因子分析全流程汇总

探索性因子分析(以下简称因子分析),是毕业论文中常用的数据分析方法,用于研究多个变量之间的关系,并通过提取公共因子来简化数据集。

信息浓缩是因子分析最常见的应用,除此之外,因子分析还可以进行综合竞争力分析、量表结构效度分析、因子权重计算、指标权重计算、共同方法偏差检验等,今天一文讲解因子分析的这六类应用,方法用对了,你的论文绝对能够轻松完成。

一、信息浓缩

使用因子分析进行信息浓缩,即将分析项浓缩成几个因子,使用这几个因子能够代表所有分析项的大部分信息,得到因子后可以进行后续如回归分析等。因子分析进行信息浓缩的步骤如下:

1、指标数据标准化处理

由于指标数据性质不同,具有不同的数量级和量纲,会导致分析结果不准确或产生误差。因此,先对原始数据进行标准化处理
SPSSAU因子分析将自动进行标准化处理,因此不需要再对数据进行处理。标准化计算公式:(X-Mean)/ Std
SPSSAU进行因子分析软件操作如下图:

2、因子分析适用性检验

进行因子分析的前提是数据适合使用该方法,通常采取KMO检验和Bartlett球形检验。KMO检验用于检查变量间的相关性,取值为0~1。KMO值越接近于1,变量间的相关性越强,一般KMO值大于0.6即可进行因子分析。Bartlett球形检验用于检验变量是否各自独立,通常显著性小于0.05时,说明符合标准,适合做因子分析。
本案例输出KMO和Bartlett球形检验结果如下:

从结果来看,KMO值为0.722大于0.6,所以可以进行因子分析。同时Bartlett球形检验结果显示p值小于0.05,可以进行因子分析。

3、提取公因子

默认以特征根大于1为标准提取公因子(也可主动选择公因子个数),SPSSAU得到各因子的特征根以及方差解释率见下表:

分析上表可知,特征根大于1的因子共有两个,说明本次分析提取2个公因子。这2个公因子的累计方差解释率为78.808%,第一个因子的方差解释率为41.346%,第二个因子的方差解释率为37.462%,说明提取的两个公因子能够代表原来6个铁路运输能力指标78.808%的信息,整体来看信息变量丢失较少,因子分析效果比较理想。

另外,从特征根的碎石图可以更为直观的看出拟提取的公因子。如上图,前两个因子的让特征根值均大于1,且曲线比价陡峭,剩下4个特征根值均小于1且特征根值曲线逐渐变得比较平缓,即提取前2个因子可以代表所有原始铁路运输指标的绝大部分信息,与方差解释率得到结果一致。

  1. 公因子命名与解释

找到公因子后,为了理解公因子的实际意义以及方便对问题进行分析,需要继续进行因子旋转。旋转常用方法为最大方差法。旋转后的因子载荷矩阵可以直观反映各个变量对主成分的贡献程度,一个变量在某个公因子上的载荷系数的绝对值越大,说明变量与该公因子越具有相关性。
下表为使用最大方差法进行旋转后得到的因子载荷系数表格:

分析上表可知,因子1在铁路货运总量、铁路营业里程、铁路货物总周转量上具有较大的载荷,因此这3个变量归为一类命名为货运因子(记作F1)。因子2在铁路客运量、铁路旅客周转量、铁路运输职工人数上具有较大的载荷,因此这3个变量归为另一类命名为客运因子(记作F2)

5、计算因子得分

确定因子后,进一步计算各因子得分,SPSSAU输出成份得分系数矩阵如下:

根据成份得分系数矩阵,得到公因子F由变量X表示线性组合的因子得分函数:
F1(货运因子)=-0.203*Z铁路客运量-0.178*Z铁路旅客周转量+0.537*Z铁路货运总量+0.294*Z铁路营业里程+0.333*Z铁路货物总周转量+0.135*Z铁路运输职工人数F2(客运因子)=0.506*Z铁路客运量+0.488*Z铁路旅客周转量-0.321*Z铁路货运总量+0.025*Z铁路营业里程-0.014*Z铁路货物总周转量+0.197*Z铁路运输职工人数
这一过程可通过手算完成,但要注意使用的是标准化后的数据代入公式。使用SPSSAU进行因子分析前,勾选【因子得分】,会自动保存公因子得分,如下图:

因子得分可用于进一步分析,比如聚类分析,回归分析使用等。以上即为使用因子分析进行信息浓缩的全流程。接下来介绍如何使用因子分析的“综合得分”进行综合竞争力分析

二、综合竞争力分析

如果使用因子分析的目的在于进行综合竞争力分析,比如银行的绩效排名,上市公司竞争力排名等,此时可计算综合得分,用于竞争力排名。
接上述因子分析案例,将指标数据代入因子表达式,计算综合得分,分析结果并进行综合竞争力分析。即以2个公因子得分为基础,再以每个因子的方差解释率为权数进行线性加权平均,最后得到一个综合得分模型:

注:分子为两个公因子旋转后方差解释率,分母为旋转后累计方差解释率。勾选【综合得分】后,SPSSAU将自动保存综合得分,结果见下图:

得到综合得分后,可将数据下载至本地,使用Excel对综合得分进行排序,该排名就代表了31个省份的铁路运输能力的综合竞争力。以上即为因子分析进行综合竞争力分析的全过程。

接下来介绍因子分析进行量表结构效度分析

三、量表结构效度分析

效度用于测量量表设计是否合理,结构效度通过因子分析方法进行检验。研究人员心中预期着变量与题项对应关系,进行因子分析后,因子与题项对应关系二者预期基本一致时,则说明具有良好的结构效度。

例如:在林岩星《视频网站用户付费意愿影响因素研究》这篇论文中,研究者使用SPSSAU探索性因子分析进行问卷的结构效度研究。

四、因子权重计算

因子分析提取出公因子后,如果想计算各个因子的权重值,可以使用旋转后方差解释率进行因子权重分析
查看因子分析的 “ 方差解释率 ” 表格,计算因子权重只需要看两个值——各个公因子旋转后方差解释率和旋转后累计方差解释率。如下表:


归一化:旋转后方差解释率 / 旋转后累计方差解释率,即可得到各因子权重:因子1权重=41.346%/78.808%=0.525因子2权重=37.462%/78.808%=0.475

五、指标权重计算

各个指标项的权重也可以使用SPSSAU因子分析得到。SPSSAU系统在进行因子分析时,自动输出线性组合系数及权重计算结果,找到此表,最后一列即输出各个指标的权重值。

上表涉及的各指标计算公式如下:

  • 线性组合系数=载荷系数 / 对应特征根的平方根
  • 综合得分系数=累积(线性组合系数*方差解释率)/ 累计方差解释率
  • 权重=归一化综合得分系数

虽然计算公式看起来比较复杂,但SPSSAU进行分析时可直接得到计算结果,无需手动计算。

六、共同方法偏差检验

共同方法偏差(Common Method Bias,简称CMB或CMV)是一种系统误差,它源于数据收集过程中使用的相同或相似的测量方法、评分者、测量环境、项目语境以及项目本身特征等因素,导致预测变量与效标变量之间出现人为的共变。这种偏差可能会对研究结果产生严重的混淆,并对结论产生潜在的误导。
共同方法偏差可以使用Harman单因子检验法——将所有指标放在一个因子下进行因子分析,如果该因子的方差解释率低于40%(常见标准),则认为研究数据并不存在严重的共同方法偏差,反之,则认为存在共同方法偏差
SPSSAU因子分析进行共同方法偏差检验操作如下:

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/495917.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

2.3 同步与互斥

1 2 3 4 5 6 7 8 9 10 11 12

【InternLM 实战营第二期笔记】书生·浦语大模型全链路开源体系及InternLM2技术报告笔记

大模型 大模型成为发展通用人工智能的重要途径 专用模型:针对特定任务,一个模型解决一个问题 通用大模型:一个模型应对多种任务、多种模态 书生浦语大模型开源历程 2023.6.7:InternLM千亿参数语言大模型发布 2023.7.6&#…

【ML】类神经网络训练不起来怎么办 5

【ML】类神经网络训练不起来怎么办 5 1. Saddle Point V.S. Local Minima(局部最小值 与 鞍点)2. Tips for training: Batch and Momentum(批次与 动量)2.1 Tips for training: Batch and Momentum2.2 参考文献:2.3 Gradient Descent2.4 Concluding Remarks(前面三讲)3.…

2024年AI威胁场景报告:揭示现今最大的AI安全挑战

AI正彻底改变每一个数据驱动的机会,有可能带来一个繁荣的新时代,让人类的生活质量达到难以想象的高度。但就像任何突破性的新技术一样,伟大的潜力往往蕴含着巨大的风险。 AI在很大程度上是有史以来部署在生产系统中的最脆弱的技术。它在代码…

寒冬继续!飞书发全员信 “适当精简团队规模”

多精彩内容在公众号。 3月26日飞书CEO谢欣发布全员信,宣布进行组织调整,同时为受到影响的“同学”提供补偿方案和转岗机会。 在致员工的一封信中,谢欣坦诚地指出,尽管飞书的团队人数众多,但组织结构的不够紧凑导致了工…

使用HarmonyOS实现图片编辑,裁剪、旋转、亮度、透明度

介绍 本篇Codelab是基于ArkTS的声明式开发范式的样例,主要介绍了图片编辑实现过程。样例主要包含以下功能: 图片的解码。使用PixelMap进行图片编辑,如裁剪、旋转、亮度、透明度、饱和度等。图片的编码。 相关概念 图片解码:读取…

经典机器学习模型(九)EM算法的推导

经典机器学习模型(九)EM算法的推导 1 相关数据基础 1.1 数学期望 1.1.1 数学期望的定义 根据定义,我们可以求得掷骰子对应的期望: E ( X ) X 1 ∗ p ( X 1 ) X 2 ∗ p ( X 2 ) . . . X 6 ∗ p ( X 6 ) 1 ∗ 1 6 2 ∗ 1 6 1 ∗ 1 6 3 ∗ 1 6 …

【考研数学】跟武忠祥,如何搭配汤家凤《1800》?

可以但不建议!正所谓原汤化原食,你做1800,当然是听汤神的更合适! 汤家凤与武忠祥的讲课风格真的大不相同!汤老师特别注重基础和题量,让你在数理思维上打下扎实的根基。而武老师则更偏向于深厚的理论&#…

天地图如何获取多边形面积

目录 一、初始化地图 二、创建polygonTool 三、多边形获取面积 ​四、完整代码(包括添加点、添加面、编辑面、获取面积) 项目中提出在地图上绘制面并获取面积,如何实现? 在天地图官网的JavaScript API 中,链接如下…

午马传动已确定加入2024第13届生物发酵展

参展企业介绍 浙江午马传动有限公司,办公室地址位于中国长寿之乡、中国椪柑之乡、中国竹炭之乡丽水,浙江省丽水市青田县东源镇项村村前路99号四楼1号,我公司主要提供:齿轮及齿轮减、变速箱制造;机械设备销售&#xff1…

MySQL 8 索引原理详细分析

千山万水总是情, 问问索引行不行? 轻舟已过万重山, 有种尽管来发难。 索引是在数据库优化时的重要手段之一,今天 V 哥从索引的角度展开讲一讲索引的各个要点,希望可以通过这篇文章,帮助大家彻底搞透索引的关键点。 1.索引的定义与作用2.索引的类型3.索引原理4.二分查…

C#学生信息成绩管理系统

一、系统功能描述 本系统包括两类用户:学生、管理员。管理员可以通过系统来添加管理员信息、修改管理员信息、添加学生信息、修改学生信息;开设课程、查询课程、录入成绩、统计成绩、修改成绩、修改个人密码等,而学生则可以通过系统来选择课…

实现DevOps需要什么?

实现DevOps需要什么? 硬性要求:工具上的准备 上文提到了工具链的打通,那么工具自然就需要做好准备。现将工具类型及对应的不完全列举整理如下: 代码管理(SCM):GitHub、GitLab、BitBucket、SubV…

智过网:考一级建造师证有什么用?可以从事哪些工作?

随着国家基础设施建设的不断推进,建筑行业在中国经济中占据了举足轻重的地位。在这样的背景下,一级建造师证成为了众多建筑从业者的追求目标。那么,考取一级建造师证究竟有哪些用处?又能从事哪些工作呢?本文将对此进行…

什么是通配符SSL证书?

在当前互联网环境中,数据传输安全至关重要,而通配符SSL证书作为保护多个子域名的理想工具,因其灵活、经济高效的特性而备受瞩目。本文将详细介绍通配符SSL证书的定义、主要特性及其价格区间。 通配符SSL证书的核心特性概述如下: …

rtthread studio 基于bsp生成代码stm32l475正点原子潘多拉,以及硬件配置

1、基于bsp生成代码 rtthread studio 很强大的一个功能就是可以根据芯片或者bsp 生成驱动代码,而且rtthread内核 已经集成到了代码中!!只需要关注于如何使用硬件和设备完成我们想要的功能就可以; 它的官网文档也特别详细&#x…

【3D目标检测】Det3d—SE-SSD模型训练(前篇):KITTI数据集训练

SE-SSD模型训练 1 基于Det3d搭建SE-SSD环境2 自定义数据准备2.1 自定义数据集标注2.2 训练数据生成2.3 数据集分割 3 训练KITTI数据集3.1 数据准备3.2 配置修改3.3 模型训练 1 基于Det3d搭建SE-SSD环境 Det3D环境搭建参考:【3D目标检测】环境搭建(OpenP…

伴随供应链数字化转型的B2B电商

制造业的数字化浪潮正迅猛地席卷全球,新冠病毒大流行和地缘政治格局的改变促进了不同国家和地区企业对供应链数字化转型的的步伐。除了企业内部的加快数字化之外。企业的营销也加快电商化步伐。 企业内部管理的数字化转型会给电商带来怎样的转变?电商如何…

CMOS逻辑门电路

按照制造门电路的三极管不同,分为MOS型、双极性和混合型。MOS型集成逻辑门有CMOS、NMOS、PMOS;双极型逻辑门有TTL;混合型有BiCMOS。 CMOS门电路是目前使用最为广泛、占主导地位的集成电路。早期CMOS电路速度慢、功耗低,后来随着制…

基于springboot+vue+Mysql的就业信息管理系统

开发语言:Java框架:springbootJDK版本:JDK1.8服务器:tomcat7数据库:mysql 5.7(一定要5.7版本)数据库工具:Navicat11开发软件:eclipse/myeclipse/ideaMaven包:…