因子分析方法

1、因子分析法1. 因子分析(Factor Analysis)因子分析的基本目的就是用少數(shù)幾個因子去描述許多指標或因素之間的聯(lián)系，即將相關比較密切的幾個變量歸在同一類中，每一類變量就成為一個因子(之所以稱其為因子，是因為它是不可觀測的，即不是具體的變量)，以較少的幾個因子反映原資料的大部分信息。運用這種研究術(shù)，我們可以方便地找岀影響消費者購買、消費以及滿意度的主要因素是哪些，以及它們的影響力(權(quán)重)運用這種研究技術(shù)，我們還可以為市場細分做前期分析。因子分析法與其他一些多元統(tǒng)計方法的區(qū)別：2. 主成分分析主成分分析主要是作為一種探索性的技術(shù)，在分析者進行多元數(shù)據(jù)分析之前，用主成分分析來分析數(shù)據(jù)，讓自

2、己對數(shù)據(jù)有一個大致的了解是非常重要的。主成分分析一般很少單獨使用： a，了解數(shù)據(jù)。(screening the data)， b，和 cluster analysis一起使用，c，和判別分析一起使用，比如當變量很多，個案數(shù)不多，直接使用判別分析可能無解，這時候可以使用主成份發(fā)對變量簡化。(reduce dimensionality) d，在多元回歸中，主成分分析可以幫助判斷是否存在共線性(條件指數(shù))，還可以用來處理共線性。1、因子分析中是把變量表示成各因子的線性組合，而主成分分析中則是把主成分表示成個 變量的線性組合。2、主成分分析的重點在于解釋各變量的總方差，而因子分析則把重點放在解釋各變量

3、之間 的協(xié)方差。3、 主成分分析中不需要有假設(assumptions)，因子分析則需要一些假設。因子分析的假設包括：各個共同因子之間不相關，特殊因子(specific factor )之間也不相關，共同因子和特殊因子之間也不相關。4、主成分分析中，當給定的協(xié)方差矩陣或者相關矩陣的特征值是唯一的時候，的主成分一 般是獨特的；而因子分析中因子不是獨特的，可以旋轉(zhuǎn)得到不同的因子。5、在因子分析中，因子個數(shù)需要分析者指定( spss根據(jù)一定的條件自動設定，只要是特征值大于1的因子進入分析)，而指定的因子數(shù)量不同而結(jié)果不同。在主成分分析中，成分的數(shù)量 是一定的，一般有幾個變量就有幾個主成分。和主成分分

4、析相比，由于因子分析可以使用旋轉(zhuǎn)技術(shù)幫助解釋因子，在解釋方面更加有優(yōu)勢。大致說來，當需要尋找潛在的因子，并對這些因子進行解釋的時候，更加傾向于使用因子分析，并且借助旋轉(zhuǎn)技術(shù)幫助更好解釋。而如果想把現(xiàn)有的變量變成少數(shù)幾個新的變量(新的變量幾乎帶有原來所有變量的信息)來進入后續(xù)的分析，則可以使用主成分分析。當然，這種情況也可以使用因子得分做到。所以這種區(qū)分不是絕對的?？偟脕碚f，主成分分析主要是作為一種探索性的技術(shù)，在分析者進行多元數(shù)據(jù)分析之前，用主成分分析來分析數(shù)據(jù)，讓自己對數(shù)據(jù)有一個大致的了解是非常重要的。主成分分析一般很少單獨使用：a，了解數(shù)據(jù)。(screening the data) ，b，

5、和 cluster analysis 一起使用，c，和判別 分析一起使用，比如當變量很多，個案數(shù)不多，直接使用判別分析可能無解，這時候可以使用主成份發(fā)對變量簡化。(reduce dimensionality) d，在多元回歸中，主成分分析可以幫助判斷是否存在共線性(條件指數(shù))，還可以用來處理共線性。在算法上，主成分分析和因子分析很類似，不過，在因子分析中所采用的協(xié)方差矩陣的對角元素不在是變量的方差，而是和變量對應的共同度(變量方差中被各因子所解釋的部分)。3. 聚類分析(Cluster Analysis)聚類分析是直接比較各事物之間的性質(zhì)，將性質(zhì)相近的歸為一類，將性質(zhì)差別較大的歸入不同的類的分

6、析技術(shù)。在市場研究領域，聚類分析主要應用方面是幫助我們尋找目標消費群體，運用這項研究技術(shù)，我們可以劃分岀產(chǎn)品的細分市場，并且可以描述岀各細分市場的人群特征，以便于客戶可以有針對性的對目標消費群體施加影響，合理地開展工作。4. 判別分析 (Discriminatory Analysis)判別分析 (Discriminatory Analysis) 的任務是根據(jù)已掌握的 1 批分類明確的樣品，建立較 好的判別函數(shù)，使產(chǎn)生錯判的事例最少，進而對給定的 1 個新樣品，判斷它來自哪個總體。 根據(jù) 資料的性質(zhì)， 分為定性資料的判別分析和定量資料的判別分析； 采用不同的判別準則， 又有費歇、 貝葉斯、距離等

7、判別方法。費歇(FISHER判別思想是投影，使多維問題簡化為一維問題來處理。選擇一個適當?shù)耐队?軸，使所有的樣品點都投影到這個軸上得到一個投影值。 對這個投影軸的方向的要求是： 使每一 類內(nèi)的投影值所形成的類內(nèi)離差盡可能小， 而不同類間的投影值所形成的類間離差盡可能大。貝葉斯(BAYES判別思想是根據(jù)先驗概率求岀后驗概率，并依據(jù)后驗概率分布作岀統(tǒng)計推斷。所 謂先驗概率， 就是用概率來描述人們事先對所研究的對象的認識的程度； 所謂后驗概率， 就是根 據(jù)具體資料、先驗概率、特定的判別規(guī)則所計算岀來的概率。它是對先驗概率修正后的結(jié)果。距離判別思想是根據(jù)各樣品與各母體之間的距離遠近作岀判別。即根據(jù)資料

8、建立關于各母體的距離判別函數(shù)式， 將各樣品數(shù)據(jù)逐一代入計算， 得岀各樣品與各母體之間的距離值， 判樣品屬 于距離值最小的那個母體。5. 對應分析 (Correspondence Analysis) 對應分析是一種用來研究變量與變量之間聯(lián)系緊密程度的研究技術(shù)。運用這種研究技術(shù)， 我們可以獲取有關消費者對產(chǎn)品品牌定位方面的圖形，從而幫助您及時調(diào)整營銷策略，以便使產(chǎn)品品牌在消費者中能樹立起正確的形象。這種研究技術(shù)還可以用于檢驗廣告或市場推廣活動的效果，我們可以通過對比廣告播岀前或市場推廣活動前與廣告播岀后或市場推廣活動后消費者對產(chǎn)品的不同認知圖來看岀廣告或市場 推廣活動是否成功的向消費者傳達了需要傳

9、達的信息。6. 典型相關分析典型相關分析是分析兩組隨機變量間線性密切程度的統(tǒng)計方法，是兩變量間線性相關分析的拓廣。各組隨機變量中既可有定量隨機變量，也可有定性隨機變量(分析時須F6說明為定性變量)本法還可以用于分析高維列聯(lián)表各邊際變量的線性關系。1嚴格地說，一個典型相關系數(shù)描述的只是一對典型變量之間的相關，而不是兩個變量組 之間的相關。 而各對典型變量之間構(gòu)成的多維典型相關才共同揭示了兩個觀測變量組之間的相關 形式。2典型相關模型的基本假設和數(shù)據(jù)要求 要求兩組變量之間為線性關系，即每對典型變量之間為線性關系； 每個典型變量與本組所有觀測變量的關系也是線性關系。如果不是線性關系，可先線性化： 如

10、經(jīng)濟水平和收入水平與其他一些社會發(fā)展水之間并不是線性關系，可先取對數(shù)。 即 log 經(jīng)濟水平， log 收入水平。3典型相關模型的基本假設和數(shù)據(jù)要求 所有觀測變量為定量數(shù)據(jù)。 同時也可將定性數(shù)據(jù)按照一定形式設為虛擬變量后，再放入典型相關模型中進行分析。7. 多維尺度分析 (Multi-dimension Analysis)多維尺度分析 (Multi-dimension Analysis)是市場研究的一種有力手段，它可以通過低維空間(通常是二維空間)展示多個研究對象(比如品牌)之間的聯(lián)系，利用平面距離來反映研究 對象之間的相似程度。由于多維尺度分析法通常是基于研究對象之間的相似性(距離)的， 只

11、要獲得了兩個研究對象之間的距離矩陣，我們就可以通過相應統(tǒng)計軟件做岀他們的相似性知覺圖。在實際應用中， 距離矩陣的獲得主要有兩種方法： 一種是采用直接的相似性評價， 先所有評 價對象進行兩兩組合， 然后要求被訪者所有的這些組合間進行直接相似性評價，這種方法我們稱之為直接評價法； 另一種為間接評價法， 由研究人員根據(jù)事先經(jīng)驗， 找岀影響人們評價研究對象 相似性的主要屬性， 然后對每個研究對象， 讓被訪者對這些屬性進行逐一評價，最后將所有屬性作為多維空間的坐標，通過距離變換計算對象之間的距離。來反映被訪者對研究對象相似 調(diào)查中被訪者負擔較小， 很容 由于每個被訪者個體的距離多維尺度分析的主要思路是利

12、用對被訪者對研究對象的分組， 性的感知，這種方法具有一定直觀合理性。同時該方法實施方便， 易得到理解接受。 當然， 該方法的不足之處是犧牲了個體距離矩陣， 矩陣只包含 1 與 0 兩種取值， 相對較為粗糙， 個體距離矩陣的分析顯得比較勉強。 但這一點是完 全可以接受的，因為對大多數(shù)研究而言，我們并不需要知道每一個體的空間知覺圖多元統(tǒng)計分析是統(tǒng)計學中內(nèi)容十分豐富、應用范圍極為廣泛的一個分支。在自然科學和社會科學的許多學科中，研究者都有可能需要分析處理有多個變量的數(shù)據(jù)的問題。能否從表面上看起來雜亂無章的數(shù)據(jù)中發(fā)現(xiàn)和提煉出規(guī)律性的結(jié)論，不僅對所研究的專業(yè)領域要有很好的訓練，而且要掌握必要的統(tǒng)計分析工

13、具。對實際領域中的研究者和高等院校的研究生來說，要學習掌握多元統(tǒng)計分析的各種模型和方法，手頭有一本好的、 有長久價值的參考書是非常必要的。這樣一本書應該滿足以下條件：首先，它應該是“淺入深岀”的，也就是說，既可供初學者入門，又能使 有較深基礎的人受益。其次，它應該是既側(cè)重于應用，又兼顧必要的推理論證，使學習者既能學到“如何”做，而且在一定程度上了解“為什么”這樣做。最后，它應該是內(nèi)涵豐富、全面的， 不僅要基本包括各種在實際中常用的多元統(tǒng)計分析方法，而且還要對現(xiàn)代統(tǒng)計學的最新思想和進展有所介紹、交代。因子分析的核心問題有兩個:一是如何構(gòu)造因子變量；二是如何對因子變量進行命名解釋。因此，因子分析的

14、基本步驟和解決思路就是圍繞這兩個核心問題展開的。(i )因子分析常常有以下四個基本步驟：(1確認待分析的原變量是否適合作因子分析。(2) 構(gòu)造因子變量。(3) 利用旋轉(zhuǎn)方法使因子變量更具有可解釋性。(4) 計算因子變量得分。(ii )因子分析的計算過程：(1將原始數(shù)據(jù)標準化，以消除變量間在數(shù)量級和量綱上的不同。(2) 求標準化數(shù)據(jù)的相關系數(shù)矩陣；(3) 求相關矩陣的特征值和特征向量；(4) 計算方差貢獻率與累積方差貢獻率；(5) 確定因子：設F1，F(xiàn)2，F(xiàn)p為p個因子，其中前 m個因子包含的數(shù)據(jù)信息總量(即其累積貢獻率) 不低于80%寸，可取前 m個因子來反映原評價指標；(6) 因子旋轉(zhuǎn)：若所

15、得的m個因子無法確定或其實際意義不是很明顯，這時需將因子進行旋轉(zhuǎn)以獲得較為明顯的實際含義。(7用原指標的線性組合來求各因子得分： 采用回歸估計法，Bartlett 估計法或Thomson估計法計算因子得分。(8) 綜合得分以各因子的方差貢獻率為權(quán)，由各因子的線性組合得到綜合評價指標函數(shù)。F = (w1F1+w2F2+ +wmFm/(w1+w2+wm )此處wi為旋轉(zhuǎn)前或旋轉(zhuǎn)后因子的方差貢獻率。(9) 得分排序：利用綜合得分可以得到得分名次。在采用多元統(tǒng)計分析技術(shù)進行數(shù)據(jù)處理、建立宏觀或微觀系統(tǒng)模型時，需要研究以下幾個方面的問題：簡化系統(tǒng)結(jié)構(gòu)，探討系統(tǒng)內(nèi)核?？刹捎弥鞒煞址治?、因子分析、對應分析等

16、方法，在眾 多因素中找岀各個變量最佳的子集合，從子集合所包含的信息描述多變量的系統(tǒng)結(jié)果及各個因子對系統(tǒng)的影響?！皬臉淠究瓷帧保プ≈饕?，把握主要矛盾的主要方面，舍棄次要因素，以 簡化系統(tǒng)的結(jié)構(gòu)，認識系統(tǒng)的內(nèi)核。構(gòu)造預測模型，進行預報控制。在自然和社會科學領域的科研與生產(chǎn)中，探索多變量系 統(tǒng)運動的客觀規(guī)律及其與外部環(huán)境的關系， 進行預測預報， 以實現(xiàn)對系統(tǒng)的最優(yōu)控制， 是應用多 元統(tǒng)計分析技術(shù)的主要目的。 在多元分析中， 用于預報控制的模型有兩大類。 一類是預測預報模 型，通常采用多元線性回歸或逐步回歸分析、判別分析、雙重篩選逐步回歸分析等建模技術(shù)。 另 一類是描述性模型，通常采用聚類分析的建模技術(shù)。進行數(shù)值分類，構(gòu)造分類模式。在多變量系統(tǒng)的分析中，往往需要將系統(tǒng)性質(zhì)相似的事 物或現(xiàn)象歸為一類。 以便找出它們之間的聯(lián)系和內(nèi)在規(guī)律性。 過去許多研究多是按單因素進行定 性處理， 以致處理結(jié)果反映不