公共因子的方差贡献
⑴ 累计方差贡献率和方差贡献率是什么关系SPSS中~~
各方差贡献率相加和等于累计方差贡献率。
主成分分析的重点在于解释各变量的总方差,而因子分析则把重点放在解释各变量之间的协方差。
主成分分析中不需要有假设,因子分析则需要一些假设。因子分析的假设包括:各个共同因子之间不相关,特殊因子之间也不相关,共同因子和特殊因子之间也不相关。
主成分分析中,当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候,主成分一般是独特的;而因子分析中因子不是独特的,可以旋转得到不同的因子。
(1)公共因子的方差贡献扩展阅读:
利用因子分析法分析累计方差贡献率和方差贡献率:
在因子分析中,因子个数需要分析者指定,spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析,而指定的因子数量不同而结果不同。
在主成分分析中,成分的数量是一定的,一般有几个变量就有几个主成分。和主成分分析相比,由于因子分析可以使用旋转技术帮助解释因子,在解释方面更加有优势。
大致说来,当需要寻找潜在的因子,并对这些因子进行解释的时候,更加倾向于使用因子分析,并且借助旋转技术帮助更好解释。
而如果想把现有的变量变成少数几个新的变量新的变量,几乎带有原来所有变量的信息,来进入后续的分析,则可以使用主成分分析。当然,这种情况也可以使用因子得分做到。所以这种区分不是绝对的。
在算法上,主成分分析和因子分析很类似,不过在因子分析中所采用的协方差矩阵的对角元素不再是变量的方差,而是和变量对应的共同度,变量方差中被各因子所解释的部分。
⑵ 因子分析的累计贡献率是什么意思
累计贡献率是因子分析中抽取出的因子特征值之和和所有因子特征值之和内(该值等于容因子分析中的变量数)的比值。
可以将其意义理解为抽取出的因子变异对所有变量变异的解释力,也可以理解为抽取出的因子对所有变量的代表性,很显然代表性高一些好,因为因子分析的目的就是化简变量,用尽量少的因子代表尽量多的变量,使变量的意义更加明确。
⑶ 请问在spss中怎么求出综合因子得分,我只能得到4个因子的方差贡献率
在线分析软件spssau可以直接保存综合得分,分析时直接勾选“综合得分”即可保存。
⑷ 关于因子分析 方差累计贡献率的问题
这种情况很常见的, 可以多抽,没问题的
综合得分是这样计算的
⑸ 因子分析法中的方差贡献率是什么
贡献率(%)=贡献量(产出量,所得量)/投入量(消耗量,占用复量)×100%贡献率也用于分析经济增长中各因素作用大小的程度。
计算方制法是:贡献率(%)=某因素贡献量(增量或增长程度)/总贡献量(总增量或增长程度)×100%。样本中各数据与样本平均数的差的平方和的平均数叫做样本方差;样本方差的算术平方根叫做样本标准差。
样本方差和样本标准差都度量了样本波动的大小。样本方差或样本标准差越大,样本数据的波动越大。显然,方差贡献率是指贡献率的波动,累积方差贡献率是指贡献率波动的累积。
(5)公共因子的方差贡献扩展阅读:
有两种因素分析方法。一种是探索性因素分析,另一种是验证性因素分析。探索性因子分析让数据“不言自明”,无需预设因子和测量项之间的关系。
主成分分析和辅助因子分析是典型的方法。验证性因子分析假设一个因子和一个测度项之间的关系是部分已知的,即哪个测度项对应哪个因子,虽然我们还不知道具体的系数。
探索的因素分析有一定的局限性:
1、它假设所有的因素(旋转之后)都会影响度量项。在实际研究中,我们倾向于假设一个因素之间不存在因果关系,因此可能不会影响另一个因素的测度项。
2、探索性因子分析假设测度项残差是相互独立的。
事实上,测度项的残差可以通过单方法偏差、子因素和其他因素进行关联。
3、探索性因素分析迫使所有因素独立。
虽然这是解决因素数量的权宜之计,但与大多数研究模型不一致。最明显的是,自变量和因变量应该是相关的,而不是独立的。
这些局限性需要一种更灵活的建模方法,这使得研究人员不仅可以更详细地描述测量项和因素之间的关系,还可以直接测试它们之间的关系。在探索性因子分析中,一个被检验的模型(如正交因子)往往不是研究者理论中的精确模型。
⑹ 您好,老师,我进行因子分析时,累计方差贡献率最后两个因子都是100%,这样可以吗
可以的,但是很少会出现这种情况,要考虑你的数据是不是真的适合因子分析
⑺ 因子分析中的方差贡献率怎么求
方差贡献率就算是每个因子对问题的解释程度,希望能帮到您!
⑻ 在因子分析中,怎么算方差贡献和共同度,请举例说明。
贡献率(%)=贡献量(产出量,所得量)/投入量(消耗量,占用复量)×100% 贡献率也用于分析经济增长中各因素作用大小的程度。
计算方制法是: 贡献率(%)=某因素贡献量(增量或增长程度)/总贡献量(总增量或增长程度)×100%。样本中各数据与样本平均数的差的平方和的平均数叫做样本方差;样本方差的算术平方根叫做样本标准差。
样本方差和样本标准差都是衡量一个样本波动大小的量,样本方差或样本标准差越大,样本数据的波动就越大。显然 方差贡献率 是指贡献率的波动情况,累计方差贡献率就是指贡献率的波动情况的累计。
(8)公共因子的方差贡献扩展阅读:
因子分析的方法有两类。一类是探索性因子分析法,另一类是验证性因子分析。探索性因子分析不事先假定因子与测度项之间的关系,而让数据“自己说话”。
主成分分析和共因子分析是其中的典型方法。验证性因子分析假定因子与测度项的关系是部分知道的,即哪个测度项对应于哪个因子,虽然我们尚且不知道具体的系数。
探索的因子分析有一些局限性:
1、它假定所有的因子(旋转后) 都会影响测度项。在实际研究中,我们往往会假定一个因子之间没有因果关系,所以可能不会影响另外一个因子的测度项。
2、探索性因子分析假定测度项残差之间是相互独立的。
实际上,测度项的残差之间可以因为单一方法偏差、子因子等因素而相关。
3、探索性因子分析强制所有的因子为独立的。
这虽然是求解因子个数时不得不采用的权宜之计,却与大部分的研究模型不符。最明显的是,自变量与应变量之间是应该相关的,而不是独立的。
这些局限性就要求有一种更加灵活的建模方法,使研究者不但可以更细致地描述测度项与因子之间的关系,而且可以对这个关系直接进行测试。而在探索性因子分析中,一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。
⑼ 因子分析法中的方差贡献率是什么
方差贡献率表示同一公共因子Fj对各变量所提供的方差贡献的总和,用来衡量每一个公共因子相对重要性的一个尺度。
⑽ 旋转后的主成分因子矩阵的方差贡献率如何计算的
旋转矩阵里的因子载荷和每个成分的方差贡献率算出每个成分的得分了,公式为:
每一回主成分答得分=(标准化后指标的数据*旋转矩阵里的因子载荷)的累加/根号下(主成分的方差贡献率)
综合成分F得分=(每个主成分的得分*方差贡献率)累加
(10)公共因子的方差贡献扩展阅读:
成分旋转这后各成分的方差贡献率将重新分配,此时就不可再称之为“主成分”而仅仅是“成分”。旋转又可分为正交旋转和斜交旋转。正交旋转的流行方法是方差最大化,需要在principal中增加rotate='varimax'参数加以实现。也有观点认为主成分分析一般不需要进行旋转。
在计算出主成分得分之后,还可以将其进行回归等做进一步分析处理。但注意如果输入数据不是原始数据时,则无法计算主成分得分。我们需要在principal中增加score=T的参数设置,结果将存放在结果的score元素中。