市场研究中的数据分析知识整理 （四）-主成分分析和因子分析

主成分分析和因子分析

#包载入
library(corrplot)
library(psych)
library(GPArotation)
library(nFactors)
library(gplots)
library(RColorBrewer)

主成分分析

主成分分析（PCA）是对针对大量相关变量提取获得很少的一组不相关的变量，这些无关变量也成为主成分变量。

数据探索

#本部分引入消费者品牌感知的问卷数据集作为数据

pca <- read.csv("http://r-marketing.r-forge.r-project.org/data/rintro-chapter8.csv")

summary(pca)
#可以看到，该数据除了一个字符变量外，其他都是1~10的数字变量
head(pca)

library(corrplot)
#检查两两变量之间的相关关系
corrplot(cor(pca[,1:9]), order = "FPC")
#"FPC" for the first principal component order.

可以大致发现聚成了三个类别，分别是latest/trendy/fun，serious/leader/perform，bargain/rebuy/value三类，而这也是接下来的分析所要验证的。

提取主成分

#数据表度化
pca.sc <- pca
pca.sc[,1:9] <- scale(pca.sc[,1:9])
#提取主成分
pca.pc <- prcomp(pca.sc[,1:9])
summary(pca.pc)
#判断成分数量
plot(pca.pc, type = "l")

对于主成分数量，scree图可看到在3类之后，每个主成分解释的方差增值减少。

主成分得分获取

#psych包也有不错的PCA分析输出
library(psych)
fa.parallel(pca.sc[,1:9],fa =