数学建模 因子分析

已于 2022-09-14 21:41:40 修改
阅读量1.4w 收藏 41
点赞数 7
分类专栏： 数学建模 文章标签： 算法
于 2022-08-16 21:11:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xht2403267701/article/details/126368493
版权

目录

简介

数学模型

利用SPSS进行因子分析

步骤

对分析结果解读

 KMO和巴特利检验

公因子方差

 总方差解释

成分矩阵及旋转后的成分矩阵

旋转后的因子载荷散点图

成分得分系数矩阵

简介

因子分析和主成分分析法是一种对数据进行降维处理的方法，但主成分分析法的弊端在于其通过计算出相关系数矩阵的特征值，进而提取出来的主成分变量通常难以被解释。而因子分析方法则解决了这一问题，其构造出的因子具有明确的物理意义

因子分析是主成分分析的一种推广

数学模型

对于p个指标，n个观测值，应用因子分析有

\left\{\begin{matrix} x_1=\mu_1+a_{11}f_1+a_{12}f_2+...+a_{1m}fm+\epsilon_1\\ x_2=\mu_2+a_{21}f_1+a_{22}f_2+...+a_{2m}fm+\epsilon_2\\ ...\\x_p=\mu_p+a_{p1}f_1+a_{p2}f_2+...+a_{pm}fm+\epsilon_p \end{matrix}\right.

记为矩阵的形式有x=\mu+Af+\epsilon

f称为公因子向量，ε称为特殊银子向量，A称为因子载荷矩阵且rank(A)=m

并且假设

\left\{\begin{matrix} E(f)=0\\ E(\epsilon)=0\\ V(f)=I\\ V(\epsilon)=diag(\sigma_1^2,\sigma_2^2...\sigma_p^2)\\ cov(f,\epsilon)=E(f\epsilon')=0 \end{matrix}\right.

利用SPSS进行因子分析

步骤

 

 

 从分析结果的碎石图中确定因子分析最佳的个数

 

 限定因子个数为2进行因子分析

对分析结果解读

 KMO和巴特利检验

KMO越接近于1表明原有变量越适合做因子分析。一般建议KMO需要大于0.8

巴特利球形检验的原假设H0：指标的相关系数矩阵是一个单位阵。而p值即表格中的检验值如果小于0.05则表明相关系数矩阵显著不为一个单位阵，即变量之间存在一定的相关性，可以进行因子分析做降维处理。

公因子方差

又称为共性方差，反映了提取出来的公因子能够反应原始变量数据的数据量。

在本例中，提取出的两个公因子能够解释100m变量中95%的信息

因子旋转前后，公因子方差不变

 总方差解释

在SPSS中，总方差解释，表明每一个公共因子对原来的变量信息的解释度。

由总方差解释表可知，两个因子对原始变量的解释度高达93.747%，已经包含了原始变量的绝大多数信息。进一步说明在该因子分析的实例中，提取两个因子是比较合适的。

总方差解释可类比主成分分析中的贡献率和累计贡献率

成分矩阵及旋转后的成分矩阵

 成分矩阵，即因子载荷矩阵，即数学模型中的矩阵A。

旋转后的成分矩阵即经过旋转过后的因子载荷矩阵。

因子载荷矩阵中的每一个元素是原始变量与公共因子的相关系数，若载荷值越大，表明该变量与该公因子关系密切，即该公因子能够代表该变量。

由本例中的分析结果可知，公共因子1的载荷值均较大，表明公共因子1与原始变量具有较大的相关系数，可以解释为因子1为综合运动水平。但难以从公共因子2的载荷值对其做出合理的物理解释。

观察旋转后的成分矩阵，公共因子1在最下面5个原始变量的载荷值较大，可以理解为该公共因子是耐力因子；公共因子2在最前面3个原始变量的载荷值交大，可以理解为该公共因子是爆发因子。

通常都从旋转后的成分矩阵的载荷值对公共因子做出解释

若成分矩阵和旋转后的成分矩阵的载荷值都难以解释，则考虑更改公共因子的提取方法，公共因子的旋转方法。

旋转后的因子载荷散点图

 

以旋转后的因子载荷矩阵的每一列作为x，y坐标，画出原始坐标的散点图，可以较为直观的看出原始指标降维结果，也可以理解为指标聚类。

成分得分系数矩阵

由数学模型中对矩阵形式的因子模型进行反推可以得到f=(x-\mu-\epsilon)A^{-1}

与主成分分析中的主成分得分类似，该因子得分也可以用于系统聚类，由于对数据指标进行了降维，故可以对聚类的结果进行可视化。

今天美美吃饭啦
关注
  • 7
    点赞
  • 踩
  • 41
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
因子分析——建立载荷矩阵
weixin_33834075的博客
01-23 7940
因子分析——建立载荷矩阵 到这里已经学了好多的多元分析方法了，有聚类分析法，有主成分分析法，尤其是主成分分析法，为什么还要讨论因子分析法呢？很多地方都有对主成分分析法和因子分析法的区别比较，这里就不多说了，只记录一下最重要的地方。 主成分分析法：是对原始变量的线性组合，且相互垂直。 因子分析法：研究众多变量之间的内部依赖关系，潜在的假想变量+随机变量的线性组合。 ​ 因子载...
数模算法：因子分析
qq_43610675的博客
06-08 8794
引入 因子分析法通过研究变量间的相关系数矩阵，把这些变量间错综 复杂的关系归结成少数几个综合因子，由于归结出的因子个数少于原 始变量的个数，但是它们又包含原始变量的信息，所以，这一分析过 程也称为降维。由于因子往往比主成分更易得到解释，故因子分析比 主成分分析更容易成功，从而有更广泛的应用。 例子： 林登(Linden)根据他收集的来自139名运动员的比赛数 据，对第二次世界大战以来奥林匹克十项全能比赛的得分作了 因子分析研究。这十个全能项目为：100米跑(x1)，跳远(x2)， 铅球(x3)，跳高(x4
数学建模：降落伞的选择.ppt
02-22
数学建模：降落伞的选择.ppt
利用MATLAB实现因子分析数学建模
最新发布
01-09
利用MATLAB实现因子分析，因子分析是一种统计方法，用于发现观测变量之间的潜在结构和关联。它基于以下几个假设： 1. 变量之间的相关性可以通过少数几个潜在因子来解释，即观测变量之间的相关性是由共同的潜在因子所驱动的。 2. 每个观测变量与潜在因子之间存在线性关系，即观测变量可以通过潜在因子的线性组合来表示。 3. 观测变量之间的相关性主要是由潜在因子所决定，而非特定的测量误差或随机变异引起的。 基于这些假设，因子分析可以帮助我们理解观测变量之间的潜在结构，识别潜在因子，并进行数据降维和模式识别。因子分析在心理学、经济学、市场调研等领域有着广泛的应用。
MATLAB因子分析文件
07-25
因子分析是一种多变量统计方法，用于揭示观测变量之间的潜在结构。它可以帮助我们理解观测变量背后的共同因素，并对数据进行降维和模式提取。 在因子分析中，我们假设观测变量由一些潜在因子和误差项组成。这些潜在因子无法直接观测到，但可以通过观测变量的线性组合来近似表示。观测变量与潜在因子之间的关系由因子载荷矩阵描述，而误差项则反映了不能被潜在因子解释的方差。 MATLAB中的因子分析函数factoran可以根据给定的观测矩阵，提取出最相关的潜在因子。它返回了一些关键的结果： 因子载荷矩阵(lambda)：描述了每个观测变量与每个因子之间的关系强度。载荷值表示了观测变量对应因子的权重。 特殊方差(psi)：表示观测变量中无法由因子解释的方差部分。特殊方差越大，该变量就越难以被因子解释。 转换矩阵(T)：将原始观测变量转换为因子得分的矩阵。它可以用于计算每个样本在每个因子上的得分。 统计信息(stats)：包含了拟合度量和因子共同性等统计指标，帮助我们评估模型的拟合程度和潜在因子对数据的解释能力。 因子得分矩阵(F)：描述了每个样本在每个因子上的得分。这些得分可以用于进一步分析、分类或预测。
因子分析 factor analysis (三) ： 因子载荷矩阵的估计方法
热门推荐
冷月无声的博客
03-30 5万+
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...
主成分分析
m0_52124992的博客
01-24 5490
主成分分析
因子分析个人笔记
qq_44794961的博客
04-15 7990
首先，最棒的参考文献是这篇：文献 然后我们结合多篇文章来讲一讲： 第一部分 X是原始数据的矩阵，f是公共因子，也就是之后想要提取出来的因子，而特殊因子就是不去考虑的部分。 那么，什么是因子载荷矩阵？百度百科：因子载荷 aij 的统计意义就是第i个变量与第 j 个公共因子的相关系数即表示 Xi 依赖 Fj 的份量（比重）。统计学术语称作权，心理学家将它叫做载荷，即表示第 i 个变量在第 j 个公共因子上的负荷，它反映了第 i 个变量在第 j 个公共因子上的相对重要性。 基于此我们得到： 1.第一行的元素分别
R-第六章|主成分分析
Lattewow的博客
04-06 4466
R-多元回归分析-PCA
结构效度分析流程
m0_37228052的博客
02-24 6497
结构效度分析是为了检验测量项与预期维度对应关系情况。效度分析没有固定的判断标准，是综合各项指标进行的一个综合判断过程，包括KMO值、Bartlett球形度检验、因子载荷系数、共同度、维度与测量项对应关系等。其中最重要的是查看维度与测量项的对应关系，最难的部分也在于维度与测量项对应关系的调整，其他指标比较容易达标。当效度分析不达标时，可以按照第三部分所讲的内容，查看自己的问题所在，进行对应的修改。一定要注意，效度分析并不是一步完成的，可能是一个需要反复调整才能得到最优结果的过程。
数学建模典型模型与算法-因子分析法
06-17
数学建模典型模型与算法-因子分析法
深圳杯2020数学建模c题论文.pdf
07-24
深圳杯2020数学建模c题论文.pdf
数学建模多元分析各类模型的课件
06-05
数学建模多元分析培训课件, 包括回归分析, 聚类分析, 主成分分析, 因子分析等
数学建模因子分析PPT学习教案.pptx
10-08
数学建模因子分析PPT学习教案.pptx
数学建模国赛获奖论文分类整理:因子分析
05-21
数学建模国赛获奖论文整理，使用因子分析做的论文集合，可以系统的学习因子分析在数学建模中的应用，非常有用。
SPSS主成分分析（PCA）
weixin_42191203的博客
04-01 1万+
1、导入数据 点击“文件”-“打开”-“数据”，选择要分析的数据文件“DATA.xlsx”。         2、进行主成分分析 点击“分析”-“降维”-“因子”，按下图提示进行相关操作。               3、运行结果            由“总方差解释”可知，特征根λ1=2.
用极大似然法估计因子载荷矩阵_[转载]第三十六课         因子分析
weixin_39802962的博客
02-05 2431
第三十六课因子分析因子分析(FactorAnalysis)是主成分分析的推广，它也是从研究相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。具体地说，就是要找出某个问题中可直接测量的、具有一定相关性的诸指标，如何受少数几个在专业中有意义，又不可直接测量到，且相对独立的因子支配的规律，从而可用诸指标的测定来间接确定诸因子的状态。一、何为因子分析因...
数模更新篇-3-因子分析模型
weixin_46130146的博客
01-25 4504
因子分析 因子分析通过研究变量间的相关系数矩阵，把这些变量间错综复杂的关系归结成少数几个综合因子，由于归接触的因子个数少于原始变量的个数，但是他们又包含原始变量的信息，所以，这一分析过程也成为降维。 正常情况下，可以用主成分分析的模型都可以用因子分析来做。所以因子分析的应用城的更广。 两者的不同： 因子的线性组合构成指标。注意这里的未知数都是一个向量而不是标量。 因子分析的实例： 将原来的是个指标变成了四个因子，实现了降维。 将原来的15个指标变成了五个因子，实现了降维。 因子分析的原理 因子模型
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.
数学建模因子分析python
09-21
因子分析是一种常用的数学建模方法，通过降维分析来揭示观测变量背后的潜在因子结构。在Python中，可以使用factor_analyzer库进行因子分析的实现。首先，需要安装factor_analyzer库，可以在Anaconda Prompt中使用命令"pip install factor_analyzer"进行安装。 接下来，根据相关系数矩阵进行因子分析。可以使用factor_analyzer库中的FactorAnalyzer类来实现。具体的步骤如下： 1. 导入所需的库和数据。 2. 计算相关系数矩阵。 3. 创建FactorAnalyzer对象。 4. 使用fit()方法拟合数据并进行因子分析。 5. 使用get_factor_variance()方法获取因子方差解释比例。 6. 使用transform()方法将原始数据转换为因子得分。 下面是一个示例代码： ``` # 导入所需的库 import pandas as pd from factor_analyzer import FactorAnalyzer # 导入数据 data = pd.read_csv('data.csv') # 计算相关系数矩阵 corr_matrix = data.corr() # 创建FactorAnalyzer对象 fa = FactorAnalyzer(n_factors=3, rotation='varimax') # 拟合数据并进行因子分析 fa.fit(data) # 获取因子方差解释比例 variance = fa.get_factor_variance() # 将原始数据转换为因子得分 factor_scores = fa.transform(data) ``` 请注意，上述代码中的"data.csv"是示例数据文件的路径，你需要将其替换为你自己的数据文件路径。 相关问题: 1. 如何选择因子个数？ 2. 什么是因子旋转？ 3. 如何解释因子方差解释比例？ 相关问题: 1. 如何选择因子个数？ 2. 什么是因子旋转？ 3. 如何解释因子方差解释比例？

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

今天美美吃饭啦

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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