医药-临床-护理因子分析ppt课件

1、欢迎进入学习 课堂因子分析公共卫生学院一、前言变量的相关性 公共因子？将多个实测变量转换成少数几个不相关的综合指数二、因子分析模型 一般地，设X=(x1, x2, ,xp)为可观测的随机变量，且有f=(f1,f2,fm)为公共（共性）因子(common factor)，简称因子(factor)e=(e1,e2,ep)为特殊因子（specific factor）f和e均为不可直接观测的随机变量=(1,2,p)为随机变量x的总体均值A=(aij)p*m为因子负荷（载荷）（factor loading）矩阵通常先对x作标准化处理，使标准化得到的新变量均值为零，方差为这样就有假定（）fi的均数为，方差

2、为； （）ei的均数为，方差为i； （） fi与ei相互独立则称x为具有m个公共因子的因子模型 如果再满足（）fi与fj相互独立（ij），则称该因子模型为正交因子模型。 正交因子模型具有如下特性：x的方差可表示为设（）hi2是m个公共因子对第i个变量的贡献，称为第i个共同度（communality）或共性方差，公因子方差（common variance）（）i称为特殊方差（specific variance），是不能由公共因子解释的部分因子载荷（负荷）aij是随机变量xi与公共因子fj的相关系数。设 称gj2为公共因子fj对x的“贡献”，是衡量公共因子fj重要性的一个指标。三、因子分析的步骤输

3、入原始数据xn*p，计算样本均值和方差，进行标准化计算（处理）；求样本相关系数矩阵R=(rij)p*p；求相关系数矩阵的特征根i (1,2,p0)和相应的标准正交的特征向量li；确定公共因子数；计算公共因子的共性方差hi2;对载荷矩阵进行旋转，以求能更好地解释公共因子；对公共因子作出专业性的解释。四、因子分析提取因子的方法主成分法（principal component factor） 每一个公共因子的载荷系数之平方和等于对应的特征根，即该公共因子的方差。极大似然法（maximum likelihood factor） 假定原变量服从正态分布，公共因子和特殊因子也服从正态分布，构造因子负荷和特

4、殊方差的似然函数，求其极大，得到唯一解。主因子法（principal factor） 设原变量的相关矩阵为R=(rij)，其逆矩阵为R-1=(rij)。各变量特征方差的初始值取为逆相关矩阵对角线元素的倒数，i=1/rii。则共同度的初始值为(hi)2=1- i=1-1/rii。 以(hi)2代替相关矩阵中的对角线上的元素，得到约化相关矩阵。 (h1)2 r12 r1p r21 (h2)2 r2p R= . . . . . . rp1 rp2 (hp)2 R的前m个特征根及其对应的单位化特征向量就是主因子解。迭代主因子法（iterated principal factor） 主因子的解很不稳定。

5、因此，常以估计的共同度为初始值，构造新的约化矩阵，再计算其特征根及其特征向量，并由此再估计因子负荷及其各变量的共同度和特殊方差，再由此新估计的共同度为初始值继续迭代，直到解稳定为止。Heywood现象残差矩阵五、因子旋转目的：使因子负荷两极分化，要么接近于0，要么接近于1。常用的旋转方法：（1）方差最大正交旋转 （varimax orthogonal rotation）基本思想：使公共因子的相对负荷（lij/hi2）的方差之和最大，且保持原公共因子的正交性和公共方差总和不变。可使每个因子上的具有最大载荷的变量数最小，因此可以简化对因子的解释。（2）斜交旋转（oblique rotation）因

6、子斜交旋转后，各因子负荷发生了较大变化，出现了两极分化。各因子间不再相互独立，而彼此相关。各因子对各变量的贡献的总和也发生了改变。适用于大数据集的因子分析。六、因子得分Thomson法，即回归法 回归法得分是由Bayes思想导出的，得到的因子得分是有偏的，但计算结果误差较小。Bartlett法 Bartlett因子得分是极大似然估计，也是加权最小二乘回归，得到的因子得分是无偏的，但计算结果误差较大。因子得分可用于模型诊断，也可用作进一步分析的原始资料。七、因子分析应用实例八、因子分析应用的注意事项应用条件（1）变量是计量的，能用线性相关系数（Pearson积叉相关系数）表示它们之间的相关性。（2）总体的同质性样本量 没有