因子旋转

最新推荐文章于 2023-06-16 22:28:26 发布
最新推荐文章于 2023-06-16 22:28:26 发布
阅读量681 收藏
点赞数
文章标签： python
原文链接：https://my.oschina.net/u/1785519/blog/1563574
版权

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

  • 正交旋转（rotate=“varimax”）
#用正交选择提取因子
> fa.varimax <- fa(correlations, nfactors=2, rotate="varimax", fm="pa")
> fa.varimax
Factor Analysis using method =  pa
Call: fa(r = correlations, nfactors = 2, rotate = "varimax", fm = "pa")
Standardized loadings (pattern matrix) based upon correlation matrix
         PA1  PA2   h2    u2 com
general 0.49 0.57 0.57 0.432 2.0
picture 0.16 0.59 0.38 0.623 1.1
blocks  0.18 0.89 0.83 0.166 1.1
maze    0.13 0.43 0.20 0.798 1.2
reading 0.93 0.20 0.91 0.089 1.1
vocab   0.80 0.23 0.69 0.313 1.2

                       PA1  PA2
SS loadings           1.83 1.75
Proportion Var        0.30 0.29
Cumulative Var        0.30 0.60
Proportion Explained  0.51 0.49
Cumulative Proportion 0.51 1.00

#后续额外内容删除
22
22
 
1 
#用正交选择提取因子
2 
> fa.varimax <- fa(correlations, nfactors=2, rotate="varimax", fm="pa")
3 
> fa.varimax
4 
Factor Analysis using method =  pa
5 
Call: fa(r = correlations, nfactors = 2, rotate = "varimax", fm = "pa")
6 
Standardized loadings (pattern matrix) based upon correlation matrix
7 
         PA1  PA2   h2    u2 com
8 
general 0.49 0.57 0.57 0.432 2.0
9 
picture 0.16 0.59 0.38 0.623 1.1
10 
blocks  0.18 0.89 0.83 0.166 1.1
11 
maze    0.13 0.43 0.20 0.798 1.2
12 
reading 0.93 0.20 0.91 0.089 1.1
13 
vocab   0.80 0.23 0.69 0.313 1.2
14
15 
                       PA1  PA2
16 
SS loadings           1.83 1.75
17 
Proportion Var        0.30 0.29
18 
Cumulative Var        0.30 0.60
19 
Proportion Explained  0.51 0.49
20 
Cumulative Proportion 0.51 1.00
21
22 
#后续额外内容删除
reading、vocab在第一个因子上载荷较大，picture、blocks、maze在第二因子上载荷较大，
但是general（意思为非语言的普通智力测试）在两个因子上载荷较为平均， 说明存在一个语言智力因子和一个非语言智力因子

  • 斜交转轴法（rotate=“promax”）
使用正交旋转将人为地强制两个因子不相关，如果想运行相关，此时可以使用 斜交转轴法 
> fa.promax <- fa(correlations, nfactors=2, rotate="promax", fm="pa")
> fa.promax
Factor Analysis using method =  pa
Call: fa(r = correlations, nfactors = 2, rotate = "promax", fm = "pa")

 Warning: A Heywood case was detected. 
Standardized loadings (pattern matrix) based upon correlation matrix
          PA1   PA2   h2    u2 com
general  0.37  0.48 0.57 0.432 1.9
picture -0.03  0.63 0.38 0.623 1.0
blocks  -0.10  0.97 0.83 0.166 1.0
maze     0.00  0.45 0.20 0.798 1.0
reading  1.00 -0.09 0.91 0.089 1.0
vocab    0.84 -0.01 0.69 0.313 1.0

                       PA1  PA2
SS loadings           1.83 1.75
Proportion Var        0.30 0.29
Cumulative Var        0.30 0.60
Proportion Explained  0.51 0.49
Cumulative Proportion 0.51 1.00

 With factor correlations of 
     PA1  PA2  #注意这里得到的是因子模式矩阵，而非相关系数矩阵
PA1 1.00 0.55
PA2 0.55 1.00
#删除额外的内容
27
27
 
1 
> fa.promax <- fa(correlations, nfactors=2, rotate="promax", fm="pa")
2 
> fa.promax
3 
Factor Analysis using method =  pa
4 
Call: fa(r = correlations, nfactors = 2, rotate = "promax", fm = "pa")
5
6 
 Warning: A Heywood case was detected.
7 
Standardized loadings (pattern matrix) based upon correlation matrix
8 
          PA1   PA2   h2    u2 com
9 
general  0.37  0.48 0.57 0.432 1.9
10 
picture -0.03  0.63 0.38 0.623 1.0
11 
blocks  -0.10  0.97 0.83 0.166 1.0
12 
maze     0.00  0.45 0.20 0.798 1.0
13 
reading  1.00 -0.09 0.91 0.089 1.0
14 
vocab    0.84 -0.01 0.69 0.313 1.0
15
16 
                       PA1  PA2
17 
SS loadings           1.83 1.75
18 
Proportion Var        0.30 0.29
19 
Cumulative Var        0.30 0.60
20 
Proportion Explained  0.51 0.49
21 
Cumulative Proportion 0.51 1.00
22
23 
 With factor correlations of
24 
     PA1  PA2  #注意这里得到的是因子模式矩阵，而非相关系数矩阵
25 
PA1 1.00 0.55
26 
PA2 0.55 1.00
27 
#删除额外的内容
对于正交旋转，因子分析的重点在于因子结构矩阵（变量与因子的相关系数）， 而斜交旋转，因子分析会考虑三个矩阵
a、因子模式矩阵
    即标准化的回归系数矩阵，它列出了因子预测变量的权重。
b、因子关联矩阵
    即因子相关系数矩阵
c、因子结构矩阵(因子载荷阵) 
因子关联矩阵显示两个因子的相关系数为0.57，相关性很大，如果因子间的关联性很低，你可能需要重新使用正交旋转来简化问题
    因子结构矩阵（或称因子载荷阵）没有被列来，但 看使用公式 F = P*Phi 很庆松地得到它，其中 F 是因子载荷阵， P 为因子模式矩阵，Phi  为因子关联矩阵。下面的函数即可进行该算法 
> fsm <- function(oblique){
   if (class(oblique)[2]=="fa" & is.null(oblique$Phi)){
     warning("Object doesn't")
   } else{
       P <- unclass(oblique$loading)
       F <- P %*% oblique$Phi
       colnames(F) <- c("PA1","CP2")
       return(F)
   }
 }

> fsm(fa.promax)#将参数
            PA1   PA2
general    0.64  0.69
picture    0.33  0.61
blocks     0.44  0.91
maze       0.25  0.45
reading    0.95  0.47
vocab      0.83  0.46
x
20
 
1 
> fsm <- function(oblique){
2 
   if (class(oblique)[2]=="fa" & is.null(oblique$Phi)){
3 
     warning("Object doesn't")
4 
   } else{
5 
       P <- unclass(oblique$loading)
6 
       F <- P %*% oblique$Phi
7 
       colnames(F) <- c("PA1","CP2")
8 
       return(F)
9 
   }
10 
 }
11
12 
> fsm(fa.promax)#将参数
13 
            PA1   PA2
14 
general    0.64  0.69
15 
picture    0.33  0.61
16 
blocks     0.44  0.91
17 
maze       0.25  0.45
18 
reading    0.95  0.47
19 
vocab      0.83  0.46
20
现在你可以看到变量与因子间的相关系数，将他们与正交选择所得因子载荷阵相比，会发现该载荷阵列的噪音比较大，这是因为允许潜在因子相关，虽然斜交方法更为复杂，但模型将更符合真实数据。
  使用 factor.plot() 或者 fa.diagram() 函数，你可以绘制正交或者斜交的结果图形。来看一下代码 
factor.plot(fa.promax,labels = rownames(fa.promax$loadings)) #如下图
#如下图
 
1 
factor.plot(fa.promax,labels = rownames(fa.promax$loadings)) #如下图
07085255_jC0b.png
 数据集 ability.cov 中心理学测验的两因子图形。词汇和阅读在第一个因子 (PA1) 上载荷较大，而积木图案、画图和迷宫在第二个因子(PA2)上载荷较大。普通智力测试在两个因子上较为平均。

使用如下代码 
fa.diagram(fa.promax,simple = FLASE) #如下图，这类图形在多个因子时十分实用
这类图形在多个因子时十分实用
 
1 
fa.diagram(fa.promax,simple = FLASE) #如下图，这类图形在多个因子时十分实用
07085300_kJVa.png
 数据集 ability.cov 中心理学测验的两个因子斜交选择结果
若使 simple = TRUE ，那么将仅显示每个因子下最大的载荷，以及因子间相关系数。

 

 

    


转载于:https://my.oschina.net/u/1785519/blog/1563574

weixin_33842328
关注
R语言3.11 因子分析因子旋转
m0_46445293的博客
03-11 6659
因子旋转 目的 寻找每个主因子的实际意义 如果各主因子的典型代表变量不突出，就需要进行旋转 使因子载荷矩阵中载荷的绝对值向0和1两个方向分化 方法 正交旋转Varimax（最大方差正交旋转） 斜交旋转Promax Fa2=factanal(X,3,rotation="varimax") Fa2$loadings 因子得分计算方法：回归估计法（方差一致），Bartlett估计法 Fa1$s...
旋转因子量化仿真
最新发布
CyberInversion的博客
12-01 2790
在单bit接收机中，通过量化FFT核函数来简化计算，将复数坐标中旋转因子单位圆上的点近似到正方形四个边上，就能够用累加实现复数乘法，从而避免使用DSP乘法器。通过仿真查看不同阶的核函数简化效果。
FFT 旋转因子程序
03-08
旋转因子复数乘法通常由4次实数乘法和2次加减法运算实现
旋转因子
weixin_45488293的博客
03-05 7837
旋转因子 此博文包含图片 (2013-03-24 18:48:26) 标签： 旋转因子 分类： 信号处理 旋转因子原来是指在Cooley-Tukey快速傅里叶变换算法的蝴蝶形运算中所乘上的复数常数，因此常数在复数平面上位于单位圆之上，对于被乘数在复数平面上面会有旋转的效果，故名为旋转因子，后来也会用来指称FFT中的任一常数乘法。 定义 先观察N点DFT的公式如下 在这里定义旋转因子(twiddle factor)为： 旋转因子 其中kn项称为Numerator，N项称为Denominator 特性 旋转因子
因子分析法之因子旋转
weixin_39437355的博客
12-22 2万+
因子分析法之因子旋转 1.因子旋转及其意义 建立因子分析模型的目的不仅是要找出公因子以及对变量进行分组，更重要的是要知道每个公因子的意义，以便对实际问题做出科学分析。因子旋转即对因子载荷矩阵A，用一个正交矩阵T右乘A实现对因子载荷矩阵的旋转（一次正交变换即对应坐标系的一次旋转），旋转后因子载荷矩阵结构简化，更容易对公因子进行解释。 结构简化就是重新分配每个因子所解释方差的比例，使每个变量仅在一个公因子上有较大的载荷，在其他公因子上的载荷较小，即是使因子载荷矩阵每行或者每列元素的平方值向0与1两极分化。 2.
因子分析 factor analysis (四) ： 因子旋转（正交变换）
冷月无声的博客
03-30 4万+
因子分析系列博文: 因子分析 factor analysis (一 )：模型的理论推导 因子分析 factor analysis (二 ) ： 因子分析模型 因子分析 factor analysis (三) ： 因子载荷矩阵的估计方法 因子分析 factor analysis (四) ： 因子旋转（正交变换） 因子分析 factor analysis (五) ： 因子得分 因子...
henhao.zip_matlab 因子旋转
09-19
因子旋转在统计分析中是一种常用的数据处理方法，特别是在探索性因子分析（Exploratory Factor Analysis, EFA）中。因子分析旨在识别隐藏在观测变量背后的一小部分潜在因子，以减少数据的复杂性。因子旋转是为了提高...
Q方法学中主要因子提取与因子旋转技术的比较
06-05
Q方法的统计分析基于因子分析，然后进行因子旋转。 当前，最常见的因子提取方法是质心和主成分提取，而因子旋转的常见技术是手动旋转和varimax旋转。 但是，还有一些其他因子提取方法（例如主轴因子分解）和因子旋转...
matlab求因子载荷矩阵,因子分析中因子旋转用matlab怎么实现？
weixin_33474462的博客
03-16 1279
%--------------------------------------------------------------------------% 从相关系数矩阵出发进行因子分析%--------------------------------------------------------------------------%**************...
用极大似然法估计因子载荷矩阵_多元统计分析第13讲（因子分析：载荷矩阵的估计，因子旋转；典型相关分析基本思想）...
weixin_30869777的博客
01-17 4934
8.3 因子载荷矩阵的估计方法(一)主成分分析法回顾一下主成分法估计因子载荷矩阵的步骤：求出原变量协方差阵(或相关阵)的前 m 个特征根(考虑累积贡献率)，后面的特征根忽略掉因子载荷矩阵的每一列为前 m 个特征根乘上对应的单位特征向量特殊因子的方差为 1 - 共同度(即因子载荷该行的平方和)用原协方差阵减去公因子协方差阵与特殊因子协方差阵，得到残差阵残差阵元素的平方和为残差平方和可以证明(课后习题...
可扩展的旋转因子表及FFT 算法
11-21
摘　要　该文提出了一个用于快速 Four ier 变换计算的反写码序的旋转因子表, 这种旋转因子表具有可扩展性: 本质上, 这种旋转因子表的分量与变换的点数无关. 当点数改变时, 这种旋转因子表无须重新计算或者容易扩展; 根据这种旋转因子表, 该文设计了一个结构规整的基于基 4 计算 2n 点FFT 的算法及软件程序, 该程序与FFTW 软件包进行了对比实验. 文中还以蛋白质序列相似性分析计算为例, 对作者的算法与FFTW 软件包中的相应算 法进行了对比实验, 结果表明, 采用该文的算法可节省计算时间约 31. 7%.
因子分析：因子旋转，超全解释
m0_72410588的博客
06-16 4072
因子分析是一种数据分析方法，用于识别和描述观察变量间的关系。其目的是确定多个可观察变量（即项数）之间的较少数量的潜在因素或综合指标，从而反映出这些变量的共同方面。举个例子，假设你正在研究消费者购买产品的行为。你有很多关于消费者的数据，如他们的性别、年龄、教育水平、收入水平等等。但是，如果你想了解这些变量如何影响他们购买决策的因素，因子分析可能会帮助你找到一些潜在因素，例如购买倾向、品牌忠诚度等等。因子旋转是因子分析中一个非常重要的步骤。
DFT中的旋转因子W的理解
qq_45956802的博客
09-17 1万+
W是单位周期复指数序列，n是序列样值的序号，N是DFT变换的长度（N点DFT） 表示在复平面的一个单位圆，它的下标N是2π的分母，表示把圆N等分，每一份的角度是2π/N， 这个我们叫它基频。 旋转因子就是DFT在变换的区间内，等间隔采样序列的频谱函数。 说直白点，时域采样是以时间为基本单位隔1s采样一个点 而在频域的采样这个旋转因子就是对应这个间隔。 复指数与三角函数的连接是欧拉公式。 比如N=4要在频域里采样4个点以什么为采样单位来贯穿这4个点呢？ 刚好傅里叶变换中有能表达为复...
主要来看一下矩阵的旋转运算：
luyuncsd123的专栏
03-15 1552
主要来看一下矩阵的旋转运算：
matlab因子载荷矩阵正交旋转,如何对载荷矩阵进行旋转
weixin_33021323的博客
03-21 1798
用stata做主成分分析，只把累计贡献率算出来了，如下，看起来需要有5个主成分。下一步就不知道怎么做了，特别是“对载荷矩阵进行旋转”得到各变量的特征向量。. screeplot. clear. import excel "C:\Users\WHDX\Desktop\多元统计作业 sheet2-27P 劳动收入份额.xlsx", sheet("27省") firstrow. pca export...
数字信号处理——快速傅里叶变换
一个人要像一支队伍
05-13 1万+
一、前言。 快速傅里叶变换不是一种新的变换，而是离散傅里叶变换的快速算法，而且这个快速算法有很多种，都统称为快速傅里叶变换FFT。 如果直接用公式计算DFT，其时间复杂度为O(n^n)，这是难以应用在工程当中的。 而FFT的时间复杂度为O(n*log(n))，随着序列的点数增加，其运算效率大大提高。 其中最常用的是基2时域抽取的FFT，下面来详细说明。 二、旋转因子。 三、蝶形图。 ...
主成分旋转
weixin_34344403的博客
11-07 2334
2019独角兽企业重金招聘Python工程师标准>>> ...
永磁同步电机（PMSM）的转子结构剖析
热门推荐
贾松的博客
07-10 6万+
永磁同步电机的转子包括永磁体、转子铁芯、转轴、轴承等。 具体来说，根据永磁体在转子铁芯中的位置可以分为表面式和内置式PMSM。 其中表面式PMSM转子结构又分为：表贴式和插入式。 内置式PMSM转子磁路结构分为：径向式、切向式和混合式。 一，首先，介绍一下表面式PMSM。如下图中的PMSM极对数为2，分别为表贴式和内置式。 表贴式 内置式 在下面的这幅图中已经标出了两种...
主成分分析matlab代码_Stata - 主成分分析和因子分析命令演示
weixin_39934302的博客
11-21 1226
#1 主成份分析和因子分析简介 主成份分析和因子分析用于将数据中多个相关的变量合并为少数几个潜在的维度（underlying dimensions）。Stata中相关命令主要包括：pca: principle components analysis，主成分分析factor：因子分析，用于提取不同类型的因子screeplot：根据pca或factor画出碎石图（scree graph，也叫特征...
Q方法学：主要因子提取与因子旋转技术对比分析
"这篇研究文章比较了Q方法学中主要因子提取与因子旋转技术，包括质心法、主成分法、因子旋转中的手动旋转、varimax旋转、quartimax旋转和equamax旋转，并通过三个实际数据集进行了分析，探讨了不同方法的影响和效果...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值