正在加载图片...
主成份法(Principal Components) 极大似然法(Maximum Likelihood】 主轴因子法(Principal Axis Factors 最小二乘法(Least square) 广义最小二乘法(Generalized Least Square)等等 其中比较常用的是主成份法(也是SPSS默认的方法) 5引、因子个数的确定 (1)以R的特征根(eigenvalue)是否大于1为标准,特征根大于1的特征 根个数为提取的因子数。(SPss默认) (2)参考R的特征根的碎石图(screeplot) (3)使前m个因子的方差贡献达到一个适当的比例,比如70%以上 (4)根据专业知识指定因子个数 6)、因子旋转方法 方差极大旋转(varimax) 等方差极大旋转(equamax)) 方差四次幂极大旋转(quartimax)等 当对因子作正交旋转后,因子的意义仍不能得到满意的解释时,可考虑对因 子作斜交旋转。这时,对应的变换矩阵不是正交矩阵,旋转后因子之间的相关系 数可以不是零。 八、因子得分 对每个样品计算它们的因子值,可以把因子得分作为因子(潜变量)的观测 值。 计算因子得分方法: 回归法(SPSS默认) Anderson-Rubin方法 Bartlett方法 8)、用SPSS做因子分析的策略 ).做默认的主成份法因子分析,看多少个因子比较合适 b).指定因子个数再做一次主成份法分析,作方差极大旋转,计算因子得分。 尝试解释因子。 c).指定因子个数做极大似然法因子分析,作方差极大旋转。 d).比较前两步得到的旋转后的负荷矩阵,看是否能将变量按同一种方式分 组,即看因子能否用相同的变量来表征。 e).另外指定一个因子个数,重复第2至4步,考察添加或删减的因子对方 差的贡献大小,比较一下是否能更好地对因子做出合理的解释。 )·如果方差极大旋转后的因子仍然不好解释,尝试其他正交旋转乃至斜交 旋转。 g).如果数据较多,可将它们一分为二(随机划分或奇偶划分),对每一半数 主成份法(Principal Components) 极大似然法(Maximum Likelihood) 主轴因子法(Principal Axis Factors) 最小二乘法(Least Square) 广义最小二乘法(Generalized Least Square)等等。 其中比较常用的是主成份法(也是 SPSS 默认的方法) 5)、因子个数的确定 (1)以 R 的特征根(eigenvalue)是否大于 1 为标准,特征根大于 1 的特征 根个数为提取的因子数。(SPSS 默认) (2)参考 R 的特征根的碎石图(screeplot) (3)使前 m 个因子的方差贡献达到一个适当的比例,比如 70%以上 (4)根据专业知识指定因子个数 6)、因子旋转方法 方差极大旋转(varimax) 等方差极大旋转(equamax) 方差四次幂极大旋转(quartimax)等 当对因子作正交旋转后,因子的意义仍不能得到满意的解释时,可考虑对因 子作斜交旋转。这时,对应的变换矩阵不是正交矩阵,旋转后因子之间的相关系 数可以不是零。 7)、因子得分 对每个样品计算它们的因子值,可以把因子得分作为因子(潜变量)的观测 值。 计算因子得分方法: 回归法(SPSS 默认) Anderson-Rubin 方法 Bartlett 方法 8)、用 SPSS 做因子分析的策略 a).做默认的主成份法因子分析,看多少个因子比较合适。 b).指定因子个数再做一次主成份法分析,作方差极大旋转,计算因子得分。 尝试解释因子。 c).指定因子个数做极大似然法因子分析,作方差极大旋转。 d).比较前两步得到的旋转后的负荷矩阵,看是否能将变量按同一种方式分 组,即看因子能否用相同的变量来表征。 e).另外指定一个因子个数,重复第 2 至 4 步,考察添加或删减的因子对方 差的贡献大小,比较一下是否能更好地对因子做出合理的解释。 f). 如果方差极大旋转后的因子仍然不好解释,尝试其他正交旋转乃至斜交 旋转。 g).如果数据较多,可将它们一分为二(随机划分或奇偶划分),对每一半数
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有