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
记为矩阵的形式有
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
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
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。文章来源：https://www.toymoban.com/news/detail-467139.html
文章来源地址https://www.toymoban.com/news/detail-467139.html
到了这里，关于数学建模 因子分析的文章就介绍完了。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！
