5、主要应用范围不同 探索性因子分析: ①寻求基本结构解决多元统计分析中的变 量间强相关问题; ②数据化简
• 5、主要应用范围不同 • 探索性因子分析: • ①寻求基本结构,解决多元统计分析中的变 量间强相关问题; • ②数据化简
验证性因子分析允许研究者将观察变量依据 理论或先前假设构成测量模式,然后评价此因 子结构和该理论界定的样本资料间符合的程 度。 因此,主要应用于以下三个方面 ①验证量表的维度或面向性( dimensionality), 或者称因子结构,决定最有效因子结构; ②验证因子的阶层关系; ·③评估量表的信度和效度
• 验证性因子分析允许研究者将观察变量依据 理论或先前假设构成测量模式,然后评价此因 子结构和该理论界定的样本资料间符合的程 度。 • 因此,主要应用于以下三个方面: • ①验证量表的维度或面向性( dimensionality) , 或者称因子结构,决定最有效因子结构; • ②验证因子的阶层关系; • ③评估量表的信度和效度
探索性因子分析思路 假设观测变量之间相关是因为他们共享公因子。 很多观测变量,浓缩 代表少数因子
假设观测变量之间相关是因为他们共享公因子。 很多观测变量 代替 少数因子 浓缩 探索性因子分析思路
目的:化简数据 方式:研究众多变量之间的内部依赖关系, 探求观测数据中的基本结构,并用少数几个 假想变量(因子)表示基础数据结构 实质:研究如何以最少的信息丢失把众多观 测变量浓缩为少数几个因子
• 目的：化简数据 • 方式：研究众多变量之间的内部依赖关系， 探求观测数据中的基本结构，并用少数几个 假想变量（因子）表示基础数据结构 • 实质：研究如何以最少的信息丢失把众多观 测变量浓缩为少数几个因子
第二节(探索性)因子分析原理 模型 将每个观测变量用一组因子的线性组合表示: f1+ai2f2+…+ ft u 1m m i=1,2,…,k) (1)f 2 叫做公因子( Common factors),它们是 各个观测变量所共有的因子,解释了变量之间的相关。 (2)u称为特殊因子( Unique factor),它是每个观测变量所特有 的因子,相当于多元回归中的残差项,表示该变量不能被公因 子所解释的部分。 (3)ax称为因子负载 Factor loadings),它是第i个变量在第 个公因子上的负载,相当于多元回归分析中的标准回归系数 (i=1…,k;j=1…,m)
将每个观测变量用一组因子的线性组合表示： xi = ai1 f1 + ai2 f2 + …+ aim fm + ui ( i = 1,2,…,k) (1) f1 ，f2 ，…，fm 叫做公因子(Common factors)，它们是 各个观测变量所共有的因子，解释了变量之间的相关。 (2) ui称为特殊因子(Unique factor)，它是每个观测变量所特有 的因子，相当于多元回归中的残差项，表示该变量不能被公因 子所解释的部分。 (3) aij 称为因子负载(Factor loadings)，它是第i个变量在第j 个公因子上的负载，相当于多元回归分析中的标准回归系数 （i=1,…,k; j=1,…,m）。 第二节 （探索性）因子分析原理 一、模型