以清晰的加载模式重新分布了共性。

选择因素数量

凯撒准则是一种分析方法，它基于由因子解释的较大比例的方差将被选中。特征值是确定因子数的良好标准。通常，大于 1 的特征值将被视为要素的选择标准。

图形方法基于因子特征值（也称为碎石图）的可视化表示。此碎石图有助于我们确定曲线构成肘部的因素数量。

源

因子分析与主成分分析

• PCA 分量解释最大方差量，而因子分析解释数据中的协方差。
• PCA 分量彼此完全正交，而因子分析则不要求因子正交。
• PCA分量是观测变量的线性组合，而在FA中，观测变量是未观测变量或因子的线性组合。
• PCA 组件是不可解释的。在 FA 中，基础因素是可标记和可解释的。
• PCA是一种降维方法，而因子分析是潜变量方法。
• PCA是一种因子分析。PCA是观察性的，而FA是一种建模技术。

源

使用factor_analyzer包的python中的因子分析

导入所需的库

# Import required libraries
import pandas as pd
from sklearn.datasets import load_iris
from factor_analyzer import FactorAnalyzer
import matplotlib.pyplot as plt

加载数据

让我们对BFI（基于人格评估项目的数据集）进行因子分析，这些因素分析是使用6点响应量表收集的：1非常不准确，2中度不准确，3略微不准确4略微准确，5中等准确和6非常准确。也可以从以下链接下载此数据集：https://vincentarelbundock.github.io/Rdatasets/datasets.html

df= pd.read_csv("bfi.csv")

预处理数据

df.columns

Index(['A1', 'A2', 'A3', 'A4', 'A5', 'C1', 'C2', 'C3', 'C4', 'C5', 'E1', 'E2',
       'E3', 'E4', 'E5', 'N1', 'N2', 'N3', 'N4', 'N5', 'O1', 'O2', 'O3', 'O4',
       'O5', 'gender', 'education', 'age'],
      dtype='object')

# Dropping unnecessary columns
df.drop(['gender', 'education', 'age'],axis=1,inplace=True)

# Dropping missing values rows
df.dropna(inplace=True)

df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 2436 entries, 0 to 2799
Data columns (total 25 columns):
A1    2436 non-null float64
A2    2436 non-null float64
A3    2436 non-null float64
A4    2436 non-null float64
A5    2436 non-null float64
C1    2436 non-null float64
C2    2436 non-null float64
C3    2436 non-null float64
C4    2436 non-null float64
C5    2436 non-null float64
E1    2436 non-null float64
E2    2436 non-null float64
E3    2436 non-null float64
E4    2436 non-null float64
E5    2436 non-null float64
N1    2436 non-null float64
N2    2436 non-null float64
N3    2436 non-null float64
N4    2436 non-null float64
N5    2436 non-null float64
O1    2436 non-null float64
O2    2436 non-null int64
O3    2436 non-null float64
O4    2436 non-null float64
O5    2436 non-null float64
dtypes: float64(24), int64(1)
memory usage: 494.8 KB

df.head()

	答1	答2	解答3	答4	解答5	C1	二、低温	C3型	C4型	C5型	...	N1	N2	N3	N4型	N5型	O1型	氧气	氧气	氧气	O5型
0	2.0	4.0	3.0	4.0	4.0	2.0	3.0	3.0	4.0	4.0	...	3.0	4.0	2.0	2.0	3.0	3.0	6	3.0