因子分析学习笔记-CSDN博客

本文链接：https://blog.csdn.net/m0_72410588/article/details/130523098

本文介绍了因子分析的基础知识，包括相关系数、协方差矩阵和特征值的概念。接着讨论了因子分析模型，解释了模型假设和参数估计方法。文章还提到了确定因子数的贡献率法、平行分析法和信息量法，并举例说明了在心理学测量中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

因子分析学习笔记

在本文中，我们将探讨因子分析的理论和实践应用，包括常见的因子分析模型、评估因子数的方法等等。

一、背景知识

1.1 相关系数

样本 $x_i$ 和 $y_i$ 的相关系数定义为：

$r_{xy}=\frac{\sum_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^n(x_i-\bar{x})^2}\sqrt{\sum_{i=1}^n(y_i-\bar{y})^2}}$

其中， $n$ 表示样本个数， $\bar{x},\bar{y}$ 分别表示样本 $x_i,y_i$ 的平均值。如果样本 $x_i$ 和 $y_i$ 的相关系数越接近于 $1$ ，则说明二者之间的关系越密切；如果相关系数越接近于 $0$ ，则说明二者之间的关系越弱；如果相关系数越接近于 $- 1$ ，则说明二者之间的关系越相反。

1.2 协方差矩阵

如果有两个变量 $x_1,x_2$ ，它们的协方差定义为：

$Cov(x_1,x_2)=E[(x_1-\mu_1)(x_2-\mu_2)]$

其中， $E$ 表示期望， $\mu_1,\mu_2$ 分别表示 $x_1,x_2$ 的均值。如果有 $k$ 个变量 $x_1,x_2,\cdots,x_k$ ，则它们两两之间的协方差可以组成一个 $k \times k$ 的矩阵，称为协方差矩阵。

1.3 特征值和特征向量

设 $A$ 是 $n \times n$ 的矩阵，若对某个数 $\lambda$ 和非零向量 $x$ ，都满足 $Ax=\lambda x$ ，则称 $\lambda$ 是 $A$ 的特征值， $x$ 是 $A$ 的对应于特征值 $\lambda$ 的特征向量。

二、因子分析模型

在因子分析模型中，我们假设原始的变量是由若干个未知的因子和随机误差共同作用得到的。这些因子是我们无法直接观察和测量的，但是可以通过观察到的原始变量来进行推断。

2.1 模型表达式

设有 $p$ 个变量 $x_1,x_2,\cdots,x_p$ ，我们将它们组成一个 $p \times 1$ 的列向量 $\textbf{x}$ 。

我们假设 $\textbf{x}$ 由 $m$ 个因子和一个错误项组成，这个错误项是一个随机变量，记为 $\epsilon$ 。我们将 $m$ 个因子组成一个 $m \times 1$ 的列向量 $\textbf{f}$ ，将误差项 $\epsilon$ 表示为 $E(\epsilon)=0,\ Var(\epsilon)=\psi$ ，则可以得到如下的模型表达式：