主成份分析和因子分析分别是什么？
主成分分析和因子分析都是信息浓缩的方法，即将多个分析项信息浓缩成几个概括性指标。
因子分析在主成分基础上，多出一项旋转功能，该旋转目的即在于命名，更容易解释因子的含义。如果研究关注于指标与分析项的对应关系上，或是希望将得到的指标进行命名，SPSSAU建议使用因子分析。
主成分分析目的在于信息浓缩（但不太关注主成分与分析项对应关系），权重计算，以及综合得分计算。如希望进行排名比较，计算综合竞争力，可使用主成分分析。
SPSSAU可直接使用这两种方法，支持自动保存因子得分及综合得分，不需要手动计算。
扩展资料：
用F1的分量作为系数，用标准化变量Z1，…Zk作为新变量建立线性组合F1，称为第1主成份。用F2的分量作为系数，用标准比变量Z1，…Zk作为新变量，建立线性组合后，称为第2主成份。由此可见，主成份F1、F2都是综合性指标。
将数据标准化的数值代入建立的线性组合F1、F2中，就可得出第1主成份和第2主成份的得分，并以此得分高低来排出名次，从而对所研究的问题作出分析评价。
参考资料来源：百度百科-主成份分析
主成分分析和因子分析是多元统计方法中关系密切的两种方法，应用范围十分广泛，可以解决经济、教育、科技、社会等领域中的综合评价问题。
主成分分析采用降维的思想，将研究对象的多个相关变量（指标）综合为少数几个不相关的变量，反映原变量提供的主要信息。
因子分析是主成分分析的推广和发展，它将具有错综复杂关系的变量综合为数量较少的几个因子，以再现原始变量与因子之间的相互关系，同时根据不同因子还可以对变量进行分类，它属于多元分析中处理降维的一种统计方法。
扩展资料
两者的相同点：
1、思想一致：都是降维的思想；
2、应用范围一致：都要求变量之间具有不完全的相关性；
3、数据处理过程一致：数据的无量纲化，求相关系数矩阵的特征值和特征向量，通过累计贡献率确定主成分个数、因子个数；
4、合成方法一致：都没有考虑原始变量之间的关系，直接用线性关系处理变量与主成分和因子之间的关系。
绛旓細3. 鍦ㄥ疄闄呮搷浣滀腑锛屽鏋淜MO鍊煎湪0.6宸﹀彸锛屽敖绠″彲鑳戒粛鍙繘琛屽洜瀛愬垎鏋愶紝浣嗗垎鏋愮粨鏋滃彲鑳戒笉澶熺悊鎯炽備緥濡傦紝濡傛灉鍦ㄨ繘琛屽洜瀛愬垎鏋愭椂锛屽緱鍒扮殑KMO鍊肩害涓0.7锛屼笖娌℃湁浣庝簬0.65锛岃繖閫氬父涓嶄細琚涓轰笉鍚堟牸锛屼絾闇瑙嗗叿浣撴儏鍐佃屽畾銆4. 涓绘垚鍒嗗垎鏋愶紙PCA锛涓庡洜瀛愬垎鏋鏈変竴瀹氱殑鑱旂郴锛涓绘垚鍒嗗垎鏋愭槸鍥犲瓙鍒嗘瀽鐨勪竴绉嶇壒娈婃儏鍐...
绛旓細鍥犲瓙鍒嗘瀽涓庝富鎴愬垎鍒嗘瀽鐨勫紓鍚岀偣:閮藉鍘熷鏁版嵁杩涜鏍囧噯鍖栧鐞; 閮芥秷闄や簡鍘熷鎸囨爣鐨勭浉鍏虫у缁煎悎璇勪环鎵閫犳垚鐨勪俊鎭噸澶嶇殑褰卞搷; 鏋勯犵患鍚堣瘎浠锋椂鎵娑夊強鐨勬潈鏁板叿鏈夊瑙傛; 鍦ㄤ俊鎭崯澶变笉澶х殑鍓嶆彁涓嬶紝鍑忓皯浜嗚瘎浠峰伐浣滈噺 鍏叡鍥犲瓙姣斾富鎴愬垎鏇村鏄撹瑙ｉ噴; 鍥犲瓙鍒嗘瀽鐨勮瘎浠风粨鏋滄病鏈変富鎴愬垎鍒嗘瀽鍑嗙‘; 鍥犲瓙鍒嗘瀽姣斾富鎴愬垎鍒嗘瀽...
绛旓細1銆鍥犲瓙鍒嗘瀽涓槸鎶婂彉閲忚〃绀烘垚鍚勫洜瀛鐨勭嚎鎬х粍鍚堬紝鑰涓绘垚鍒嗗垎鏋涓垯鏄妸涓绘垚鍒嗚〃绀烘垚涓彉閲忕殑绾挎х粍鍚堛2銆佷富鎴愬垎鍒嗘瀽鐨勯噸鐐瑰湪浜庤В閲婁釜鍙橀噺鐨勬绘柟宸紝鑰屽洜瀛愬垎鏋愬垯鎶婇噸鐐规斁鍦ㄨВ閲婂悇鍙橀噺涔嬮棿鐨勫崗鏂瑰樊銆3銆佷富鎴愬垎鍒嗘瀽涓笉闇瑕佹湁鍋囪(assumptions)锛屽洜瀛愬垎鏋愬垯闇瑕佷竴浜涘亣璁俱傚洜瀛愬垎鏋愮殑鍋囪鍖呮嫭锛氬悇涓叡鍚屽洜瀛愪箣闂...
绛旓細浠ヤ笅鏄垜鑷繁閫氫織鐨勭悊瑙ｅ搱銆涓绘垚鍒嗗垎鏋锛屽氨鏄涓彉閲忕患鍚堣捣鏉ュ弽搴斾竴涓寚鏍囷紝瑕佹妸杩欎釜鎸囨爣鎵惧嚭鏉ャ鍥犲瓙鍒嗘瀽灏辨槸鍏跺疄娼滃湪鐨勬湁鍑犱釜鎸囨爣锛岃岃〃鐜板嚭鏉ョ殑鏄繖鍑犱釜鎸囨爣闅忔満缁勫悎浣滅敤鍑烘潵鐨勭粨鏋溿傚洜瀛愬垎鏋愪笉濂界悊瑙ｆ槸鍚э紝涓句釜渚嬪瓙锛氱粰浜哄仛鏅哄姏娴嬮獙锛屽緱鍒颁簡绠楁暟鎴愮哗锛岃糠瀹垚缁╋紝鑴戠瓔鎬ヨ浆寮垚缁╃瓑绛夈備絾杩欎簺鎴愮哗鏄敱...
绛旓細涓绘垚鍒嗗垎鏋娉曟槸閫氳繃鎭板綋鐨勬暟瀛﹀彉鎹,浣挎柊鍙橀噺鈥斺斾富鎴愬垎鎴愪负鍘熷彉閲忕殑绾挎х粍鍚,骞堕夊彇灏戞暟鍑犱釜鍦ㄥ彉宸讳俊鎭噺涓瘮渚嬭緝澶х殑涓绘垚鍒嗘潵鍒嗘瀽浜嬬墿鐨勪竴绉嶆柟娉曘備富鎴愬垎鍦ㄥ彉宸俊鎭噺涓殑姣斾緥瓒婂ぇ,瀹冨湪缁煎悎璇勪环涓殑浣滅敤灏辫秺澶с 鍥犲瓙鍒嗘瀽 鎺㈢储鎬у洜瀛愬垎鏋愭硶(Exploratory Factor Analysis,EFA)鏄竴绯诲垪鐢ㄦ潵鍙戠幇涓缁勫彉閲忕殑娼滃湪缁撴瀯...
绛旓細鍖哄埆鏄洰鐨勪笉鍚屻佽仈绯婚兘鏄暟鎹垎鏋愭柟娉曘1銆佸尯鍒槸鐩殑涓嶅悓锛歅CA鐨勪富瑕佺洰鐨勬槸鏁版嵁闄嶇淮锛屽皢鍘熷鏁版嵁杞寲涓鸿緝灏戠殑缁村害锛屽悓鏃朵繚鐣欐暟鎹腑鐨勪富瑕佺壒寰併鍥犲瓙鍒嗘瀽鐨勪富瑕佺洰鐨勬槸鎵惧嚭闅愯棌鍦ㄦ暟鎹腑鐨勬綔鍦ㄥ洜绱犳垨鍙橀噺锛屼簡瑙ｆ暟鎹殑缁撴瀯銆2銆佽仈绯婚兘鏄暟鎹垎鏋愭柟娉曪細PCA鍜孎A閮芥槸鏁版嵁鍒嗘瀽鏂规硶锛屽彲浠ョ敤浜庡鐞嗗鏉傜殑鏁版嵁鍜屾彁鍙...
绛旓細绗簩锛鍥犲瓙鍒嗘瀽缁欏嚭鐨勯噸瑕佺粨鏋滃張涓や釜锛岀涓涓槸鍥犲瓙鐨勫懡鍚嶏紝涔熷氨鏄綔鍦ㄧ殑鍥犵礌锛岄渶瑕佸懡鍚嶃傜浜屼釜鏄瘡涓洜瀛愭墍鍗犵殑鏉冮噸锛岄檮鍔犵殑鍙互寰楀埌姣忎釜鍙橀噺鎵鍗犵殑鏉冮噸銆傝涓绘垚鍒嗗垎鏋鍒欎富瑕佹槸缁煎悎寰楀垎鍜屽緱鍒嗙殑姣旇緝銆傜涓夛細濡傛灉浠呬粠鍥犲瓙缁煎悎寰楀垎鍜屼富鎴愬垎寰楀垎鐢ㄤ簬缁煎悎璇勪环鐨勮瘽锛屾病浠涔堝ぇ鍦板尯鍒紝璁＄畻鍑哄悇鑷緱鍒嗗悗杩涜...
绛旓細鐪嬪埌寰堝鏁版嵁鍒嗘瀽涔︾睄閲岄潰璋堝強鍒涓绘垚鍒嗗垎鏋愬拰鍥犲瓙鍒嗘瀽锛屾垜浠父甯镐細鍙戠幇涓ょ鍒嗘瀽鏂规硶鏈夊緢澶氱浉浼肩殑鍦版柟锛岀劧鑰岋紝涓ょ鏂规硶鍗存埅鐒朵笉鍚岋紝鍦ㄧ綉涓婄湅鍒颁簡涓绡囨枃绔犲皢涓ょ鏂规硶鐨勫尯鍒粙缁嶇殑寰堟竻妤氾紝鍘熸枃閾炬帴锛歨ttp://www.theanalysisfactor.com/the-fundamental-difference-between-principal-component-analysis-and-factor-...
绛旓細涓绘垚鍒嗗垎鏋愬拰鍥犲瓙鍒嗘瀽閮芥槸淇℃伅娴撶缉鐨勬柟娉曪紝鍗冲皢澶氫釜鍒嗘瀽椤逛俊鎭祿缂╂垚鍑犱釜姒傛嫭鎬ф寚鏍囥傚鏋滃笇鏈涜繘琛屽皢鎸囨爣鍛藉悕锛孲PSSAU寤鸿浣跨敤鍥犲瓙鍒嗘瀽銆傚師鍥犲湪浜庡洜瀛愬垎鏋愬湪涓绘垚鍒嗗熀纭涓婏紝澶氬嚭涓椤规棆杞姛鑳斤紝璇ユ棆杞洰鐨勫嵆鍦ㄤ簬鍛藉悕銆備富鎴愬垎鍒嗘瀽鐩殑鍦ㄤ簬淇℃伅娴撶缉锛堜絾涓嶅お鍏虫敞涓绘垚鍒嗕笌鍒嗘瀽椤瑰搴斿叧绯伙級锛屾潈閲嶈绠楋紝浠ュ強缁煎悎寰楀垎璁＄畻...
绛旓細鍒欐湁R − AAT = 蟻銆傚湪鍥犲瓙鍒嗘瀽涓紝娈嬩綑椤瑰簲鍙湪蟻鐨勫瑙掑厓绱犻」涓紝鍥犵壒娈婇」鍙睘浜庡師鍙橀噺椤癸紝鍥犳锛岀殑閫夋嫨搴斾互蟻鐨勯潪瀵硅鍏冪礌鐨勬柟宸渶灏忎负鍘熷垯銆傝屽湪涓绘垚鍒嗗垎鏋涓紝閫夋嫨鍘熷垯鏄娇鑸嶅純鎴愬垎鎵瀵瑰簲鐨勬柟宸」绱Н鍊间笉瓒呰繃瑙勫畾鍊硷紝鎴栬呰琚垗寮冮」鍚勫瑙掕绱犵殑鑷箻鍜屼负鏈灏忥紝杩欎袱鑰呮槸涓嶉氱殑銆
