数学建模笔记 因子分析
文章目录
- 因子分析
- 跟主成分分析对比
- 因子分析的实例
- 例1
- 例2
- 因子分析模型
- 原理
- 假设
- 性质
- 因子载荷矩阵的意义
- 参数估计
- 因子旋转方法
- 因子分析
- SPSS操作实例
- 第一次运行
- 对因子分析结果的介绍
- 因子载荷散点图
- 因子得分
因子分析
跟主成分分析对比
-
主成分分析:
- 主成分是各指标的线性组合
- 选取主要的几个主成分包含了原始数据80%以上的信息
- 实现降维
-
因子分析
- 因子的线性组合构成原始变量(指标)
- 每个指标有一个特殊因子。
- 让特殊因子尽可能小,比如公共因子解释90%,特殊因子解释10%。就像回归分析的残差
-
主成分分析只是一个计算,也不需要构造模型
-
而因子分析是自己构造模型,模型随着我们需要的因子个数改变
-
因子分析有许多假定
-
因子分析比主成分分析好,在建模中优先用因子分析
因子分析的实例
例1
- 对十个指标进行降维
例2
因子分析模型
原理
- u是均值
- 公共因子可以看作是每个原始变量共同拥有的某些特征
- 特殊因子可以理解为只影响这个指标的因子
用矩阵形式表现
- A是系数矩阵,也称为因子载荷矩阵
- 一般m<=p,公共因子个数小于原始变量个数,要降维嘛
- 一个重要假定:A(p*m矩阵)的秩为m,用回归的说法就是保证了没有完全多重共线性。求出来的系数是有效的
- 要因子分析,就是要求A这个矩阵
假设
求A,要进行一些假设
- 公共因子均值为0
- 公共因子协方差矩阵是单位矩阵
- 说明公共因子彼此之间是不相关的,且具有单位方差
- 特殊因子协方差矩阵是一个对角矩阵
- 公共因子与特殊因子不相关
- 类似回归里的变量不具有内生性,内生性会导致估计出来的结果失效,没有一致性
- 通过假设我们可以通过某种方法求出A
性质
- 分解协方差矩阵
x的均值就是u
协方差矩阵的定义:
x-u变为Af+e,展开,每一项与假设结合处理
最后原始变量的协方差矩阵分解,等于A乘A转置,加上特殊因子的协方差矩阵
- 证明因子载荷矩阵不唯一
- 正交矩阵就是自己乘自己转置为单位矩阵
- 人为构造A*,f*发现仍然成立,说明只要乘一个正交矩阵,因子载荷矩阵不唯一
- 所以可以找到一个我们便于解释的因子载荷矩阵。可以通过乘一个特殊的正交矩阵的方式,相当于进行了一次旋转。我们称为因子旋转
因子载荷矩阵的意义
-
a
i
j
a_{ij}
aij
- 原始变量 x i x_{i} xi与公因子 f i f_{i} fi的协方差
- x标准化后就是相关系数
- 默认经过了标准化
- 证明也不是很难
-
行元素平方和 h i 2 h_{i}^2 hi2
- 原始变量 x i x_{i} xi对公因子的依赖程度
-
h i 2 h_{i}^2 hi2是公因子对 x i x_{i} xi的影响,称为共性方差
-
σ i 2 σ_{i}^2 σi2是特殊因子的方差,称为个性方差
-
由于标准化之后的 x i x_{i} xi方差为1,所以 h i 2 + σ i 2 h_{i}^2+σ_{i}^2 hi2+σi2为1
-
作用:如果 h i 2 h_{i}^2 hi2为0.9,就可以说明公因子解释了90%,特殊因子解释了10%
- 列元素平方和
g
i
2
g_{i}^2
gi2
- 反应公因子 f i f_{i} fi对x的贡献
- 到时候SPSS会把这些都跑出来
- 这一块是写论文,跑出来的结果怎么解释的关键
参数估计
- 主成分、最大似然估计、主轴因子法用的比较多
- 数学建模时可以都试一下,看一下哪个更方便自己解释,就选哪个
因子旋转方法
- 比赛时用正交旋转一般就够了
- 要使得新公共因子载荷系数绝对值尽可能接近0或1
- 方便解释公因子,定义公因子
- SPSS中因子旋转方法
- 最多使用最大方差法就行
因子分析
-
将公共因子表示为原始变量的线性组合
-
看起来像主成分分析,其实不是的,因为我们对因子有很多假设,没有那么简单
-
因子得分实际上就是求公共因子,不要理解复杂了
-
论文中实际上用第三种计算得分方法,是在第二种方法上改进的
SPSS操作实例
具体的操作,比较实用
第一次运行
第一次运行因子分析的结果一般作为参考,首先我们要确定原始数据是否适合进行因子分析,即能否通过KMO检验和巴特利特球形检验。
- 导入数据
- 勾选相关的统计
- 相关性矩阵包括系数、显著性水平、检验
- 其中KMO检验和巴特利特球形检验
- KMO检验直接根据SPSS给出的KMO值判断
- 巴特利特球形检验
- 原假设为变量间不存在相关性
- 如果P值<0.05,则拒绝原假设,说明可以做因子分析
- 继续操作
- 这里的主成分方法,如果不对得到的结果进行因子旋转,提取出来的因子跟主成分分析得到的主成分是一样的
- 提取的因子数,可以先不确定,先进行一次分析再确定,所以先勾选上面的基于特征值
- 因子分析一般会运行两遍
- 因子旋转方法
- 因子得分方法
结果分析,能否通过检验,说明一下
确定因子数量
- 跟主成分分析相似
- 后面越平坦说明信息越少
- 这个红框框可以在ppt画
调整因子个数重新计算
对因子分析结果的介绍
- 共性方差
SPSS会默认标准化。
比如100m这里说明,提取的两个公共因子对这个100m的变量贡献率为95%
正交旋转不会改变公因子方差
- 总方差解释表
- 旋转后的载荷平方和不会改变来及贡献率
- 成分矩阵
- 成分矩阵就是没旋转的因子载荷矩阵
- 这里明显可以看出旋转后的更好解释
- 有时候旋转后的也不是很好解释,那我们可以改变提取方法和旋转方法等
- 让结果好解释
因子载荷散点图
因子得分
- 实现降维
-
不能用于评价,不能说明得分越高就越好
-
降维后可以用于聚类和回归
要将那两个检验写上去,当检验通过,说明指标间相关性较强,说明因子分析有效