探索性因素分析概述
因子分析
因子分析( ):是一种处理多变量数据的统计方法。 它可以揭示多个变量之间的关系。 其主要目的是从大量可观察变量中总结和综合少数因素。 它用尽可能少的因素变量,最大限度地概括和解释原始观察信息,从而建立简洁的概念体系,揭示事物之间的本质联系。
探索性因素分析
研究者事先并不确定观察数据背后能提取出多少个因素,而分析的目的就是探寻因素的数量。
基本降维的思想就是将许多错综复杂的变量聚合成几个独立的公因子,同时不丢失尽可能多或尽可能少的原始数据信息。 这些共同因素可以反映原始众多变量的主要信息。 在减少变量数量的同时,也体现了变量之间的内在关系。 重要的是多个测试项目能否形成一个或多个理论变量,而这些理论变量的理论变量是未知的。
验证性因素分析:明确因素的数量和显着性,分析的目的是验证假设。
探索性分析注意事项
1.样本量要求:建议使用样本量大于探索性因子分析问题数5倍、最好10倍的数据。 样本量太小可能会导致因子提取不稳定和结果不可靠。
2、变量要求:分析的变量应为连续变量或序数变量。 离散或名义变量不适合探索性因素分析。
连续变量:指可以取整数以外的值的变量,例如身高、体重、年龄等,其特点是可以取无限精度的值。
分类变量:指只能取有限数量值的变量,如性别、血型、职业等。
3.相关性要求:被分析的变量之间应存在相关性。
4、变量相关矩阵的可分离性:可分离性是指变量不能完全重叠,否则将无法提取有用的因子。
5、数据的正态分布:变量的分布应接近正态分布,否则因子提取时可能会出现偏差。
6、样本的代表性:即样本应能代表整体情况。
探索性因子分析的主要概念
1. 提取公因数
(1)提取方法:
主成分法:通过主成分分析提取公因子,假设变量是因素的线性组合。 该方法从被解释变量的变异性出发,力图用主成分来解释变量的方差。
主轴系数法;
未加权最小二乘法;
加权最小二乘法。
(2)提取标准:
A。 每个公因子的特征值应大于1;
b. 砾石图:用于展示各个因素的重要性。 横轴是因子数,纵轴表示特征值的大小。 它按照特征值从大到小排列因子,从中你可以非常直观地了解哪些是主要的。 因素。
当特征值曲线变得更陡时,就是因子数量确定的时候。
例如下图中应选择的因子数为2。
2、因子轮换:
(1。目的:
提取的公因子的命名可能无法很好地解释。 使用因子旋转可以帮助我们找到更好的命名角度。
(2)旋转方式:
(1):最大方差正交旋转。 最常用的旋转方法保持每个因子正交,但试图最大化每个因子的方差差,即载荷平方和的相对和最大化,从而有利于因子的解释。
(2):最大正交旋转的四次方。
(3):平方最大正交旋转。
(4):斜旋转。
(5):基于方差最大正交旋转进行倾斜旋转。
二
SPSS操作
实际操作
分析 - 降维 - 因素
三
SPSS结果分析
部分内容及图片来源于网络,如有侵权将删除。
该推文来自安徽大学“万庆新安”青少年心理健康志愿者服务队。 该服务项目由中国科协“展翅翱翔”大学生科技志愿服务项目资助。 该项目在安徽大学团委的关心指导和哲学学院团委的具体落实下正在稳步推进。 通过打造“知识普及”、“情景扮演”、“团体援助游戏”、“实验再现”的心理健康服务体系,建立了“专业+服务”、“专业+”三大“专业+”发展模式。 “教育”和“专业+信仰”帮助青少年健康快乐成长。
图形| 吴孟丹
排版| 吴雅婷
评论 | 吴润新