主成分分析和因子分析有什么区别？ 主成分分析和因子分析有什么区别
\u56e0\u5b50\u5206\u6790\u548c\u4e3b\u6210\u5206\u5206\u6790\u6709\u4ec0\u4e48\u533a\u522b\u554a\u4e3b\u6210\u5206\u5206\u6790\u548c\u56e0\u5b50\u5206\u6790\u90fd\u662f\u4fe1\u606f\u6d53\u7f29\u7684\u65b9\u6cd5\uff0c\u5373\u5c06\u591a\u4e2a\u5206\u6790\u9879\u4fe1\u606f\u6d53\u7f29\u6210\u51e0\u4e2a\u6982\u62ec\u6027\u6307\u6807\u3002
\u56e0\u5b50\u5206\u6790\u5728\u4e3b\u6210\u5206\u57fa\u7840\u4e0a\uff0c\u591a\u51fa\u4e00\u9879\u65cb\u8f6c\u529f\u80fd\uff0c\u8be5\u65cb\u8f6c\u76ee\u7684\u5373\u5728\u4e8e\u547d\u540d\uff0c\u66f4\u5bb9\u6613\u89e3\u91ca\u56e0\u5b50\u7684\u542b\u4e49\u3002\u5982\u679c\u7814\u7a76\u5173\u6ce8\u4e8e\u6307\u6807\u4e0e\u5206\u6790\u9879\u7684\u5bf9\u5e94\u5173\u7cfb\u4e0a\uff0c\u6216\u662f\u5e0c\u671b\u5c06\u5f97\u5230\u7684\u6307\u6807\u8fdb\u884c\u547d\u540d\uff0cSPSSAU\u5efa\u8bae\u4f7f\u7528\u56e0\u5b50\u5206\u6790\u3002
\u4e3b\u6210\u5206\u5206\u6790\u76ee\u7684\u5728\u4e8e\u4fe1\u606f\u6d53\u7f29\uff08\u4f46\u4e0d\u592a\u5173\u6ce8\u4e3b\u6210\u5206\u4e0e\u5206\u6790\u9879\u5bf9\u5e94\u5173\u7cfb\uff09\uff0c\u6743\u91cd\u8ba1\u7b97\uff0c\u4ee5\u53ca\u7efc\u5408\u5f97\u5206\u8ba1\u7b97\u3002\u5982\u5e0c\u671b\u8fdb\u884c\u6392\u540d\u6bd4\u8f83\uff0c\u8ba1\u7b97\u7efc\u5408\u7ade\u4e89\u529b\uff0c\u53ef\u4f7f\u7528\u4e3b\u6210\u5206\u5206\u6790\u3002
SPSSAU\u53ef\u76f4\u63a5\u4f7f\u7528\u8fd9\u4e24\u79cd\u65b9\u6cd5\uff0c\u652f\u6301\u81ea\u52a8\u4fdd\u5b58\u56e0\u5b50\u5f97\u5206\u53ca\u7efc\u5408\u5f97\u5206\uff0c\u4e0d\u9700\u8981\u624b\u52a8\u8ba1\u7b97\u3002
\u4e3b\u6210\u5206\u5206\u6790\u548c\u56e0\u5b50\u5206\u6790\u90fd\u662f\u4fe1\u606f\u6d53\u7f29\u7684\u65b9\u6cd5\uff0c\u5373\u5c06\u591a\u4e2a\u5206\u6790\u9879\u4fe1\u606f\u6d53\u7f29\u6210\u51e0\u4e2a\u6982\u62ec\u6027\u6307\u6807\u3002
\u56e0\u5b50\u5206\u6790\u5728\u4e3b\u6210\u5206\u57fa\u7840\u4e0a\uff0c\u591a\u51fa\u4e00\u9879\u65cb\u8f6c\u529f\u80fd\uff0c\u8be5\u65cb\u8f6c\u76ee\u7684\u5373\u5728\u4e8e\u547d\u540d\uff0c\u66f4\u5bb9\u6613\u89e3\u91ca\u56e0\u5b50\u7684\u542b\u4e49\u3002\u5982\u679c\u7814\u7a76\u5173\u6ce8\u4e8e\u6307\u6807\u4e0e\u5206\u6790\u9879\u7684\u5bf9\u5e94\u5173\u7cfb\u4e0a\uff0c\u6216\u662f\u5e0c\u671b\u5c06\u5f97\u5230\u7684\u6307\u6807\u8fdb\u884c\u547d\u540d\uff0cSPSSAU\u5efa\u8bae\u4f7f\u7528\u56e0\u5b50\u5206\u6790\u3002
\u4e3b\u6210\u5206\u5206\u6790\u76ee\u7684\u5728\u4e8e\u4fe1\u606f\u6d53\u7f29\uff08\u4f46\u4e0d\u592a\u5173\u6ce8\u4e3b\u6210\u5206\u4e0e\u5206\u6790\u9879\u5bf9\u5e94\u5173\u7cfb\uff09\uff0c\u6743\u91cd\u8ba1\u7b97\uff0c\u4ee5\u53ca\u7efc\u5408\u5f97\u5206\u8ba1\u7b97\u3002\u5982\u5e0c\u671b\u8fdb\u884c\u6392\u540d\u6bd4\u8f83\uff0c\u8ba1\u7b97\u7efc\u5408\u7ade\u4e89\u529b\uff0c\u53ef\u4f7f\u7528\u4e3b\u6210\u5206\u5206\u6790\u3002
SPSSAU\u53ef\u76f4\u63a5\u4f7f\u7528\u8fd9\u4e24\u79cd\u65b9\u6cd5\uff0c\u652f\u6301\u81ea\u52a8\u4fdd\u5b58\u56e0\u5b50\u5f97\u5206\u53ca\u7efc\u5408\u5f97\u5206\uff0c\u4e0d\u9700\u8981\u624b\u52a8\u8ba1\u7b97\u3002
1、原理不同：
主成分分析是利用降维（线性变换)的思想，在损失很少信息的前提下把多个指标转化为几个不相关的综合指标（主成分)，即每个主成分都是原始变量的线性组合，使得主成分比原始变量具有某些更优越的性能，从而达到简化系统结构，抓住问题实质的目的。
而因子分析更倾向于从数据出发，描述原始变量的相关关系，是由研究原始变量相关矩阵内部的依赖关系出发，把错综复杂关系的变量表示成少数的公共因子和仅对某一个变量有作用的特殊因子线性组合而成。
2、线性表示方向不同：
主成分分析中是把主成分表示成各变量的线性组合，而因子分析是把变量表示成各公因子的线性组合。
3、假设条件不同：
主成分分析不需要有假设条件；而因子分析需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子之间也不相关，共同因子和特殊因子之间也不相关。
4、主成分的数量不同
主成分分析的主成分的数量是一定的，一般有几个变量就有几个主成分（只是主成分所解释的信息量不等），实际应用时会根据碎石图提取前几个主要的主成分。而因子分析的因子个数需要分析者指定，指定的因子数量不同而结果也不同。
5、应用范围不同
在实际的应用过程中，主成分分析常被用作达到目的的中间手段，而非完全的一种分析方法，提取出来的主成分无法清晰的解释其代表的含义。而因子分析就是一种完全的分析方法，可确切的得出公共因子。
参考资料来源：百度百科-因子分析
参考资料来源：百度百科-主成分分析
主成分分析和因子分析有十大区别：
1.原理不同
主成分分析基本原理：利用降维（线性变换)的思想，在损失很少信息的前提下把多个指标转化为几个不相关的综合指标（主成分),即每个主成分都是原始变量的线性组合,且各个主成分之间互不相关,使得主成分比原始变量具有某些更优越的性能（主成分必须保留原始变量90%以上的信息），从而达到简化系统结构，抓住问题实质的目的。
因子分析基本原理：利用降维的思想，由研究原始变量相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量表示成少数的公共因子和仅对某一个变量有作用的特殊因子线性组合而成。就是要从数据中提取对变量起解释作用的少数公共因子（因子分析是主成分的推广，相对于主成分分析，更倾向于描述原始变量之间的相关关系）
2.线性表示方向不同
因子分析是把变量表示成各公因子的线性组合；而主成分分析中则是把主成分表示成各变量的线性组合。
3.假设条件不同
主成分分析：不需要有假设(assumptions),
因子分析：需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specificfactor）之间也不相关，共同因子和特殊因子之间也不相关。
4.求解方法不同
求解主成分的方法：从协方差阵出发（协方差阵已知），从相关阵出发（相关阵R已知），采用的方法只有主成分法。
（实际研究中，总体协方差阵与相关阵是未知的，必须通过样本数据来估计）
注意事项：由协方差阵出发与由相关阵出发求解主成分所得结果不一致时，要恰当的选取某一种方法；一般当变量单位相同或者变量在同一数量等级的情况下，可以直接采用协方差阵进行计算；对于度量单位不同的指标或是取值范围彼此差异非常大的指标，应考虑将数据标准化，再由协方差阵求主成分；实际应用中应该尽可能的避免标准化，因为在标准化的过程中会抹杀一部分原本刻画变量之间离散程度差异的信息。此外，最理想的情况是主成分分析前的变量之间相关性高，且变量之间不存在多重共线性问题(会出现最小特征根接近0的情况)；
求解因子载荷的方法：主成分法，主轴因子法，极大似然法，最小二乘法，a因子提取法。
5.主成分和因子的变化不同
主成分分析：当给定的协方差矩阵或者相关矩阵的特征值唯一时，主成分一般是固定的独特的；
因子分析：因子不是固定的，可以旋转得到不同的因子。
6.因子数量与主成分的数量
主成分分析：主成分的数量是一定的，一般有几个变量就有几个主成分（只是主成分所解释的信息量不等），实际应用时会根据碎石图提取前几个主要的主成分。
因子分析：因子个数需要分析者指定（SPSS和sas根据一定的条件自动设定，只要是特征值大于1的因子主可进入分析），指定的因子数量不同而结果也不同；
7.解释重点不同：
主成分分析：重点在于解释个变量的总方差，
因子分析：则把重点放在解释各变量之间的协方差。
8.算法上的不同：
主成分分析：协方差矩阵的对角元素是变量的方差；
因子分析：所采用的协方差矩阵的对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）
9.优点不同：
因子分析：对于因子分析，可以使用旋转技术，使得因子更好的得到解释，因此在解释主成分方面因子分析更占优势；其次因子分析不是对原有变量的取舍，而是根据原始变量的信息进行重新组合，找出影响变量的共同因子，化简数据；
主成分分析：
第一：如果仅仅想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析，不过一般情况下也可以使用因子分析；
第二：通过计算综合主成分函数得分，对客观经济现象进行科学评价；
第三：它在应用上侧重于信息贡献影响力综合评价。
第四：应用范围广，主成分分析不要求数据来自正态分布总体，其技术来源是矩阵运算的技术以及矩阵对角化和矩阵的谱分解技术，因而凡是涉及多维度问题，都可以应用主成分降维；
10.应用场景不同：
主成分分析：
可以用于系统运营状态做出评估，一般是将多个指标综合成一个变量，即将多维问题降维至一维，这样才能方便排序评估；
此外还可以应用于经济效益、经济发展水平、经济发展竞争力、生活水平、生活质量的评价研究上；
主成分还可以用于和回归分析相结合，进行主成分回归分析，甚至可以利用主成分分析进行挑选变量，选择少数变量再进行进一步的研究。
一般情况下主成分用于探索性分析，很少单独使用，用主成分来分析数据，可以让我们对数据有一个大致的了解。
一、性质不同
1、主成分分析法性质：通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量。
2、因子分析法性质：研究从变量群中提取共性因子的统计技术。
二、应用不同
1、主成分分析法应用：比如人口统计学、数量地理学、分子动力学模拟、数学建模、数理分析等学科中均有应用，是一种常用的多变量分析方法。
2、因子分析法应用：
（1）消费者习惯和态度研究（U&A）
（2） 品牌形象和特性研究
（3）服务质量调查
（4） 个性测试
（5）形象调查
（6） 市场划分识别
（7）顾客、产品和行为分类
扩展资料：
主成分分析的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量，同时，根据实际需要，尽量少取几个求和变量，以反映原始变量的信息。
这种统计方法被称为主成分分析或主成分分析，这也是一种处理降维的数学方法。主成分分析（PCA）是试图用一组新的不相关的综合指标来代替原来的指标。
因子分析为社会研究的一种有力工具，但不能确定一项研究中有几个因子。当研究中选择的变量发生变化时，因素的数量也会发生变化。此外，对每个因素的实际含义的解释也不是绝对的。
参考资料来源：百度百科-主成分分析
参考资料来源：百度百科-因子分析
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...
绛旓細涓や釜鏂规硶鍩烘湰鐩稿悓锛屽彧鏄鍥犲瓙鍒嗘瀽鏄湪涓绘垚鍒嗗熀纭涓婏紝澶氬嚭涓姝ユ棆杞楠わ紝涓轰簡璁╂彁鍙栫殑鎴愬垎鏇村鏄撳懡鍚嶃備袱绉嶆柟娉曢兘鍙互鍦ㄧ綉椤电増spssau涓娇鐢紝閰嶅悎鏅鸿兘鏂囧瓧寤鸿鍜屽府鍔╂墜鍐屽彲浠ヨ兘蹇悊瑙ｃ傚鏋滆鐮旂┒鐩殑瀹屽叏鍦ㄤ簬淇℃伅娴撶缉锛屽苟涓旀壘鍑哄洜瀛愪笌鍒嗘瀽椤瑰搴斿叧绯伙紝寤鸿鐢ㄥ洜瀛愬垎鏋愩涓绘垚鍒嗗垎鏋鏇村鐢ㄤ簬鏉冮噸璁＄畻锛屼互鍙婄患鍚堝緱鍒...
绛旓細涓夌鍒嗘瀽鏂规硶鏃鏈夊尯鍒涔熸湁鑱旂郴锛屾湰鏂囧姏鍥惧皢涓夎呯殑寮傚悓杩涜姣旇緝锛屽苟涓句緥璇存槑涓夎呭湪瀹為檯搴旂敤涓殑鑱旂郴,浠ユ湡涓烘洿濂藉湴鍒╃敤杩欎簺楂樼骇缁熻鏂规硶涓虹爺绌舵墍鐢ㄦ湁鎵瑁ㄧ泭銆備簩銆佸熀鏈濇兂鐨勫紓鍚 (涓) 鍏卞悓鐐 涓绘垚鍒嗗垎鏋娉鍜屽洜瀛愬垎鏋娉曢兘鏄敤灏戞暟鐨勫嚑涓彉閲(鍥犲瓙) 鏉ョ患鍚堝弽鏄犲師濮嬪彉閲(鍥犲瓙) 鐨勪富瑕佷俊鎭紝鍙橀噺铏界劧杈冨師濮...
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2銆佽繖涓ょ鍒嗘瀽娉曞緱鍑虹殑鏂板彉閲忥紝涔熷氨鏄垚鍒嗘垨鑰呭洜瀛愶紝骞朵笉鏄師濮嬪彉閲忕瓫閫夋垨鑰呮彁鍑哄悗鍓╀綑鐨勫彉閲忋3銆鍥犲瓙鍒嗘瀽鍙兘瑙ｉ噴閮ㄥ垎鍙樺紓锛堟寚鍏叡鍥犲瓙锛夛紝涓绘垚鍒嗗垎鏋鑳借В閲婃墍鏈夊彉寮傦紙濡傛灉鎻愬彇浜嗘墍鏈夋垚鍒嗭級銆4銆佷富鎴愬垎鍒嗘瀽锛屾湁鍑犱釜鍙橀噺灏辫嚦灏戞湁鍑犱釜鎴愬垎锛屼竴鑸彧鎻愬彇鑳借В閲80%浠ヤ笂鐨勬垚鍒嗭紱鍥犲瓙鍒嗘瀽锛屾湁鍑犱釜鍙橀噺涓嶄竴瀹氭湁...
绛旓細褰揔MO鍊间綆浜0.6锛岀爺绌惰川閲忓氨浼氭湁鎵涓嬮檷锛屼綆浜0.5鍒欓氬父寤鸿鏀惧純璇ュ垎鏋愩傛垜鑷繁鐨勭粡楠屾槸锛屽嵆浣縆MO鍊煎湪0.6宸﹀彸锛屽彧瑕佷笉鏄槑鏄惧亸浣庯紝涔熷彲浠ヨ繘琛屽垎鏋愶紝浣嗛渶瑕佺‘淇濈粨鏋滅殑鍙潬鎬э紝姣曠珶0.6浠ヤ笅鍙兘浼氬奖鍝嶅垎鏋愮殑鍑嗙‘鎬с傚湪杩涜涓绘垚鍒嗗垎鏋愬拰鍥犲瓙鍒嗘瀽鏃讹紝鏈変竴涓噸瑕佹爣鍑嗘槸鍓嶅嚑涓昏鎴愬垎鐨勭壒寰佸肩疮璁″崰鎬绘柟宸殑80...
绛旓細鍥犲瓙鍒嗘瀽閫氬父鏈変笁涓楠;绗竴姝ユ槸鍒ゆ柇鏄惁閫傚悎杩涜鍥犲瓙鍒嗘瀽;绗簩姝ユ槸鍥犲瓙涓庨椤瑰搴斿叧绯诲垽鏂;绗笁姝ユ槸鍥犲瓙鍛藉悕銆傜涓姝:鍒ゆ柇鏄惁杩涜鍥犲瓙鍒嗘瀽,鍒ゆ柇鏍囧噯涓篕MO鍊煎ぇ浜0.6;绗簩姝:鍥犲瓙涓庨椤瑰搴斿叧绯诲垽鏂傚洜瀛愪笌棰橀」瀵瑰簲鍏崇郴鍒ゆ柇:鍋囪棰勬湡涓3涓洜瀛(鍙橀噺),鍒嗘瀽棰橀」涓10涓;鍥犲瓙涓庨椤逛氦鍙夊叡寰楀埌30涓...
绛旓細鍦⊿PSS涓繘琛岄棶鍗锋暟鎹帰绱鍥犲瓙鍒嗘瀽鏄鐞嗘棤鏄庢樉缁村害鍒掑垎棰橀」鐨勯噸瑕佹楠ゃ傚叾鐩殑鏄氳繃缁熻鍒嗘瀽鎻ず娼滃湪缁村害锛岃揪鍒伴檷缁存垨浼樺寲鏁版嵁鐨勭洰鐨勩涓庝富鎴愬垎鍒嗘瀽涓嶅悓锛屽洜瀛愬垎鏋愬姹傞殣钘忕殑鍥犲瓙锛岃岄潪鍗曠函鏀惧ぇ涓昏鎴愬垎銆備笅闈互涓涓43棰樿嚜鎴戞晥鑳介棶鍗蜂负渚嬶紝璇︾粏婕旂ず鎿嶄綔杩囩▼銆傞鍏堬紝瀵煎叆鏁版嵁骞堕夋嫨鈥滃垎鏋愨-鈥滈檷缁粹-鈥滃洜瀛...
绛旓細鍙互鍙戠幇鍙橀噺涔嬮棿鐨勫叧绯伙紝灏嗗鍙橀噺鍒掑綊涓哄皯鏁板嚑涓淮搴︽垨鍥犲瓙銆傚湪闂嵎缂栧埗绛夋柟闈㈢敤澶勬瘮杈冨ぇ銆
