基本思想第二節(jié)對應分析方法的基本原理第三節(jié)實例分析推課件

1、第一節(jié) 對應分析方法及基本思想第二節(jié) 對應分析方法的基本原理第三節(jié) 實例分析推薦閱讀第八章 對應分析第一節(jié) 因子分析的概念 因子分析是主成分分析的推廣和發(fā)展，它是多元統(tǒng)計分析中降維的一種方法。因子分析是研究相關陣或協(xié)方差陣的內(nèi)部依賴關系，它將多個變量綜合為少數(shù)幾個因子，以再現(xiàn)原始變量與因子之間的相關關系，同時根據(jù)不同因子還可以對變量進行分類。 因子分析概念起源于20世紀初Karl Pearson 和Charles Spearmen等學者為定義和測驗智力所作的統(tǒng)計分析。目前因子分析在心理學、社會學、教育學、經(jīng)濟學等學科都取得了成功的應用。因子分析是通過研究眾多變量之間的內(nèi)部依賴關系，探求觀測數(shù)據(jù)

2、中的基本結(jié)構(gòu)，并用少數(shù)幾個“抽象”的變量來表示其基本結(jié)構(gòu)。這幾個抽象的變量被稱為因子，它能反映原來眾多變量的主要信息。原始的變量是可觀測的顯在變量，而因子一般是不可觀測的潛在變量。例如，在商業(yè)企業(yè)的形象評價中，消費者可以通過一系列指標構(gòu)成一個評價指標體系，評價百貨商場的各個方面的優(yōu)劣，但消費者真正關系的只是商店的環(huán)境、商店的服務和商品的價格這3個方面。這3個方面除了價格外，商店的環(huán)境和商店的服務質(zhì)量都是客觀存在的、抽象的影響因素，都不便于直接測量，只能通過其它具體指標進行間接反映。因子分析就是一種通過顯在變量測評潛在變量，通過具體指標進行間接反映。 例如：某公司對100名招聘人員的知識和能力進

3、行測評，主要測評六個方面的內(nèi)容：語言表達能力、邏輯思維能力、判斷事物的敏捷和果斷程度、思想修養(yǎng)、興趣愛好、生活常識等，我們將每一個方面稱為因子，顯然這里所說的因子不同于回歸分析中的因素，因為前者是比較抽象的一種概念，而后者有著極為明確的實際意義。假設100人測試得分xi可以用上述六個因子表示成線性函數(shù)：再如，我們研究區(qū)域社會經(jīng)濟發(fā)展問題時，描述社會和經(jīng)濟現(xiàn)象的指標很多，過多的指標容易導致分析過程復雜化。一個合適的做法就是從這些關系錯綜復雜的社會經(jīng)濟指標間提取少數(shù)幾個主要因子，每一個主要因子都能反映相互依賴的社會經(jīng)濟指標間的共同作用，抓著這些主要因素就可以幫助我們對復雜的社會經(jīng)濟發(fā)展問題進行深入

4、的分析、合理解釋和正確評價。因子分析的基本思想就是把每個研究變量分解為幾個影響因素變量，將每個原始變量分解成兩部分因素，一部分是由所有變量共同具有的少數(shù)幾個公共因子組成的，另一部分是每個變量獨自具有的因素，即特殊因子。因子分析即是通過變量的相關系數(shù)矩陣內(nèi)部結(jié)構(gòu)的研究，找出能夠控制所有變量的少數(shù)幾個隨機變量去描述多個變量之間的相關關系，這里這少數(shù)幾個隨機變量是不可觀測的，通常稱為因子，然后根據(jù)相關性的大小把變量分組，使得同組內(nèi)的變量之間相關性較高，不同組的變量相關性較低。因子分析的研究內(nèi)容十分豐富，常用的因子分析類型是R型因子分析和Q型因子分析。R型因子分析是對變量作因子分析，Q型因子分析是對樣

5、品作因子分析。 第二節(jié) 因子分析的數(shù)學模型 1、正交因子模型1）R型因子分析模型R型因子分析中的公共因子是不可直接觀測但又客觀存在的共同影響因素，每一個變量都可以表示成公共因子的線性函數(shù)和特殊因子之和。即 其中 稱為公共因子，它們的系數(shù) 稱為因子載荷， 稱為特殊因子。 該模型用矩陣表示為 其中，A稱為因子載荷矩陣或因子負荷矩陣， 是第i個變量在第j個因子上的負荷。滿足下列條件： (1） (2) ，即公共因子F與特殊因子i是不相關的； (3) cov(F)=I, 即各個公共因子不相關且方差為1。 （4）即各個特殊因子不相關，方差要求相等。 2）Q型因子分析模型類似地，Q型因子分析的數(shù)學模型可表示

6、為 Q型因子分析與R型因子分析模型的差異體現(xiàn)在 表示的是個樣品。無論Q型因子分析或R型因子分析，都用公共因子F代替X，一般要求 ， ，因此，因子分析與主成分分析一樣，也是一種降低變量維數(shù)的一種統(tǒng)計方法。下面我們將看到，因子分析的求解過程與主成分分析類似，也是從協(xié)方差陣（或相似系數(shù)陣）出發(fā)的。雖然因子分析與主成分分析有許多相似之處，但這兩種模型又存在明顯的不同。主成分分析的數(shù)學模型實質(zhì)上是一種線性變換，將原來坐標變換到變異程度大的方向上去，相當于從空間上轉(zhuǎn)換觀看數(shù)據(jù)的角度，突出數(shù)據(jù)變異的方向，歸納重要的信息。在主成分分析中每個主成分相應的系數(shù)aij是唯一確定的。而因子分析模型是描述原指標協(xié)方差陣

7、結(jié)構(gòu)的一種模型，是從顯在變量去提煉潛在因子的過程，正因為因子分析是一個提煉潛在因子的過程，因此因子的個數(shù)m取多大是要通過一定的規(guī)則確定的，并且因子分析中因子載荷陣不是唯一確定的。一般來說，作為“自變量”的因子是不可觀測的。（1）變量X的協(xié)方差陣的分解式為：故 如果X為標準化隨機向量，則就是相關矩陣,即（2）因子載荷陣不是唯一的。這是因為對于m階正交矩陣T，令則因子分析模型可以表示為由于 所以A*仍然滿足模型的條件。同樣也可以分解為因此，因子載荷矩陣A不是唯一的，在實際應用中經(jīng)常會利用這一點，通過因子的變換，使得新的因子有更好的實際意義。2、因子載荷陣的統(tǒng)計意義與性質(zhì) 為了便于對因子分析計算結(jié)果

8、進行解釋，將因子分析模型中各個量的統(tǒng)計意義加以說明是十分必要的。假設模型中各個變量以及公共因子、特殊因子都已經(jīng)是標準化（均值為0，方差為1）的變量。 1）因子載荷aij的統(tǒng)計意義 已知模型我們可以得到變量Xi與公共因子Fj的協(xié)方差為 第i個變量Xi與第j個公共因子Fj的相關系數(shù)即可以表示為Xi依賴Fj的份量（比重）。由于變量Xi與公共因子Fj已作標準化處理，因此在各公共因子不相關的前提下，aij是Xi與Fj的相關系數(shù)，一方面他表示Xi依賴于Fj的程度，絕對值越大，密切程度越高；另一方面也反映了第i個原有變量Xi在第j個公共因子Fj上的相對重要性。 2）變量共同度 及其統(tǒng)計意義因子載荷陣A中第

9、i行元素的平方和稱為Xi 的共同度。為了給出 的統(tǒng)計意義，下面計算Xi的方差 這說明變量Xi的方差由兩部分組成：第一部分為共同度hi2 ，它刻劃了全部公共因子對變量Xi的總方差所作的貢獻，反映了公共因子對變量Xi的影響程度。第二部分為特殊因子i對變量Xi的方差所作的貢獻。由于Xi已作了標準化處理，因此有 hi2反映了全部公共因子對變量Xi的影響，是全部公共因子對變量方差所做出的貢獻，或者說Xi對公共因子的共同依賴程度，稱為公共因子對變量Xi的方差貢獻。hi2接近于1，表明該變量Xi的原始信息幾乎都被選取的公共因子說明了。特殊因子i的方差，反映了原有變量方差中無法被公共因子描述的比例。顯然，若h

10、i2 大， 必小。而hi2 大，表明變量Xi對公共因子 的共同依賴程度就大。當hi2=1時，表明變量Xi完全能夠由公共因子的線性組合表示；當hi20時，表明公共因子對變量Xi的影響很小， Xi主要由特殊因子i來描述?？梢奾i2反映了變量Xi對公共因子的共同依賴程度，故稱公共因子方差hi2為變量Xi的共同度。3、公共因子Fj的方差貢獻及其統(tǒng)計意義因子載荷陣中第 j列元素的平方和稱為公共因子Fj對X的貢獻。gj2表示第j個公共因子Fj對于X的每一分量Xi所提供的方差貢獻的總和。稱第j個公共因子的方差貢獻。它是衡量某一公共因子相對重要性的指標， gj2越大，表明公共因子Fj對X的貢獻越大，該因子的重

11、要程度越高，或者說對X的影響和作用越大，它是衡量每一個公共因子相對重要性的一個指標。 我們有時也用方差貢獻率來衡量公共因子的相對重要性也是衡量公共因子相對重要性的另一指標。 另外，任意兩個變量Xk與Xl的協(xié)方差等于因子載荷陣中第k行與第l列對應元素乘積之和。例7.1某校對學生進行了測量語言能力和數(shù)學能力的六項考試?？荚嚦煽兌蓟癁闃藴史?。假定x1,x2,x3 是語言能力的三項不同考試的標準分， x4,x5,x6是數(shù)學能力的三項不同的標準分。通過部分學生這六項考試成績，得到相關系數(shù)矩陣： 依此得出因子載荷矩陣：試求其因子載荷矩陣和特殊因子的協(xié)方差陣，并計算各變量的共同度及公共因子的方差貢獻率。解：

12、 容易驗證滿足 因此A，D分別是因子載荷矩陣和特殊因子協(xié)方差陣。還可求出各變量的共同度，各變量對應的特殊因子方差，各公共因子方差貢獻率以及兩個公共因子的累計方差貢獻。變量ai1ai2共同度特殊因子方差X1X2X3X4X5X60.2720.4090.4770.9260.8480.8430.2930.4390.513-0.1790.0310.1720.160.360.490.890.720.740.840.640.510.110.280.26方差貢獻率45.9%10.1%56%44%累計方差貢獻率45.9%56%通過前面研究及上例可以得出因子變量具有如下的特點：1、因子變量的數(shù)量遠少于原有指標變量

13、的數(shù)量。2、因子變量是對原始變量的重新組構(gòu)，能夠反映原有眾多指標的絕大部分信息。3、因子變量之間沒有線性相關關系，對因子變量的分析能夠為研究工作提供較大的便利。4、因子變量具有命名解釋性。已知p維隨機向量 的n次觀測值矩陣第三節(jié) 因子載荷矩陣的求解 因子分析的目的就是用少數(shù)幾個公共因子來描述這p個變量間的協(xié)方差結(jié)構(gòu)：上式中 為因子載荷矩陣 為p階對角矩陣。 由p個變量的觀測矩陣計算樣本協(xié)方差陣S，把它作為協(xié)方差陣的估計，因此要建立實際問題的因子分析的具體模型，關鍵是根據(jù)樣本數(shù)據(jù)估計載荷矩陣A和特殊因子的方差 。常用的估計方法有很多，這里主要介紹主成分法和主因子法。1、主成分分析法根據(jù)線性代數(shù)知

14、識，可分解為：上式的分解式恰是公共因子個數(shù)與變量個數(shù)一樣多，且特殊因子的方差為0時，因子模型中協(xié)方差陣的結(jié)構(gòu)。 因為這時因子模型為： ，其中 ，所以 ，即 。由分解式可以看出，因子載荷陣A的第j列元素為 ，也就是說除常數(shù) 外，第j列因子載荷恰是第j個主成分的系數(shù)Uj，因此稱為主成分法。上面給出的表達式是精確的，但實際應用時總是希望公共因子的個數(shù)小于變量的個數(shù)，即mp，當最后p-m個特征值較小時，通常是略去最后個公共因子對的貢獻，于是得到即上式假定了因子模型中特殊因子是不重要的，因而從的分解中忽略掉特殊因子的方差。如果考慮了特殊因子以后，協(xié)方差陣為當未知時，可用樣本協(xié)方差陣S代替，注意這時要對數(shù)

15、據(jù)進行標準化處理，處理后的S與相關陣R相同，仍然作上面的表示。 具體計算時，一般取前m個特征值所對應的因子載荷矩陣A的前m個列向量組成的矩陣作為因子載荷矩陣。確定公共因子的個數(shù)有兩種方法：一是根據(jù)具體問題的專業(yè)理論來確定，二是利用主成分分析中選取主成分個數(shù)的方法。二、主因子法主因子法的基本思想是使用多元相關系數(shù)的平方作為對公因子方差的初始估計。初始估計公因子方差時多元相關系數(shù)的平方置于對角線上。這些因子載荷用于估計新公因子方差，替換對角線上前一次的公因子方差估計。這樣的迭代持續(xù)到本次到下一次迭代結(jié)果公因子方差的變化滿足提取因子的收斂條件（解穩(wěn)定）。主因子法是對主成分法的一種修正，我們假設原始變

16、量經(jīng)過數(shù)據(jù)標準化變換。如果隨機向量X滿足因子模型，則有其中R為X的相關陣，令稱R*為約相關陣。這時R*中的對角線元素是共同度hi2，而不是1，非對角線元素和R中的元素完全相同，并且R*也是一個非負定矩陣。設 是特殊因子方差 的一個初始估計值，則約相關陣可估計為：其中 ， 是hi2的初始估計值。又設 的前m個特征值依次為相應的單位正交特征向量為則A的主因子解為由此我們可以重新估計特殊方差， 的最終估計值為在實際應用中，特殊因子的方差i2和共同度hi2是未知的，以上得到的解是近似解。為了得到擬合程度更好的解，則可以使用迭代的方法，即利用上式中的 再作為特殊因子方差的初始估計值，重復上述步驟，直至得

17、到穩(wěn)定解為止。 因為特殊因子方差 ，故求特殊因子方差i2的初始估計等價于求共同度hi2的初始估計。下面介紹共同度hi2常用的初始估計的幾種方法：1） hi2取為第i個變量與其它p-1個變量的多重相關系數(shù)的平方；2） hi2取為第i個變量與其它p-1個變量的多重相關系數(shù)絕對值的最大值，即；3）取hi2 =1，它等價于主成分解。主因子法的求解步驟為：1）給出共同度hi2的初步估計值 ； 2）求出約化相關陣。計算 ，再計算出3) 求出約化相關陣 的特征根和特征向量，得主因子解為4）求出 的估計，用估計值代替第2）中的 。直到 ， 的估計達到穩(wěn)定為止。 1、因子旋轉(zhuǎn)的概念因子分析的目標之一就是要對提取

18、的抽象的實際含義進行合理的解釋，進行這種解釋通常需要一定的專業(yè)知識和經(jīng)驗，要對每個公共因子給出具有實際意義的一種名稱，用它來反映這個公共因子對每個原始變量的重要性（在數(shù)量上表現(xiàn)為相應的載荷大?。?。有時直接根據(jù)特征根、特征向量求解的因子載荷難以看出公共因子的含義。公共因子的解釋帶有一定的主觀性，我們常常通過旋轉(zhuǎn)公共因子的方法來減少這種主觀性。 第四節(jié) 因子旋轉(zhuǎn) 例如可能有些變量在多個公共因子上都有較大的載荷，有些公共因子對許多許多變量的載荷也不小，說明它對多個變量都有較明顯的影響作用。這種因子模型反而是不利于突出主要矛盾和矛盾的主要方面的，也難對因子的實際背景進行合理的解釋。這就需要通過某種方法

19、是每個變量僅在一個公共因子上有較大的載荷，而在其余的公共因子上的載荷比較小，至多達到中等大小。這時對于公共因子而言（載荷矩陣的每一列），它在部分變量上載荷較大，而在其它變量上載荷較小，使同一列上的載荷盡可能地靠近1或0，兩極分離。這時就突出了每個公共因子和其它較大的那些變量的聯(lián)系，該公共因子的含義也就可以通過這些載荷較大的變量做出合理的解釋與說明，這樣也顯示出該公共因子的主要性質(zhì)。 因子旋轉(zhuǎn)的目的就是使每個變量在盡可能少的因子上有比較高的載荷，讓某個變量在某個因子上的載荷趨于1，而在其他因子上的載荷趨于0；要求每一列上的載荷大部分為很小的值，每一列中只有少量的最好只有一個較大的載荷值；每兩列中

20、大載荷與小載荷的排列模式應該不同。因子旋轉(zhuǎn)的方法有正交旋轉(zhuǎn)和斜交旋轉(zhuǎn)兩類，這里我們重點介紹正交旋轉(zhuǎn)。對公共因子作正交旋轉(zhuǎn)相當于對載荷矩陣A作一正交變換，右乘正交矩陣T，使AT能有更鮮明的實際意義。旋轉(zhuǎn)后的公共因子向量為 ，它的各個分量也是互不相關的公共因子，它的幾何意義是在m維空間上原因子軸作一旋轉(zhuǎn)。正交矩陣的不同選取方法構(gòu)成了正交旋轉(zhuǎn)T的各種不同方法，在這些方法中使用最普遍的是最大方差旋轉(zhuǎn)法，下面我們就介紹這種方法。令 則 的第j列元素平方的相對方差可定義為以上用 除以hi是為了消除公共因子對個原始變量的方差貢獻不同的影響，選擇除數(shù)hi是由于正交旋轉(zhuǎn)不改變共性方差（ ），取d2ij是為了消除

21、dij符號不同的影響。所謂最大方差旋轉(zhuǎn)法就是選擇正交矩陣T，使得矩陣 所有個列元素平方的相對方差之和達到最大。2、兩公共因子的方差最大正交旋轉(zhuǎn)當時 可求得的各列元素平方的相對方差之和。 顯然是旋轉(zhuǎn)角度的函數(shù)，求旋轉(zhuǎn)角度使得達到最大。由微積分中求極值的方法，將對求導，并令其等于零，可以得到。令得其中 分子符號分母符號4 取值范圍取值范圍0/20/8/2 /8 /4- -/2-/4 -/8-/2 0-/8 0 根據(jù)公式的分子、分母的符號來確定角的取值范圍。當時，我們可以逐次對每兩個公共因子進行上述旋轉(zhuǎn)。對公共因子和進行旋轉(zhuǎn)，就是對的第列和列進行正交變換，使這兩列元素平方的相對方差之和達到最大，而其

22、余各列不變，其正交變換矩陣為：3、多因子的方差最大正交旋轉(zhuǎn)由于有個公共因子，每次取2個因子進行旋轉(zhuǎn)，全部配對旋轉(zhuǎn)需要進行次，全部旋轉(zhuǎn)完畢算一次循環(huán)，并記第一輪旋轉(zhuǎn)后的因子載荷矩陣記為A(1)。如果循環(huán)完畢得出的因子載荷陣還沒達到目的，則可以繼續(xù)進行第二輪配對旋轉(zhuǎn)，新的因子載荷矩陣記為A(2)。 ，如此不斷重復旋轉(zhuǎn)循可得一系列因子載荷矩陣。A(1) ，A(2)， ，A(s) 。 記V（s）為A(s)各列元素平方的相對方差之和。則得到V值的一個升序列： V（1）V（2） V（3） V（s） 這是一個有界的單調(diào)數(shù)列，因此一定會收斂到某一個極限。實際應用中，經(jīng)過若干次旋轉(zhuǎn)之后，若相對方差改變不大，則停

23、止旋轉(zhuǎn)。在因子分析中我們通過樣本矩陣估計出了公共因子個數(shù)m、因子載荷矩陣A及特殊方差矩陣D，并試圖對公共因子 進行合理的解釋，即給出具有實際意義的名稱。但有時要求把公共因子表示成變量的線性組合。第五節(jié) 因子得分因子分析的數(shù)學模型是將變量表示為公共因子的線性組合： Xi=ai1F1+ai2F2+aimFm i=1,2,p 由于公共因子能反映原始變量的相關關系，用公共因子代表原始變量時有時更有利于描述研究對象的特征，因而往往需要反過來將公共因子表示為變量的線性組合:即Fi=i1X1+ i2X2+ ipXp i=1,2,m 上式稱為因子得分函數(shù)，用它來計算每個樣本的公共因子得分。 由于因子得分函數(shù)中

24、方程的個數(shù)m小于變量的個數(shù)p，因此不能精確計算出因子得分，只能對因子得分進行估計。 估計因子得分的方法很多，下面我們介紹因子得分的幾種常用的方法：最小加權(quán)二乘法（巴特萊特因子得分）、回歸法等。 1、最小加權(quán)二乘因子得分法 把一個個體的p個變量的取值X當作因變量，把求因子解中得到的A作為自變量數(shù)據(jù)陣，對于這個個體在公因子上的取值 F，當作未知參數(shù)，而特殊因子的取值看作誤差，于是得到如下的線性回歸模型： X=AF+ ，則稱未知參數(shù)F為取值X的因子得分。若將F和不相關的假設加強為相互獨立，則在F值已知的條件下，可得因子得分 的條件數(shù)學期望 因此，從條件意義上來說，加權(quán)最小二乘的因子得分 是無偏的。二

25、、回歸法因子得分 在最小二乘法意義下對因子得分函數(shù)進行估計，記建立的公共因子F對變量X滿足的回歸方程為：即 下面我們來估計上式中的回歸系數(shù) 。 因為因子得分Fj的值是待估的，我們僅知道利用樣本值可得因子載荷矩陣A=(aij) 。由因子載荷矩陣的意義知：寫成矩陣的形式為：因此B的最小二乘估計為：把B的最小二乘估計代入回歸方程式，得因子得分的估計為：這就是回歸法估計因子得分的計算公式。也稱為湯姆森因子得分。7.6 變量間的相關性檢驗由前面的分析，我們知道進行因子分析的前提就是要保證觀測變量之間具體相關性。如果相關系數(shù)矩陣中大部分相關系數(shù)都小于0.3且未通過統(tǒng)計檢驗，那么這些變量就不適合做因子分析。

26、也就是說如果相關性較低，則它們不可能共享公共因子，只有相關性較高時，才適合作因子分析。常用的相關性檢驗方法有： 反映象相關矩陣檢驗（Anti-image correlation matrix）、巴特利特球度檢驗（Bartlett test of sphericity）、 KMO(Kaiser-Meyer-Olkin)。1）巴特利特球度檢驗 巴特利特球度檢驗是通過對相關系數(shù)矩陣的檢驗來判定是否適合作因子分析。檢驗假設H0：相關系數(shù)矩陣是一個單位陣 檢驗的統(tǒng)計量根據(jù)相關系數(shù)矩陣的行列式計算得到。如果該統(tǒng)計量值比較大，使得巴特利特統(tǒng)計值的顯著性概率小于等于 ，則拒絕H0 ，認為相關系數(shù)矩陣不太可能是

27、單位陣，適合作因子分析；反之，接受原假設H0 ，可以認為相關系數(shù)矩陣可能是單位陣，不適合作因子分析。 2) 反映象相關矩陣檢驗 反映象相關陣：將偏相關系數(shù)矩陣的每個元素取相反數(shù)（即乘以-1 ）；由于偏相關系數(shù)是在控制了其他變量對兩變量影響的條件下，計算出來的凈相關系數(shù)，如果變量之間確實存在較強的相互重疊傳遞影響，即如果變量中確實能夠提取出公共因子，那么控制了這些影響后的偏相關系數(shù)必然很小，因此，如果反映象相關矩陣中的有關元素的絕對值比較大，則說明這些變量可能不適合作因子分析。 3）KMO檢驗KMO統(tǒng)計量是用于比較變量間簡單相關系數(shù)和偏相關系數(shù)的一個指標，計算公式如下： 式中：rij是變量和變量

28、之間的簡單相關系數(shù)；pij是它們之間的偏相關系數(shù)。KMO統(tǒng)計量的取值在0和1之間，KMO越接近于1，則越適合作因子分析。當所有變量間的簡單相關系數(shù)平方和遠遠大于偏相關系數(shù)平方和時，KMO值接近1。KMO值越接近于1，意味著變量間的相關性越強，原有變量越適合作因子分析；當所有變量間的簡單相關系數(shù)平方和接近0時，KMO值接近0。KMO值越接近于0，意味著變量間的相關性越弱，原有變量越不適合作因子分析。 Kaiser給出了常用的KMO度量標準:0.9以上表示非常適合；0.80.9表示很適合；0.70. 8表示適合；0. 60. 7表示一般；0. 50. 6不太適合；0.5以下表示極不適合。 得因子分

29、析求解的基本步驟：1）進行變量之間的相關性檢驗，確認待分析的這些變量是否適合作因子分析。然后將原始數(shù)據(jù)進行標準化處理；2）建立變量的相關系數(shù)矩陣R=（rij） 若作Q型因子分析，則建立樣品的相似系數(shù)矩陣Q；3、求相關系數(shù)矩陣R的特征值及相應的單位正交特征向量 。并根據(jù)累計貢獻率的要求，使累計貢獻率達到80%90以上，取前m個特征值及相應的特征向量，寫出因子載荷矩陣。4、對A施行最大正交旋轉(zhuǎn)，并對公共因子進行解釋； 5、計算因子得分。77 實例分析實例7.1：我國31個?。ㄊ?、區(qū)）2008年經(jīng)濟發(fā)展基本情況的7項指標，X1：地區(qū)生產(chǎn)總值；X2：居民消費水平； X3：固定資產(chǎn)投資； X4：職工平均

30、工資； X5：居民消費價格指數(shù)； X6：商品零售價格指數(shù)； X7：工業(yè)總產(chǎn)值進行因子分析。具體數(shù)據(jù)如表7.3所示。地 區(qū)X1（億元）X2（元）X3（億元）X4（元）X5X6X7（億元） 北 京9353.32203463814.756328105.1104.410413.09 天 津5050.40140003389.841748105.4105.112503.25 河 北13709.5065708866.624756106.2106.723030.73 山 西5733.3561873531.225828107.2107.210023.87 內(nèi)蒙古6091.1281085475.426114105

31、.7104.78740.18 遼 寧11023.49962510019.127729104.6105.324769.09 吉 林5284.6975915038.923486105.1106.28406.85 黑龍江7065.0070393656.023046105.6105.87624.54 上 海12188.85273434823.156565105.8105.325120.92 江 蘇25741.151101315300.631667105.4104.967798.68 浙 江18780.44138939323.034146105.0106.340832.10 安 徽7364.186377

32、6747.026363106.2106.311162.16 福 建9249725702104.6105.715212.81 江 西5500.2557534745.421000106.0106.18499.58 山 東25965.91957315435.926404105.3104.962958.53 河 南15012.46587710490.624816107.0107.526028.41 湖 北9230.6874065647.022739106.3106.313454.94 湖 南9200.0071455534.024870106.0105.611553.31 廣

33、東31084.401439010868.733110105.6106.065424.61 廣 西5955.6561033756.425660107.8107.66071.98 海 南1223.286550705.421864106.9106.71103.07 重 慶4122.5198353979.626985105.6105.05755.90 四 川10505.3060727127.825038105.1105.314761.86 貴 州2741.9044261864.524602107.6107.23111.13 云 南4741.3145533435.924030105.7106.15144

34、.58 西 藏342.193504309.947280105.7103.948.19 陜 西5465.7962904614.425942106.4106.97480.79 甘 肅2702.4048691712.824017108.2107.93667.52 青 海783.615830583.230983110.1110.61103.10 寧 夏889.207193828.930719108.5108.51366.46 新 疆3523.1655422260.024687108.1108.54276.05解：首先對數(shù)據(jù)進行標準化處理，然后計算相關系數(shù)矩陣，具體的相關系數(shù)矩陣計算如表7.4所示。表7.4 相關系數(shù)矩陣 地區(qū)生產(chǎn)總值居民消費水平固定資產(chǎn)投資職工平均工資居民消費價格指數(shù)商品零售價格指數(shù)工業(yè)總 產(chǎn)值地區(qū)生產(chǎn)總值10.41260.91120.1045-0.4539-0.33070.9758居民消費水平0.412610.23300.7664-0.3974-0.38980.3986固定資產(chǎn)投資0.91120.233