因子分析的过程（使用SPSS，提供部分公式的LATEX代码）

最新推荐文章于 2023-10-12 14:04:12 发布

predestination836

最新推荐文章于 2023-10-12 14:04:12 发布

阅读量1.5k

点赞数

文章标签：线性代数矩阵经验分享

本文链接：https://blog.csdn.net/weixin_62512579/article/details/126106039

版权

因子分析（Factor Analysis）

因子分析与主成分分析相类似，同样用于降维，但因子分析具有更好的可解释性（因为相较于主成分分析，因子分析多了一个因子旋转），因此更适合降维，在这个程度上讲，因子分析是主成分分析的推广和扩展

需要进行特别讲述的是这里的因子和试验设计里的因子（或因素）不相同，得到的因子往往比较抽象，而且很难被单独测量

样例使用总平均、公共因子、特殊因子进行表示，如下公式，因为公共因子在每个案例都存在而且相同，故称之为公共因子，而特殊因子用来拟合那些不能被公共因子拟合的部分

$\quad\left\{\begin{array} { c } { x _ { 1 } = u _ { 1 } + a _ { 1 1 } f _ { 1 } + a _ { 1 2 } f _ { 2 } + \cdots + a _ { 1 m } f _ { m } + \varepsilon _ { 1 } } \\ { x _ { 2 } = u _ { 2 } + a _ { 2 1 } f _ { 1 } + a _ { 2 2 } f _ { 2 } + \cdots + a _ { 2 m } f _ { m } + \varepsilon _ { 2 } } \\ { \vdots } \\ { x _ { p } = u _ { p } + a _ { p 1 } f _ { 1 } + a _ { p 2 } f _ { 2 } + \cdots + a _ { p m } f _ { m } + \varepsilon _ { p } } \end{array} \Rightarrow \left\{\begin{array}{c} f_{1}=b_{11} x_{1}+b_{12} x_{2}+\cdots+b_{1 p} x_{p} \\ f_{2}=b_{21} x_{1}+b_{22} x_{2}+\cdots+b_{2 p} x_{p} \\ \vdots \\ f_{m}=b_{m 1} x_{1}+b_{m 2} x_{2}+\cdots+b_{m p} x_{p} \end{array}\right.\right.\\ \\ x=u+A f+\varepsilon$

\quad\left\{\begin{array} { c } 
{ x _ { 1 } = u _ { 1 } + a _ { 1 1 } f _ { 1 } + a _ { 1 2 } f _ { 2 } + \cdots + a _ { 1 m } f _ { m } + \varepsilon _ { 1 } } \\
{ x _ { 2 } = u _ { 2 } + a _ { 2 1 } f _ { 1 } + a _ { 2 2 } f _ { 2 } + \cdots + a _ { 2 m } f _ { m } + \varepsilon _ { 2 } } \\
{ \vdots } \\
{ x _ { p } = u _ { p } + a _ { p 1 } f _ { 1 } + a _ { p 2 } f _ { 2 } + \cdots + a _ { p m } f _ { m } + \varepsilon _ { p } }
\end{array} \Rightarrow \left\{\begin{array}{c}
f_{1}=b_{11} x_{1}+b_{12} x_{2}+\cdots+b_{1 p} x_{p} \\
f_{2}=b_{21} x_{1}+b_{22} x_{2}+\cdots+b_{2 p} x_{p} \\
\vdots \\
f_{m}=b_{m 1} x_{1}+b_{m 2} x_{2}+\cdots+b_{m p} x_{p}
\end{array}\right.\right.\\
\\
x=u+A f+\varepsilon

第 $i$ 个因子的得分可写成 $f_{i}=b_{i 1} x_{1}+b_{i 2} x_{2}+\cdots+b_{i p} x_{p}(i=1,2, \cdots, m)$ $b_{i j}$ 就是第 $i$ 个因子的得分对应于第 $j$ 个变量 $x_{j}$ 的系数

因子分析做出的假设：
$\left\{\begin{array}{l} E(f)=0 \\ E(\varepsilon)=0 \\ \operatorname{Var}(f)=I \\ \operatorname{Var}(\varepsilon)=D=\operatorname{diag}\left(\sigma_{1}^{2}, \sigma_{2}^{2}, \cdots, \sigma_{p}^{2}\right) \\ \operatorname{cov}(f, \varepsilon)=E\left(f \varepsilon^{\prime}\right)=0 \end{array}\right.$

\left\{\begin{array}{l}
E(f)=0 \\
E(\varepsilon)=0 \\
\operatorname{Var}(f)=I \\
\operatorname{Var}(\varepsilon)=D=\operatorname{diag}\left(\sigma_{1}^{2}, \sigma_{2}^{2}, \cdots, \sigma_{p}^{2}\right) \\
\operatorname{cov}(f, \varepsilon)=E\left(f \varepsilon^{\prime}\right)=0
\end{array}\right.

因子分析过程（使用SPSS）

1. 第一次因子分析

利用SPSS进行因子分析

“分析” -> “降维” -> “因子” -> 将需要进行因子分析的变量移到右面

在右侧的选项中，修改下列选项：

“描述” -> 勾选“单变量描述”（计算均值标准差等进行统计性分析）、“系数”（用来显示相关系数矩阵）、“显著性水平”、“KMO和巴特利特球形检验”（用来验证数据是否适合进行因子分析）
“提取” -> “方法”选择主成分（或最大似然法或主轴因子法） -> 勾选“碎石图”和“未旋转因子解”
“旋转” -> 勾选“最大方差法”和“载荷图”
“得分” -> 勾选“保存为变量”-> 将“回归”更改为“安得森-鲁宾” -> 勾选“显示因子得分系数矩阵”

得到结果