10因子分析和主成分分析

1、主成分分析與因子分析介紹： 1、主成分分析與因子分析的概念 2、主成分分析與因子分析的過(guò)程主成分分析與因子分析的概念需要與可能：在各個(gè)領(lǐng)域的科學(xué)研究中，往往需要對(duì)反映事物的多個(gè)變量進(jìn)行大量的觀測(cè)，收集大量數(shù)據(jù)以便進(jìn)行分析尋找規(guī)律。多變量大樣本無(wú)疑會(huì)為科學(xué)研究提供豐富的信息，但也在一定程度上增加了數(shù)據(jù)采集的工作量，更重要的是在大多數(shù)情況下，許多變量之間可能存在相關(guān)性而增加了問(wèn)題分析的復(fù)雜性，同時(shí)對(duì)分析帶來(lái)不便。如果分別分析每個(gè)指標(biāo)，分析又可能是孤立的，而不是綜合的。盲目減少指標(biāo)會(huì)損失很多信息，容易產(chǎn)生錯(cuò)誤的結(jié)論。因此需要找到一個(gè)合理的方法，減少分析指標(biāo)的同時(shí)，盡量減少原指標(biāo)包含信息的損失，對(duì)所收

2、集的資料作全面的分析。由于各變量間存在一定的相關(guān)關(guān)系，因此有可能用較少的綜合指標(biāo)分別綜合存在于各變量中的各類(lèi)信息。主成分分析與因子分析就是這樣一種降維的方法。主成分分析與因子分析是將多個(gè)實(shí)測(cè)變量轉(zhuǎn)換為少數(shù)幾個(gè)不相關(guān)的綜合指標(biāo)的多元統(tǒng)計(jì)分析方法直線綜合指標(biāo)往往是不能直接觀測(cè)到的，但它更能反映事物的本質(zhì)。因此在醫(yī)學(xué)、心理學(xué)、經(jīng)濟(jì)學(xué)等科學(xué)領(lǐng)域以及社會(huì)化生產(chǎn)中得到廣泛的應(yīng)用。由于實(shí)測(cè)的變量間存在一定的相關(guān)關(guān)系，因此有可能用較少數(shù)的綜合指標(biāo)分別綜合存在于各變量中的各類(lèi)信息，而綜合指標(biāo)之間彼此不相關(guān)，即各指標(biāo)代表的信息不重疊。綜合指標(biāo)稱為因子或主成分（提取幾個(gè)因子），一般有兩種方法：特征值1累計(jì)貢獻(xiàn)率0.

3、8匯報(bào)什么？假定你是一個(gè)公司的財(cái)務(wù)經(jīng)理，掌握了公司的所有數(shù)據(jù)，比如固定資產(chǎn)、流動(dòng)資金、每一筆借貸的數(shù)額和期限、各種稅費(fèi)、工資支出、原料消耗、產(chǎn)值、利潤(rùn)、折舊、職工人數(shù)、職工的分工和教育程度等等。如果讓你向上面介紹公司狀況，你能夠把這些指標(biāo)和數(shù)字都原封不動(dòng)地?cái)[出去嗎？ 當(dāng)然不能。你必須要把各個(gè)方面作出高度概括，用一兩個(gè)指標(biāo)簡(jiǎn)單明了地把情況說(shuō)清楚。 因子分析的定義和數(shù)學(xué)模型 定義：在社會(huì)、政治、經(jīng)濟(jì)和醫(yī)學(xué)等領(lǐng)域的研究中往往需要對(duì)反映事物的多個(gè)變量進(jìn)行大量的觀察，收集大量的數(shù)據(jù)以便進(jìn)行分析，尋找規(guī)律。在大多數(shù)情況下，許多變量之間存在一定的相關(guān)關(guān)系。 因此，有可能用較少的綜合指標(biāo)分析存在于各變量中的各

4、類(lèi)信息，而各綜合指標(biāo)之間彼此是不相關(guān)的，代表各類(lèi)信息的綜合指標(biāo)稱為因子。因子分析就是用少數(shù)幾個(gè)因子來(lái)描述許多指標(biāo)或因素之間的聯(lián)系，以較少幾個(gè)因子反映原資料的大部分信息的統(tǒng)計(jì)學(xué)方法。因子分析有如下特點(diǎn)。（1）因子變量的數(shù)量遠(yuǎn)少于原有的指標(biāo)變量的數(shù)量，對(duì)因子變量的分析能夠減少分析中的計(jì)算工作量。（2）因子變量不是對(duì)原有變量的取舍，而是根據(jù)原始變量的信息進(jìn)行重新組構(gòu)，它能夠反映原有變量大部分的信息。（3）因子變量之間不存在線性相關(guān)關(guān)系，對(duì)變量的分析比較方便。（4）因子變量具有命名解釋性，即該變量是對(duì)某些原始變量信息的綜合和反映。 對(duì)多變量的平面數(shù)據(jù)進(jìn)行最佳綜合和簡(jiǎn)化，即在保證數(shù)據(jù)信息丟失最少的原則下

5、，對(duì)高維變量空間進(jìn)行降維處理。顯然，在一個(gè)低維空間解釋系統(tǒng)，要比在一個(gè)高維系統(tǒng)空間容易得多。 英國(guó)統(tǒng)計(jì)學(xué)家Moser Scott在1961年對(duì)英國(guó)157個(gè)城鎮(zhèn)發(fā)展水平進(jìn)行調(diào)查時(shí)，原始測(cè)量的變量有57個(gè)，而通過(guò)因子分析發(fā)現(xiàn)，只需要用5個(gè)新的綜合變量（它們是原始變量的線性組合），就可以解釋95%的原始信息。對(duì)問(wèn)題的研究從57維度降低到5個(gè)維度，因此可以進(jìn)行更容易的分析。數(shù)學(xué)模型因子分析中的幾個(gè)概念1因子載荷2變量共同度3公共因子Fj的方差貢獻(xiàn) 因子分析有兩個(gè)核心問(wèn)題：一是如何構(gòu)造因子變量；二是如何對(duì)因子變量進(jìn)行命名解釋。因子分析有下面4個(gè)基本步驟。 （1）確定待分析的原有若干變量是否適合于因子分析

6、。 （2）構(gòu)造因子變量。 （3）利用旋轉(zhuǎn)使得因子變量更具有可解釋性。 （4）計(jì)算因子變量的得分。 因子分析的4個(gè)基本步驟 因子分析是從眾多的原始變量中構(gòu)造出少數(shù)幾個(gè)具有代表意義的因子變量，這里面有一個(gè)潛在的要求，即原有變量之間要具有比較強(qiáng)的相關(guān)性。如果原有變量之間不存在較強(qiáng)的相關(guān)關(guān)系，那么就無(wú)法從中綜合出能反映某些變量共同特性的少數(shù)公共因子變量來(lái)。因此，在因子分析時(shí)，需要對(duì)原有變量作相關(guān)分析。確定待分析的原有若干變量是否適合于因子分析 最簡(jiǎn)單的方法就是計(jì)算變量之間的相關(guān)系數(shù)矩陣。如果相關(guān)系數(shù)矩陣在進(jìn)行統(tǒng)計(jì)檢驗(yàn)中，大部分相關(guān)系數(shù)都小于0.3，并且未通過(guò)統(tǒng)計(jì)檢驗(yàn)，那么這些變量就不適合于進(jìn)行因子分析

7、。 1巴特利特球形檢驗(yàn)（Bartlett Test of Sphericity） 2反映像相關(guān)矩陣檢驗(yàn)（Antiimage correlation matrix） 3KMO（Kaiser-Meyer-Olkin）檢驗(yàn) 因子分析中有多種確定因子變量的方法，如基于主成分模型的主成分分析法和基于因子分析模型的主軸因子法、極大似然法、最小二乘法等。其中基于主成分模型的主成分分析法是使用最多的因子分析方法之一。下面以該方法為對(duì)象進(jìn)行分析。構(gòu)造因子變量因子變量的命名解釋 在實(shí)際分析工作中，主要是通過(guò)對(duì)載荷矩陣A的值進(jìn)行分析，得到因子變量和原變量的關(guān)系，從而對(duì)新的因子變量進(jìn)行命名。 計(jì)算因子得分是因子分析的

8、最后一步。因子變量確定以后，對(duì)每一樣本數(shù)據(jù)，希望得到它們?cè)诓煌蜃由系木唧w數(shù)據(jù)值，這些數(shù)值就是因子得分，它和原變量的得分相對(duì)應(yīng)。有了因子得分，在以后的研究中，就可以針對(duì)維數(shù)少的因子得分來(lái)進(jìn)行。計(jì)算因子得分主成分分析每個(gè)人都會(huì)遇到有很多變量的數(shù)據(jù)。比如全國(guó)或各個(gè)地區(qū)的帶有許多經(jīng)濟(jì)和社會(huì)變量的數(shù)據(jù)；各個(gè)學(xué)校的研究、教學(xué)等各種變量的數(shù)據(jù)等等。這些數(shù)據(jù)的共同特點(diǎn)是變量很多，在如此多的變量之中，有很多是相關(guān)的。人們希望能夠找出它們的少數(shù)“代表”來(lái)對(duì)它們進(jìn)行描述。本章就介紹兩種把變量維數(shù)降低以便于描述、理解和分析的方法：主成分分析（principal component analysis）和因子分析（fa

9、ctor analysis）。實(shí)際上主成分分析可以說(shuō)是因子分析的一個(gè)特例。在引進(jìn)主成分分析之前，先看下面的例子。成績(jī)數(shù)據(jù)（student.sav）100個(gè)學(xué)生的數(shù)學(xué)、物理、化學(xué)、語(yǔ)文、歷史、英語(yǔ)的成績(jī)?nèi)缦卤恚ú糠郑?從本例可能提出的問(wèn)題目前的問(wèn)題是，能不能把這個(gè)數(shù)據(jù)的6個(gè)變量用一兩個(gè)綜合變量來(lái)表示呢？這一兩個(gè)綜合變量包含有多少原來(lái)的信息呢？能不能利用找到的綜合變量來(lái)對(duì)學(xué)生排序呢？這一類(lèi)數(shù)據(jù)所涉及的問(wèn)題可以推廣到對(duì)企業(yè)，對(duì)學(xué)校進(jìn)行分析、排序、判別和分類(lèi)等問(wèn)題。主成分分析例中的的數(shù)據(jù)點(diǎn)是六維的；也就是說(shuō)，每個(gè)觀測(cè)值是6維空間中的一個(gè)點(diǎn)。我們希望把6維空間用低維空間表示。先假定只有二維，即只有兩個(gè)

10、變量，它們由橫坐標(biāo)和縱坐標(biāo)所代表；因此每個(gè)觀測(cè)值都有相應(yīng)于這兩個(gè)坐標(biāo)軸的兩個(gè)坐標(biāo)值；如果這些數(shù)據(jù)形成一個(gè)橢圓形狀的點(diǎn)陣（這在變量的二維正態(tài)的假定下是可能的）那么這個(gè)橢圓有一個(gè)長(zhǎng)軸和一個(gè)短軸。在短軸方向上，數(shù)據(jù)變化很少；在極端的情況，短軸如果退化成一點(diǎn)，那只有在長(zhǎng)軸的方向才能夠解釋這些點(diǎn)的變化了；這樣，由二維到一維的降維就自然完成了。主成分分析當(dāng)坐標(biāo)軸和橢圓的長(zhǎng)短軸平行，那么代表長(zhǎng)軸的變量就描述了數(shù)據(jù)的主要變化，而代表短軸的變量就描述了數(shù)據(jù)的次要變化。但是，坐標(biāo)軸通常并不和橢圓的長(zhǎng)短軸平行。因此，需要尋找橢圓的長(zhǎng)短軸，并進(jìn)行變換，使得新變量和橢圓的長(zhǎng)短軸平行。如果長(zhǎng)軸變量代表了數(shù)據(jù)包含的大部分信

11、息，就用該變量代替原先的兩個(gè)變量（舍去次要的一維），降維就完成了。橢圓（球）的長(zhǎng)短軸相差得越大，降維也越有道理。主成分分析對(duì)于多維變量的情況和二維類(lèi)似，也有高維的橢球，只不過(guò)無(wú)法直觀地看見(jiàn)罷了。首先把高維橢球的主軸找出來(lái)，再用代表大多數(shù)數(shù)據(jù)信息的最長(zhǎng)的幾個(gè)軸作為新變量；這樣，主成分分析就基本完成了。注意，和二維情況類(lèi)似，高維橢球的主軸也是互相垂直的。這些互相正交的新變量是原先變量的線性組合，叫做主成分(principal component)。 主成分分析正如二維橢圓有兩個(gè)主軸，三維橢球有三個(gè)主軸一樣，有幾個(gè)變量，就有幾個(gè)主成分。選擇越少的主成分，降維就越好。什么是標(biāo)準(zhǔn)呢？那就是這些被選的主成

12、分所代表的主軸的長(zhǎng)度之和占了主軸長(zhǎng)度總和的大部分。有些文獻(xiàn)建議，所選的主軸總長(zhǎng)度占所有主軸長(zhǎng)度之和的大約85%即可，其實(shí)，這只是一個(gè)大體的說(shuō)法；具體選幾個(gè)，要看實(shí)際情況而定。對(duì)于我們的數(shù)據(jù)，SPSS輸出為這里的Initial Eigenvalues就是這里的六個(gè)主軸長(zhǎng)度，又稱特征值（數(shù)據(jù)相關(guān)陣的特征值）。頭兩個(gè)成分特征值累積占了總方差的81.142%。后面的特征值的貢獻(xiàn)越來(lái)越少。 特征值的貢獻(xiàn)還可以從SPSS的所謂碎石圖看出怎么解釋這兩個(gè)主成分。前面說(shuō)過(guò)主成分是原始六個(gè)變量的線性組合。是怎么樣的組合呢？SPSS可以輸出下面的表。 這里每一列代表一個(gè)主成分作為原來(lái)變量線性組合的系數(shù)（比例）。比如

13、第一主成分作為數(shù)學(xué)、物理、化學(xué)、語(yǔ)文、歷史、英語(yǔ)這六個(gè)原先變量的線性組合，系數(shù)（比例）為-0.806, -0.674, -0.675, 0.893, 0.825, 0.836。 如用x1,x2,x3,x4,x5,x6分別表示原先的六個(gè)變量，而用y1,y2,y3,y4,y5,y6表示新的主成分，那么，原先六個(gè)變量x1,x2,x3,x4,x5,x6與第一和第二主成分y1,y2的關(guān)系為：X1=-0.806y1 + 0.353y2X2=-0.674y1 + 0.531y2X3=-0.675y1 + 0.513y2X4= 0.893y1 + 0.306y2x5= 0.825y1 + 0.435y2x6=

14、 0.836y1 + 0.425y2這些系數(shù)稱為主成分載荷（loading），它表示主成分和相應(yīng)的原先變量的相關(guān)系數(shù)。比如x1表示式中y1的系數(shù)為-0.806，這就是說(shuō)第一主成分和數(shù)學(xué)變量的相關(guān)系數(shù)為-0.806。相關(guān)系數(shù)(絕對(duì)值）越大，主成分對(duì)該變量的代表性也越大。可以看得出，第一主成分對(duì)各個(gè)變量解釋得都很充分。而最后的幾個(gè)主成分和原先的變量就不那么相關(guān)了。 可以把第一和第二主成分的載荷點(diǎn)出一個(gè)二維圖以直觀地顯示它們?nèi)绾谓忉屧瓉?lái)的變量的。這個(gè)圖叫做載荷圖。該圖左面三個(gè)點(diǎn)是數(shù)學(xué)、物理、化學(xué)三科，右邊三個(gè)點(diǎn)是語(yǔ)文、歷史、外語(yǔ)三科。圖中的六個(gè)點(diǎn)由于比較擠，不易分清，但只要認(rèn)識(shí)到這些點(diǎn)的坐標(biāo)是前面的

15、第一二主成分載荷，坐標(biāo)是前面表中第一二列中的數(shù)目，還是可以識(shí)別的。主成分分析實(shí)例P316不旋轉(zhuǎn)使用默認(rèn)值進(jìn)行最簡(jiǎn)單的主成分分析(默認(rèn)為主成分分析法:Principal components)例子P316：對(duì)美國(guó)洛杉磯12個(gè)人口調(diào)查區(qū)的5個(gè)經(jīng)濟(jì)學(xué)變量的數(shù)據(jù)進(jìn)行因子分析，data13-01a，數(shù)據(jù)見(jiàn)下一張幻燈片）菜單：AnalyzeData ReductionFactorVariables ：pop，School，employ，Services， house其他使用默認(rèn)值（主成分分析法Principal components，選取特征值1，不旋轉(zhuǎn))比較有用的結(jié)果：兩個(gè)主成分(因子)f1,f2及因子

16、載荷矩陣(Component Matrix)，根據(jù)該表可以寫(xiě)出每個(gè)原始變量（標(biāo)準(zhǔn)化值）的因子表達(dá)式： Pop0.581f1 + 0.806f2 School 0.767f1 - 0.545f2 employ 0.672f1 + 0.726f2 Services 0.932f1 - 0.104f2 house 0.791f1 - 0.558f2每個(gè)原始變量都可以是5個(gè)因子的線性組合，提取兩個(gè)因子f1和f2，可以概括原始變量所包含信息的93.4%。 f1和f2前的系數(shù)表示該因子對(duì)變量的影響程度，也稱為變量在因子上的載荷。但每個(gè)因子（主成分）的系數(shù)(載荷)沒(méi)有很明顯的差別，所以不好命名。因此為了對(duì)因

17、子進(jìn)行命名，可以進(jìn)行旋轉(zhuǎn)，使系數(shù)向0和1兩極分化，這就要使用選擇項(xiàng)。洛衫磯對(duì)12個(gè)人口調(diào)查區(qū)的數(shù)據(jù)編號(hào) 總?cè)丝?中等學(xué)校平均 總雇員數(shù) 專(zhuān)業(yè)服務(wù) 中等房?jī)r(jià)no pop 校齡School employ 項(xiàng)目數(shù)Services house15700 12.8 2500 270 25000 21000 10.9 600 10 10000 33400 8.8 1000 10 9000 43800 13.6 1700 140 2500054000 12.8 1600 140 25000 68200 8.3 2600 6012000 71200 11.4 400 1016000 89100 11.5 33

18、00 6014000 99900 12.5 3400 180 13.7 3600 390 25000119600 9.6 3300 80 12000129400 11.4 4000 100 13000主成分分析實(shí)例P330 不旋轉(zhuǎn)市場(chǎng)研究中的顧客偏好分析在市場(chǎng)研究中，常常要求分析顧客的偏好和當(dāng)前市場(chǎng)的產(chǎn)品與顧客偏好之間的差別，從而找出新產(chǎn)品開(kāi)發(fā)的方向。顧客偏好分析時(shí)常用到主成分分析方法（因子沒(méi)有旋轉(zhuǎn)）。例子P330：數(shù)據(jù)來(lái)自SAS公司，1980年一個(gè)汽車(chē)制造商在競(jìng)爭(zhēng)對(duì)手中選擇了17種車(chē)型，訪問(wèn)了25個(gè)顧客，要求他們根據(jù)自己的偏好對(duì)17種車(chē)型打分。打分范圍09.9， 9.9表示最高程度的偏好。d

19、ata13-02a（1725：17個(gè)case，25個(gè)變量V1-V25）菜單：AnalyzeData ReductionFactorVariables ：V1-V25Extraction：method：Principal components Extract:Number of factors:3 要三個(gè)主成分Score:Save as variables比較有用的結(jié)果：3個(gè)主成分及其因子載荷矩陣(Component Matrix)：第一主成分和第二主成分的載荷圖（Loading plots）比較有用的結(jié)果:因子得分fac1_1, fac2_1 , fac3_1。然后可以利用因子得分進(jìn)行各種分析

20、：做偏好圖： 用fac1_1, fac2_1做散點(diǎn)圖（Graphs-Scatter：X- fac1_1 , Y- fac2_1）:第一主成分反映了車(chē)的產(chǎn)地，第二主成分反映了車(chē)的特性（質(zhì)量、動(dòng)力、座位數(shù)等）具體見(jiàn)P332-334因子分析主成分分析從原理上是尋找橢球的所有主軸。因此，原先有幾個(gè)變量，就有幾個(gè)主成分。而因子分析是事先確定要找?guī)讉€(gè)成分，這里叫因子（factor）（比如兩個(gè)），那就找兩個(gè)。這使得在數(shù)學(xué)模型上，因子分析和主成分分析有不少區(qū)別。而且因子分析的計(jì)算也復(fù)雜得多。根據(jù)因子分析模型的特點(diǎn)，它還多一道工序：因子旋轉(zhuǎn)（factor rotation）；這個(gè)步驟可以使結(jié)果更好。當(dāng)然，對(duì)于計(jì)

21、算機(jī)來(lái)說(shuō)，因子分析并不比主成分分析多費(fèi)多少時(shí)間。從輸出的結(jié)果來(lái)看，因子分析也有因子載荷（factor loading）的概念，代表了因子和原先變量的相關(guān)系數(shù)。但是在輸出中的因子和原來(lái)變量相關(guān)系數(shù)的公式中的系數(shù)不是因子載荷，也給出了二維圖；該圖雖然不是載荷圖，但解釋和主成分分析的載荷圖類(lèi)似。 主成分分析與因子分析的公式上的區(qū)別主成分分析 P312因子分析(m1）Rotation：method選VarimaxScore:Save as variables 和Display factor score Coefficient matrix比較有用的結(jié)果：兩個(gè)主成分(因子)f1,f2及旋轉(zhuǎn)后的因子載荷矩

22、陣(Rotated Component Matrix) ，根據(jù)該表可以寫(xiě)出每個(gè)原始變量（標(biāo)準(zhǔn)化值）的因子表達(dá)式： Pop 0.01602 f1 + 0.9946f2 School 0 .941f1 - 0.00882f2 employ 0.137f1 + 0.98f2 Services 0.825f1 +0.447f2 house 0.968f1 - 0.00605f2第一主因子對(duì)中等學(xué)校平均校齡,專(zhuān)業(yè)服務(wù)項(xiàng)目,中等房?jī)r(jià)有絕對(duì)值較大的載荷(代表一般社會(huì)福利-福利條件因子); 而第二主因子對(duì)總?cè)丝诤涂偣蛦T數(shù)有較大的載荷(代表人口-人口因子). P326比較有用的結(jié)果:因子得分fac1_1, fa

23、c2_1。其計(jì)算公式：因子得分系數(shù)和原始變量的標(biāo)準(zhǔn)化值的乘積之和（P326)。然后可以利用因子得分進(jìn)行聚類(lèi)p327（Analyze-Classify-Hierarchical Cluster）。因子分析和主成分分析的一些注意事項(xiàng) 可以看出，因子分析和主成分分析都依賴于原始變量，也只能反映原始變量的信息。所以原始變量的選擇很重要。另外，如果原始變量都本質(zhì)上獨(dú)立，那么降維就可能失敗，這是因?yàn)楹茈y把很多獨(dú)立變量用少數(shù)綜合的變量概括。數(shù)據(jù)越相關(guān)，降維效果就越好。在得到分析的結(jié)果時(shí)，并不一定會(huì)都得到如我們例子那樣清楚的結(jié)果。這與問(wèn)題的性質(zhì)，選取的原始變量以及數(shù)據(jù)的質(zhì)量等都有關(guān)系在用因子得分進(jìn)行排序時(shí)要特

24、別小心，特別是對(duì)于敏感問(wèn)題。由于原始變量不同，因子的選取不同，排序可以很不一樣。SPSS實(shí)現(xiàn)(因子分析與主成分分析)拿student.sav為例，選AnalyzeData ReductionFactor進(jìn)入主對(duì)話框；把math、phys、chem、literat、history、english選入Variables，然后點(diǎn)擊Extraction，在Method選擇一個(gè)方法（如果是主成分分析，則選Principal Components），下面的選項(xiàng)可以隨意，比如要畫(huà)碎石圖就選Scree plot，另外在Extract選項(xiàng)可以按照特征值的大小選主成分（或因子），也可以選定因子的數(shù)目；之后回到主對(duì)

25、話框（用Continue）。然后點(diǎn)擊Rotation，再在該對(duì)話框中的Method選擇一個(gè)旋轉(zhuǎn)方法（如果是主成分分析就選None），在Display選Rotated solution（以輸出和旋轉(zhuǎn)有關(guān)的結(jié)果）和Loading plot（以輸出載荷圖）；之后回到主對(duì)話框（用Continue）。如果要計(jì)算因子得分就要點(diǎn)擊Scores，再選擇Save as variables（因子得分就會(huì)作為變量存在數(shù)據(jù)中的附加列上）和計(jì)算因子得分的方法（比如Regression）；之后回到主對(duì)話框（用Continue）。這時(shí)點(diǎn)OK即可。SPSS中實(shí)現(xiàn)步驟 研究問(wèn)題 表9-2所示為20名大學(xué)生關(guān)于價(jià)值觀的9項(xiàng)測(cè)驗(yàn)結(jié)

26、果，包括合作性、對(duì)分配的看法、行為出發(fā)點(diǎn)、工作投入程度、對(duì)發(fā)展機(jī)會(huì)的看法、社會(huì)地位的看法、權(quán)力距離、對(duì)職位升遷的態(tài)度、以及領(lǐng)導(dǎo)風(fēng)格的偏好。20名大學(xué)生的9項(xiàng)測(cè)驗(yàn)結(jié)果合作性分 配出發(fā)點(diǎn)工作投入發(fā)展機(jī)會(huì)社會(huì)地位權(quán)力距離職位升遷領(lǐng)導(dǎo)風(fēng)格16161318161715161618191516181818171917171714171816161617171716191819201916151616181815161620171617181817191818161620151619141716161318161715161618191516181818171917171714171816161617171716191819201916151616181815161620171617181817191818