因子分析 factor analysis (三) : 因子载荷矩阵的估计方法

目录

一 因子载荷矩阵A的估计方法

1.  主成分分析法 

2. 极大似然估计法(略)

3.  主因子法

 二 试用主成分分析法求因子分析模型

三 用主因子分析法求因子分析模型


一 因子载荷矩阵A的估计方法

1.  主成分分析法 

祥见【因子分析 factor analysis (一 ):模型的理论推导】https://blog.csdn.net/qq_29831163/article/details/88901245 

2. 极大似然估计法(略)

3.  主因子法

\large A=\left [\sqrt{\lambda _{1}^{*}} u_{1}^{*} \sqrt{\lambda _{2}^{*}} u_{2}^{*} ...\sqrt{\lambda _{p}^{*}} u_{p}^{*} \right ]

主因子方法是对主成分方法的修正,假定我们首先对变量进行标准化变换。则 \large R=AA^{T}+D ;    \large R^{*}=AA^{T}=R-D   ;称\large R^{*} 为约相关系数矩阵, \large R^{*} 对角线上的元素是 \large h_{i}^{2} ,而不是1。

 

直接求 \large R^{*} 的前 p 个特征值和对应的正交特征向量。得到如下的矩阵 

在实际应用中,特殊因子的方差一般都是未知的,可以通过一组样本来估计。估计 的方法有如下几种: 

1)取 \large h_{i}^{2} =1 ,在这个情况下主因子解与主成分解等价。 
 2)取\large h_{i}^{2} =R_{i}^{2} , \large R_{i}^{2} 为 \large x_{i} 与其它所有的原始变量 \large x_{j}的复相关系数的平方,即 \large x_{i} 对其余的 p-1个 \large x_{j}的回归方程的判定系数,这是因为 \large x_{j}与公共因子的关系是通过其余 的 p-1 个 \large x_{j} 的线性组合联系起来的。 

 3)  取\large h_{i}^{2 }=max\left |r_{ij} \right |\left ( j\neq i \right )  ,这意味着取 \large x_{i} 与其余的 \large x_{j}的简单相关系数的绝对值的最大值。

4)   取 \large \hat{h_{i}^{2}}= \frac{1}{p-1}\sum_{j=1; j\neq i}^{p}r_{ij},其中要求该值为正数。

5) 取\large h_{i}^{2}=\frac{1}{r^{ii}} ,其中 \large r^{ii}  是 \large R^{-1}的对角元素。

 

 

 二 试用主成分分析法求因子分析模型

例1   假定某地固定资产投资率 \large x_{1} ,通货膨胀率\large x_{2} ,失业率 \large x_{3} ,相关系数矩阵为 \large \begin{bmatrix} 1&\frac{1}{5} & -\frac{1}{5}\\ \frac{1}{5}& 1& -\frac{2}{5} \\ -\frac{1}{5}& -\frac{2}{5} & 1 \end{bmatrix}

计算的MATLAB程序为:

clc,clear 
r=[1 1/5 -1/5;1/5 1 -2/5;-1/5 -2/5 1]; 
[vec,val,con]=pcacov(r);num=2; 
f1=repmat(sign(sum(vec)),size(vec,1),1); 
vec=vec.*f1;     %特征向量正负号转换 
f2=repmat(sqrt(val)',size(vec,1),1); 
a=vec.*f2   %载荷矩阵 
s1=sum(a.^2,1) 
tt=a.^2;tt=tt(:,1:num); 
s2=sum(tt,2) 
 

三 用主因子分析法求因子分析模型

例2   假定某地固定资产投资率 \large x_{1} ,通货膨胀率\large x_{2} ,失业率 \large x_{3} ,相关系数矩阵为 \large \begin{bmatrix} 1&\frac{1}{5} & -\frac{1}{5}\\ \frac{1}{5}& 1& -\frac{2}{5} \\ -\frac{1}{5}& -\frac{2}{5} & 1 \end{bmatrix}

猜你喜欢

转载自blog.csdn.net/qq_29831163/article/details/88909882
今日推荐