《探索性因素分析》PPT课件

《《探索性因素分析》PPT课件》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、探索性因素分析：主成分分析與因素分析1相關矩陣Observedcorrelationmatrix由觀察變項計算得到的相關係數矩陣Reproducedcorrelationmatrix由因素導出的相關係數矩陣Residualcorrelationmatrix觀察相關係數矩陣與重製相關係數矩陣的差異2因素分析的各類矩陣Orthogonalrotation直交轉軸所有的因素不具有相關的轉軸結果Obliquerotation斜交轉軸因素間具有相關的轉軸結果Loadingmatrix因素負荷矩陣直交轉軸後各觀察變項與因素間

2、的相關係數矩陣Structurematrix結構矩陣斜交轉軸後各觀察變項與因素間的相關係數矩陣Patternmatrix型態矩陣斜交轉軸後各觀察變項與因素間排除因素間相關後之相關係數矩陣為斜交轉軸可以反應因素意義的係數Factorscorecoefficientsmatrix因素分數係數矩陣用以反應因素得分的類迴歸方程式係數矩陣3因素分析的目的與問題因素分析的主要目的在將繁多的變項縮減為少數的因素，找出變項背後的結構，涉及下列問題的探討因素數目的決定因素的內容與性質因素的重要性理論的檢驗因素分數的估計4因素分析的限

3、制理論層次的問題因素的抽取必須具有相當的理論與邏輯基礎。重要的因素必須被涵蓋，無關的測量應該被排除因素背後應有特定且穩定的測量變項，稱為markervariable，是用來定義因素的重要變項因素內的複雜性需被仔細的評估。反應在與多個因素有關係的觀察變項樣本的選取需能涵蓋測量變項的變異性樣本間的比較亦能反應因素的特性實務層次的問題因素分析受到相關係數的特性所影響，任何影響相關係數的原因都可能干擾因素分析樣本數、遺漏值、常態性、線性關係、偏離值多元共線性(multicollinearity)與單一性(singulari

4、ty)，極端的共線性與單一性對於因素分析具有影響相關係數的大小：如果觀察矩陣中相關係數均小於.3，抽取因素能力低，可能需放棄使用因素分析因素分析的偏離值：當某測量變項不被因素所解釋時。當僅有兩個變項所決定的因素，可能是一種不穩定的因素。5因素分析的類型不同萃取方法皆產生直交的成分或因素來反應觀察相關矩陣R不同點在於抽取的標準不同，例如最大變異、最小殘差等當樣本數大、觀察變項數目多或共同性估計相近時，各方法差異不大因素分析結果是否穩定不是決定於萃取的方法而是變項間的關係方法目的PCA：單純的化簡測量（得到成分comp

5、onents）FA：尋找測量題目背後的結構與理論意涵，並利用這些潛在結構進行分析應用（得到因素factors）萃取過程差異在於兩者對於觀察相關矩陣的處理方式也就是處理變異數上的差異PCAanalyzesvariance:觀察變項的所有變異量均被分析（觀察相關係數矩陣中對角線總和）FAanalyzescovariance:僅有共同變異量（sharedvariance）被分析（觀察相關係數矩陣中對角線以共同性來取代）萃取結果PCA：以最少的直交成分來解釋最大的變項變異量具有單一的數學解FA：以最少的直交因素來反應相關矩

6、陣具有不同的最佳解6不同的萃取方法一主成分法(Principalcomponents)目的在使每一個成分能夠代表最大的觀察變異量第一個主成分為觀察變項的線性整合，能夠反應最大的變異量，依序發展各主成分可以得到最大的解釋變異量主要因素法(principalfactors)以共同性為分析的對象因素的抽取以疊代程序來進行，起始值為SMC（squaredmultiplecorrelations），反覆帶入共同性直到無改善能夠產生最理想的重製矩陣映像因素萃取(imagefactorextraction)各觀察變項的變異量為其

7、他變項的投射。每一個變項的映像分數係以多元迴歸的方法來計算，映像分數的共變矩陣被進行PCA類似PCA，能夠產生單一的數學解，對角線與FA相同，為共同性因素負荷量不是相關係數，而是變項與因素的共變7不同的萃取方法二最大概似因素萃取(maximumlikelihoodfactorextraction)以因素負荷量的母數估計數為主要目的計算樣本求得之觀察矩陣能夠反應母體的最大機率之負荷量因素可進行顯著性考驗，適用於驗證性分析也即是求取變項與因素間的最大典型相關無加權最小平方法(unweightedleastsquares

8、factoring)求取觀察與重製矩陣的殘差的最小平方值只有非對角線上的數據被納入分析共同性是分析完成之後才進行計算一般加權最小平方法(generalizedweightedleastsquaresfactoring)在無加權平方法下，增加權數的考量(以共同性加權)有較大的共同變異的變項被較大的加權Alpha法(alphafactoring)處理共同因素的信