R语言建模实践：因子分析例题

R语言建模实践：因子分析

基本思想：是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。

因子分析法在股票预报上的探索：在本例中为了验证因子分析法的有效性，特意不区分行业，以上海证券交易所和深圳证券交易所进行分层，然后把层内全部股票选入抽样框，以进行随机抽取。从手机金融界得到了23家企业在2004年3月31日的数据，所考虑的指标如下，
x1——流动比率（< 2偏低）；
x2——速动比率（< 1偏低）；
x3——现金流动负债比（%）；
x4——每股收益（元）；
x5——每股未分配利润（元）；
x6——每股净资产（元）；
x7——每股资本公积金（元）；
x8——每股盈余公积金（元）；
x9——每股净资产增长率（%）；
x10——经营净利润率（%）；
x11——经营毛利率（%）；
x12——资产利润率（%）；
x13——资产净利率（%）；
x14——主营业务收入增长率（%）；
x15——净利润增长率（%）；
x16——总资产增长率（%）；
x17——营业利润增长率（%）；
x18——主营业务成本比率（%）；
x19——营业费用比例（%）；
x20——管理费用比例（%）；
x21——财务费用比率（%）；
(1)求样本相关阵R及特征根和特征向量；
(2)确定因子个数，并解释这些因子的含义；
(3)计算各因子得分，画出前两个因子的得分图并作出解释；
(4)对因子进行旋转，比较旋转前后因子分析的结果；
(5)对这23家上市企业的财务状况进行综合评价；

1.求样本相关阵R及特征根和特征向量

下一步：

x1和x2相关系数为xxxxxx，呈较强的正（负）相关性；x3和x4的相关系数为xxxxxx，呈较强的xx相关性；x5和x6的相关系数为xxxxxxxx，即呈xxxxx相关性等。所以显然这6个变量之间存在在相关性，可以采用因子分析提取因子。

2.确定因子个数

以上打印的结果中，xxxxxxxxxxxx的累计方差贡献率大于80%，说明这七个公因子基本上能全面反映xxxxxxxxx的信息。
并解释这些因子的含义

3.计算各因子得分，画出前两个因子的得分图并作出解释