【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释

这篇具有很好参考价值的文章主要介绍了【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1、题目

因子分析法综合应用(教材P271页表9-4):

  1. 计算样本相关系数矩阵R、特征根、特征向量。
    引入nFactors包,使用eigen()函数求特征值与特征向量。
    library(nFactors)
    ev <- eigen(cor(mydata)) # 获取特征值
    print(ev)

  2. 确定因子的个数,并解释这些因子的含义。计算各因子得分,画出前两个因子的得分图并解释。
    使用两种方法:极大似然估计,调用factanal()函数;主因子法,调用fa()函数;
    注意:过程参照教材251-255页。fa()函数的调用和上次实验相同。选择不旋转。factanal()函数的参数 rotation=“none”,fa()函数的参数rotate=“none”

  3. 对因子进行旋转,并解释这些因子的含义。计算各因子得分,画出前两个因子的得分图并解释。
    要求和上面相同,但是选择旋转。 factanal()函数的参数 rotation=" varimax “,fa()函数的参数rotate=” varimax"

2、题目详解

2.1 计算样本相关系数矩阵R、特征根、特征向量。

library(xlsx) #导包
data = read.xlsx("C:\\Users\\6\\Desktop\\R语言\\实验3\\23个企业财务数据.xlsx",'Sheet1',row.names=T) #读数据
data
X = data.frame(data)
R = cor(X);R #计算相关系数矩阵
library(nFactors)
ev<- eigen(R)
print(ev) # 计算特征根及特征向量

第一个题目简单且截图内容较冗余,故不展示。

2.2 确定因子的个数,并解释这些因子的含义。计算各因子得分,画出前两个因子的得分图并解释。

factanal(data, 7, rotation = "none")  #获取计算因子对象
Fa = msa.fa(data,m=7,rotation = 'none')#计算因子对象(未旋转)
Fa$scores #  #获取各因子得分
Fa1 = msa.fa(data,m=2,rotation = 'none')  #计算前两个因子的因子对象
plot(Fa1$scores,asp = 1);abline(h=0,v=0,lty=2) #绘图
text(Fa1$scores,labels = rownames(data))
biplot(Fa$scores,Fa$loadings)#因子信息重叠图
abline(h=0,v=0,lty=2)

【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释
【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释

在第一行代码中需要确定因子的个数,确定方法为:看第n个因子包含的信息总量(即其累计方差贡献率不低于80%),第一行代码的参数7可以随便设置,但必须大于7
得出的结论是: 前6个因子的方差贡献率已经占到了累计方差贡献率的77.2%,前7个因子的方差贡献率已经达到了82.9%,因此只要取前7个因子就可以很好地概括原始指标。
因子的含义: 从旋转前的因子载荷矩阵中可以看出,因子Factor1(简称F1,下同)在x5,x6,x10上的载荷量较大,可视为反映企业利润的因子。F2在x11,x20,x21上的载荷量较大,可视为反映企业在经营与其他方面费用支出占比的因子。F3在x7上的载荷量较大,反映了企业每股资本公积金。F4在x8,x14,x17的载荷量较大,代表了企业的主营营收的能力。F5……,F6……,F7……
每个人的专业领域不同,因子会有不同的看法,此处只展示个人部分的看法,若有更好的见解可在评论区交流。
得分图:
【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释
【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释
由上图因子得分图可知,张裕A、四环生物、深发展在第一因子Factor1和第二因子Factor2上的得分取正值且相对较大,爱建股份在第一因子Factor1上取正值且相对较大在第二因子Factor2上虽取负值但相对较小,所以排名靠前,而st昌源和st啤酒花在第一因子Factor1上取负值且相对较大,所以排名靠后。其余在因子Factor1、因子Factor2上的得分在中间的企业反映在因子得分图上是出现在离原子不远的因子Factor1轴或者Factor2轴上。

2.3 对因子进行旋转,并解释这些因子的含义。计算各因子得分,画出前两个因子的得分图并解释。

factanal(data, 7, rotation = "varimax")  #获取计算因子对象
Fa2 = msa.fa(data,m=7,rotation = 'varimax') #计算因子对象(旋转)
Fa2$scores
Fa3 = msa.fa(data,m=2,rotation = 'varimax')
plot(Fa3$scores,asp = 1);abline(h=0,v=0,lty=2)
text(Fa3$scores,labels = rownames(data))
biplot(Fa2$scores,Fa2$loadings)#因子信息重叠图
abline(h=0,v=0,lty=2)

【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释
【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释

解释: 在旋转后可以看出,各因子所代表的含义非常明显。F1在x10,x15,x20,x21上的载荷量较大,代表了企业的盈利能力。F2在x2,x3,x12,x13的载荷量较大,代表了企业的营利能力。F3在x8,x14,x17的载荷量较大,体现了企业的短期偿债能力。F4在x5,x6的载荷量较大,反映了企业给予股东的回报。F5……,F6……,F7……因子旋转之后能够更好解释每个因子,同时旋转后的因子所表示的含义也与旋转前的因子大有不同。
【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释
【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释
解释: 从因子分析图中可以得出,张裕A、四环生物、爱建股份在第一因子Factor1及第二因子Factor2上的得分取正值且相对较大。st昌源在第二因子上的得分虽然为正,但在第一因子Factor上的得分最低,说明它的企业盈利能力较弱。其余在因子Factor1、因子Factor2上的得分位于中间的企业反映在因子得分图上是出现在离原子不远的因子Factor1轴或者Factor2轴上。

3、网盘

网盘内包括数据及源代码:链接:https://pan.baidu.com/s/1IwkoQigrrb3pzN6PWPGHHA
提取码:8888
文章来源地址https://www.toymoban.com/news/detail-453615.html

到了这里,关于【多元统计分析及R语言建模】【详解】因子分析法综合应用(教材P271页表9-4): 1. 计算样本相关系数矩阵R、特征根、特征向量。2. 确定因子的个数,并解释这些因子的含义。计算各因子得分并解释的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 多元统计分析-主成分分析的原理与实现

    目录 一、什么是主成分分析? 二、主成分分析的原理 三、主成分分析的应用 四、使用sklearn实现主成分分析 五、总结 主成分分析(Principal Component Analysis,PCA)是一种常用的多元统计分析方法,它是一种线性变换技术,可以将高维数据转换为低维数据,同时保留数据的主要

    2024年02月03日
    浏览(36)
  • 【多元统计分析】主成分分析——SPSS上机实验【过程+结果分析】

    题目来自何晓群《多元统计分析》(第五版)例题5-3 试利用主成分综合评价全国各地区水泥制造业规模以上企业的经济效益,原始数据来 源于2014 年《中国水泥统计年鉴》,如表5一5所示。 掌握主成分分析的使用方法,提取主成分,计算主成分得分及综合得分。 一、标准化

    2024年02月05日
    浏览(50)
  • 基于spss的多元统计分析 之 聚类分析+判别分析(3/8)

    实验目的: 1. 掌握多元数据的相关性、正态性、可视化表征的基本原理; 2.熟悉掌握SPSS软件/R软件的基本用法和基本操作; 3.利用实验指导中及软件中内置的实例数据,上机熟悉相关性检验+正态性检验+可视化数据方法。 实验内容: 1.实验数据为女性汗液+ 32名学生核心课

    2024年02月09日
    浏览(35)
  • 【应用多元统计分析】CH5 判别分析3——贝叶斯判别

    目录 前言——距离判别不适合的一个例子 一、最大后验概率法  1.含义 ​编辑 2.【例5.3.1】 3.先验概率的赋值方法 4.皆为正态组的情形 (1)先验概率相等,协方差矩阵相等时 (2)仅先验概率相等时 (3)仅协方差矩阵相等时  5.【例5.3.2】 二、最小期望误判代价法 1.例子

    2024年02月12日
    浏览(50)
  • R语言 一种功能强大的数据分析、统计建模 可视化 免费、开源且跨平台 的编程语言

    R语言是一种广泛应用于数据分析、统计建模和可视化的编程语言。它由新西兰奥克兰大学的罗斯·伊哈卡和罗伯特·杰特曼开发,并于1993年首次发布。R语言是一个免费、开源且跨平台的语言,它在统计学和数据科学领域得到了广泛的应用。 R语言具有丰富的数据处理、统计分

    2024年02月07日
    浏览(51)
  • 【数学建模】统计分析方法

    数据量要多,样本总量n越大越好——保证拟合效果更好,预测效果越好 一般n40/45较好 方法 建立回归模型 yi=β0+β1i+……+βkxki+εi 所估计的公式写出来 把数据带进去求回归系数【通过最小二乘估计求出β^是多少】 【部分】检验回归系数β1,β2……βk是否为0,系数显著说明自

    2024年02月16日
    浏览(41)
  • 常用的统计建模方法——差分分析

    差分,本质上就是下一个数值减去上一个数值,主要是消除一些波动使数据趋于平稳,非平稳序列可通过差分变换转化为平稳序列。 输入: 1个时间序列数据定量变量 输出: 经过指定阶数差分后的序列图 SPSSPRO-免费专业的在线数据分析平台 案例: 基于某杂志1995-2019年的印

    2023年04月08日
    浏览(33)
  • 学习笔记:统计建模方法的比较分析

    本文介绍了隐马尔可夫模型 (HMM)、最大熵马尔可夫模型 (MEMM) 和条件随机场 (CRF) 的比较分析。 HMM、MEMM 和 CRF 是三种流行的统计建模方法,通常应用于模式识别和机器学习问题。 让我们更详细地探讨每种方法。 “隐藏”一词象征着只有系统发布的符号是可观察的,而用户无法

    2023年04月08日
    浏览(48)
  • ArcGIS Pro实践技术应用、制图、空间分析、影像分析、三维建模、空间统计分析与建模、python融合

    GIS是利用电子计算机及其外部设备,采集、存储、分析和描述整个或部分地球表面与空间信息系统。简单地讲,它是在一定的地域内,将地理空间信息和 一些与该地域地理信息相关的属性信息结合起来,达到对地理和属性信息的综合管理。GIS的研究对象是整个地理空间,而地

    2024年02月09日
    浏览(45)
  • ArcGIS Pro技术应用(暨基础入门、制图、空间分析、影像分析、三维建模、空间统计分析与建模、python融合)

    GIS是利用电子计算机及其外部设备,采集、存储、分析和描述整个或部分地球表面与空间信息系统。简单地讲,它是在一定的地域内,将地理空间信息和 一些与该地域地理信息相关的属性信息结合起来,达到对地理和属性信息的综合管理。GIS的研究对象是整个地理空间,而地

    2024年02月13日
    浏览(44)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包