数学建模学习：因子分析

1.1概念

因子分析法由斯皮尔曼在1904年首次提出，其在某种程度上可以被看成是主成分分析的推广和拓展。

因子分析法通过研究变量间的相关系数矩阵，把变量间错综复杂的关系归结成少数几个综合因子，由于归结出的因子个数少于原始变量的个数，但是他们又包含原始变量的信息，所以这一分析过程也称为降维。

因子往往比主成分更容易解释，所以因子分析比主成分分析更容易成功，从而有广泛的应用。

因子分析有两个核心问题：一是如何构造因子变量，二是如何解释因子变量

1.2应用背景

因子分析用于处理高斯数据，主要有两种情形

（1）假设m个样本，样本的维数为n，如果n>>m，此时非常困难拟合出高斯模型，因为自变量的维数远远超过自变量的个数，此时解有无数种，对于某一实际数据集合，往往样本对应的概率分布在客观上都是唯一的，我们无法用典型的概率分布准确表示出来。

（2）m个样本的维度都较低，用最大似然估计法去估计期望和方差，协方差矩阵是奇异的，即协方差矩阵不可逆，这在计算高斯分布是不可缺失的，除非m比n大一定较合适的值，否则对方差和均值的最大似然估计将会很难找到正确的值。

1.3因子分析的基本步骤

思路步骤

1.确定原有若干变量是否适合因子分析；（变量之间是否有很强的相关性）