如何理解因子分析法？

1. 如何理解因子分析法？

因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
共同度是指一个测验条目在所有因子上的因子载荷平方和，它代表了所有因子合起来对该条目的变异解释量，因子是用来代替繁多的条目的简化测量指标，那么共同度高即代表某个条目与其他条目相关性高，而共同度低则表明该条目与其他条目共通性很低，也就是说这个条目的独特性很强。

扩展资料：
主因子的权重就是其方差贡献率占这7个主因子的累计贡献率
各原始变量的权重是，先根据SPSS算出的L载荷矩阵，除以对应的特征根值，算出A矩阵。再用A矩阵中的x系数除以对应x的标准差，算出的是各个原始变量的系数。各个系数占所有系数之和的比例就是权重。
因子分析法确定指标权重
权重体系构建常见于企业财务竞争力体系，绩效权重体系或者管理者领导力权重体系模型等。
常用的权重研究分析方法中，AHP层次分析法，熵值法，组合赋值法均无法直接使用SPSS软件进行计算，因此在SPSS上利用因子分析法进行计算权重是一种常规做法。
参考资料来源：百度百科——因子分析

2. 因子分析方法

因子分析是一种多变量化简技术，目的是分解原始变量，从中归纳出潜在的“类别”，相关性较强的指标归为一类，不同类间变量的相关性较低，每一类变量代表了一个“共同因子”，即一种内在结构，因子分析就是要寻找该结构。其分析方法有很多种，最常用的有两种：一是主成分分析方法；另外一种是一般因子分析法。通常所说的因子分析指的就是一般因子分析法，它通过原始变量的方差去构造因子，一般情况下，因子的数量总是要少于变量的数量。所以对于一般因子分析而言，如何正确解释因子将会比主成分分析更困难。
因子分析一般可以分成四步：
考察变量之间的相关性，判断是否要进行因子分析；
进行分析，按一定的标准确定提取的因子数目，一般要求特征值大于1；
考察因子的可解释性，并在必要时进行因子旋转，以寻求最佳解释方式；
计算出因子得分等中间指标，供进一步分析使用。
利用因子分析，可以把搜集到的比较杂乱的原始数据进行压缩，找出最重要的因子，并对其按照成因归类、整理，从中找出几条主线，帮助分析充满度的主要控制因素。
本研究中共统计岩性圈闭354个，参与统计分析和计算的圈闭有249个。由于其中的落空圈闭无法参与因子分析及充满度预测模型的建立，因此实际参与分析和预测的岩性油气藏为222个。初步地质分析后，选取平均孔隙度，%；平均渗透率，10-3μm2；排烃强度，104t/km2；与排烃中心的平面距离，km；与排烃中心的垂直距离，m；地层压力系数；砂体厚度，m；砂体面积，km2；有机质丰度，%；围岩厚度，m；平均埋深，m；共11个地质参数进行因子分析。
本研究按不同的成藏体系进行，建立其充满度预测模型并进行回代验证。同一成藏体系内的岩性油气藏的生、储、盖、圈、运、保等成藏条件相互影响、相互制约，关系密切，将同一成藏体系中的岩性油气藏又分别划分为构造－岩性、透镜体油气藏进行预测。

3. 因子分析概念

在各个领域的科学研究中，往往需要对反映事物的多个变量进行大量的观测并收集大量数据，以便分析寻找规律。多变量大样本无疑会为科学研究提供丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在的相关性增加了问题分析的复杂性，同时对分析带来不便。如果分别分析每个指标，分析又可能是孤立的，而不是综合的。盲目减少指标会损失很多信息，产生错误的结论。因此需要找到一个合理的方法，在减少分析指标的同时，尽量减少原指标包含信息的损失，对所收集的资料作全面的分析。由于各变量间存在一定的相关关系，因此用较少的指标分别综合存在于各变量中的各类信息，这少数几个综合指标彼此不相关，即所代表的信息是不重叠的，通常称为因子，因子分析法因此得名。因此，因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法（于志钧等，1984；赵旭东，1992；陆明德，1991）。
因子分析方法由Spearman在19世纪初研究心理学问题时提出，1957年由Krumbein引入地质学，后来Imbrie对因子分析在地质学中的应用和发展做了大量工作。
因子分析可以从以下几个方面为地质研究提供帮助：①压缩原始数据。因子分析为众多复杂的地质数据精简提供了一种数学算法，它能在数量上大大精简原始数据但又不损失数据中包含的成因信息，这样就有利于地质人员进行综合分析。②指示成因推理方向。因子分析能够把庞杂纷乱的原始数据按成因上的联系进行归纳、整理、精炼和分类，理出几条客观的成因线索，为地质人员提供逻辑推理方向，启发思考相应的成因结论。③分解叠加的地质过程。现实中观测到的地质现象往往是多种成因过程叠加的产物，因子分析提供了一个分解叠加过程而识别每个单一地质过程的手段。
鉴于上述原因，因子分析在地学领域的应用十分广泛，已有效地应用于沉积盆地蚀源区的研究、沉积物的粒度分析、沉积相研究、地层分析、古环境与古生态的研究、石油及天然气成因研究、油田水化学研究、有机地球化学研究及石油、天然气化探资料分析等各个方面（曾溅辉等，2002；张俊，2005；陈科贵等，2006）。

4. 因子分析方法

问题一：统计分析中的因子分析(factors),如何确定因子的个数  方差累计贡献率，碎石图，特征根，很多的 
  
   问题二：主成分分析和因子分析有什么区别？  因子分析与主成分分析的异同点: 
  都对原始数据进行标准化处理; 都消除了原始指标的相关性对综合评价所造成的信息重复的影响; 构造综合评价时所涉及的权数具有客观性; 在信息损失不大的前提下，减少了评价工作量 
  公共因子比主成分更容易被解释; 因子分析的评价结果没有主成分分析准确; 因子分析比主成分分析的计算工作量大 
  主成分分析仅仅是变量变换，而因子分析需要构造因子模型。 
  主成分分析:原始变量的线性组合表示新的综合变量，即主成分； 
  因子分析：潜在的假想变量和随机影响变量的线性组合表示原始变量。 
  
   问题三：因子分析法的分析步骤  因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。（i）因子分析常常有以下四个基本步骤：⑴确认待分析的原变量是否适合作因子分析。⑵构造因子变量。⑶利用旋转方法使因子变量更具有可解释性。⑷计算因子变量得分。（ii）因子分析的计算过程：⑴将原始数据标准化，以消除变量间在数量级和量纲上的不同。⑵求标准化数据的相关矩阵；⑶求相关矩阵的特征值和特征向量；⑷计算方差贡献率与累积方差贡献率；⑸确定因子：设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；⑹因子旋转：若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。⑺用原指标的线性组合来求各因子得分：采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。⑻综合得分以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )此处wi为旋转前或旋转后因子的方差贡献率。⑼得分排序：利用综合得分可以得到得分名次。在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：・ 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子 *** ，从子 *** 所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。・ 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。・ 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法（如相关分析、逐步回归分析、主成分分析等）研究各个变量之间的相关性，选择最佳的变量子 *** ；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。 
  
   问题四：因子分析到底有什么用处？  问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：传统上所谈的因素分析）factor *** ysis)指的是探索性因素分析）exploratory factor *** ysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor *** ysis，EFA)及验证性因素分析）confirmatory factor *** ysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解......>> 
  
   问题五：因子分析法是什么？  因子分析 
  1输入数据。 
  2点Analyze 下拉菜单，选Data Reduction 下的Factor 。 
  3打开Factor Analysis后,将数据变量逐个选中进入Variables 对话框中。 
  4单击主对话框中的Descriptive按扭，打开Factor Analysis: Descriptives子对话框，在Statistics栏中选择Univariate Descriptives项要求输出个变量的均值与标准差，在Correlation Matrix 栏内选择Coefficients项，要求计算相关系数矩阵，单击Continue按钮返回Factor Analysis主对话框。 
  5单击主对话框中的Extraction 按钮，打开如下图所示的Factor Analysis: Extraction 子对话框。在Method列表中选择默认因子抽取方法――Principal ponents，在Analyze 栏中选择默认的Correlation Matrix 项要求从相关系数矩阵出发求解主成分，在Exact 栏中选择Number of Factors;6， 要求显示所有主成分的得分和所能解释的方差。单击Continue按钮返回Factor Analysis主对话框。 
  6单击主对话框中的OK 按钮，输出结果。 
  统计专业研究生工作室原创，请勿复杂粘贴 
  
   问题六：怎么判断样本能不能因子分析？  基本指标层面的因子分析检验 
  在对数据进行因子分析前首先要对其进行检验，来判断是否适合做因子分析，检验所采用的方法为巴特利特球度检验(BartlettTestofSphericity)和KMO(Kaiser-Meyer-Olkin)检验。 
  巴特利特球度检(BartlettTestofSphericity)是假设相关系数矩阵是一个单位阵，如果统计量值比较大，且其相对应的相伴概率值小于用户指定的显著性水平，拒绝原假设，认为适合作因子分析。反之，接受原假设，不适合作因子分析。 
  
   问题七：因子分析法和数据包络分析法 有何区别？ 100分 因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。 
  数据包络分析方法(DataEnvelopmentAnalysis,DEA)是运筹学、管理科学与数理经济学交叉研究的一个新领域。它是根据多项投入指标和多项产出指标,利用线性规划的方法，对具有可比性的同类型单位进行相对有效性评价的一种数量分析方法。DEA方法及其模型自1978年由美国著名运筹学家A.Charnes和W.W.Cooper提出以来，已广泛应用于不同行业及部门，并且在处理多指标投入和多指标产出方面，体现了其得天独厚的优势。 
  
   问题八：因子分析法的优缺点  ・ 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子 *** ，从子 *** 所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认供系统的内核。 ・ 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。 ・ 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。 如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法(如相关分析、逐步回归分析、主成分分析等)研究各个变量之间的相关性，选择最佳的变量子 *** ；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。 
  
   问题九：因子分析法如何确定主成分及各个指标的权重？ 5分 在SPSS中，主成分分析是通过设置因子分析中的抽取方法实现的，如果设置的抽取方法是主成分，那么计算的就是主成分得分，另外，因子分析和主成分分析尽管原理不同，但是两者综合得分的计算方法是一致的。 
  确定数据的权重也是进行数据分析的重要前提。可以利用SPSS的因子分析方法来确定权重。主要步骤是： 
  (1)首先将数据标准化，这是考虑到不同数据间的量纲不一致，因而必须要无量纲化。 
  (2)对标准化后的数据进行因子分析(主成分方法)，使用方差最大化旋转。 
  (3)写出主因子得分和每个主因子的方程贡献率。 
  Fj =β1j*X1 +β2j*X2 +β3j*X3 + ……+ βnj*Xn ; Fj 为主成分(j=1、2、……、m)，X1、X2 、X3 、……、Xn 为各个指标，β1j、β2j、β3j、……、βnj为各指标在主成分Fj 中的系数得分，用ej表示Fj的方程贡献率。 
  (4)求出指标权重。 ωi=[(m∑j)βij*ej]/[(n∑i)(m∑j)βij*ej],ωi就是指标Xi的权重。 
  因子分析应用在评价指标权重确定中，通过主成分分析法得到的各指标的公因子方差，其值大小表示该项指标对总体变异的贡献，通过计算各个公因子方差占公因子方差总和的百分数。 
  
   问题十：什么是因子分析，该方法可以解决哪些问题  可以将变量或指标划分为若干维度，以便进一步做更高级的统计分析。南心网SPSS。

5. 因子分析法具体公式原理

因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。【摘要】
因子分析法具体公式原理【提问】
因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。【回答】
（i）因子分析常常有以下四个基本步骤：
⑴确认待分析的原变量是否适合作因子分析。
⑵构造因子变量。【回答】
⑶利用旋转方法使因子变量更具有可解释性。
⑷计算因子变量得分。
（ii）因子分析的计算过程：
⑴将原始数据标准化，以消除变量间在数量级和量纲上的不同。
⑵求标准化数据的相关矩阵；【回答】
⑶求相关矩阵的特征值和特征向量；
⑷计算方差贡献率与累积方差贡献率；
⑸确定因子：
设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；
⑹因子旋转：【回答】
若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。
⑺用原指标的线性组合来求各因子得分：
采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。
⑻综合得分
以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。
F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )
此处wi为旋转前或旋转后因子的方差贡献率。
⑼得分排序：利用综合得分可以得到得分名次。
在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：
· 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子集合，从子集合所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。【回答】
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【回答】
因子分析法是什么，用于解决什么问题，好处是什么，具体公式原理？【提问】
【问一问自定义消息】【提问】
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。如果希望进行将指标命名，SPSSAU建议使用因子分析。原因在于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。

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。

同时SPSSAU可直接保存因子得分及综合得分，不需要手动计算。【回答】
主成分分析可以理解为一种数据的处理理论，也可以理解为一种应用方法。而因子分析则可以理解为一种应用方法，因为做因子分析采用的比较多的就是用主成分分析的方法来浓缩因子。所以【回答】
其实所谓的区别只不过是在学科研究当中存在的，因为同属于统计学的理论，所以一定要找出两者的区别来。但是如果你只是应用的话，那就没必要考虑两者有什么区别。【回答】
况且spss使用因子分析非常方便 就可以得出各因子的得分，但是如果你非要用主成分分析方法，则需要自己手动再根据spss输出的某些因子分析结果来计算主成分得分。【回答】
做主成分分析或者说因子分析的目的 是为了浓缩众多变量，使之在后续的计算中更加简介。比如原来有80多个变量，如果直接进行综合排名要考虑每个变量进行综合，所以此时通过主成分分析，可以将原来的80多个变量浓缩成3~5个代替原来众多变量的新变量 即所谓的主成分或主因子。这样后续的计算就很简洁了【回答】
该怎么答【提问】
因子分析法，是指在尽可能不损失信息或少损失信息的情况下，将多个变量减少为少数几个潜在的因子，这几个因子可以高度概括大量数据中的信息，既减少变量个数，又同样地能再现变量之间的内在联系。【回答】
【提问】
【问一问自定义消息】【提问】
具体公式原理呢怎么答【提问】
【问一问自定义消息】【提问】
【问一问自定义消息】【提问】
【回答】
【回答】
这些表示啥，怎么运用【提问】
【问一问自定义消息】【提问】
主要是用来寻找指标变了共同的潜变量或称公因子，然后用公因子进行后续的各项分析，达到降维的目的。（南心网为您解决SPSS因子分析问题）【回答】
你这回答的啥，无语了，这个公式具体字母表示什么，怎么运用？我都不知道你回答个啥【提问】

6. 因素分析法的基本理论

因素分析法
方法功用
应用范围
使用方法
运用程序
评价
注意事项
目录
1摘要
2基本信息
3方法功用
4应用范围
因素
经济
5使用方法
连环替代
差额分析
指标分解
定基替代
6运用程序
一般程序
使用原理
7评价
8注意事项
9参考资料
因素分析法。又称经验分析法，是一种定性分析方法。该方法主要指根据价值工程对象选择应考虑的各种因素，凭借分析人员的知识和经验集体研究确定选择对象。该方法简单易行，要求价值工程人员对产品熟悉，经验丰富，在研究对象彼此相差较大或时间紧迫的情况下比较适用，缺点是无定量分析、主观影响大。

因素分析法是利用统计指数体系分析现象总变动中各个因素影响程度的一种统计分析方法，包括连环替代法、差额分析法、指标分解法等。 因素分析法是现代统计学中一种重要而实用的方法，它是多元统计分析的一个分支。使用这种方法能够使研究者把一组反映事物性质、状态、特点等的变量简化为少数几个能够反映出事物内在联系的、固有的、决定事物本质特征的因素。

基本信息

中文名	
因素分析法
别名	
指数因素分析法
分类	
连环替代法、差额分析法等
方法功用
因素分析法的最大功用，就是运用数学方法对可观测的事物在发展中所表现出的外部特征和联系进行由表及里、由此及彼、去粗取精、去伪存真的处理，从而得出客观事物普遍本质的概括。其次，使用因素分析法可以使复杂的研究课题大为简化，并保持其基本的信息量。

应用范围
因素

通过分析期货商品的供求状况及其影响因素，来解释和预测期货价格变化趋势的方法。期货交易是以现货交易为基础的。期货价格与现货价格之间有着十分紧密的联系。商品供求状况及影响其供求的众多因素对现货市场商品价格产生重要影响，因而也必然会对 期货价格重要影响。所以，通过分析商品供求状况及其影响因素的变化，可以帮助期货交易者预测和把握商品期货价格变化的基本趋势。在现实市场中，期货价格不仅受商品供求状况的影响，而且还受其他许多非供求因素的影响。这些非供求因素包括：金融货币因素，政治因素、政策因素、投机因素、心理预期等。因此，期货价格走势基本因素分析需要综合地考虑这些因素的影响。[1]

经济

商品供求状况对商品期货价格具有重要的影响。基本因素分析法主要分析的就是供求关系。商品供求状况的变化与价格的变动是互相影响、互相制约的。商品价格与供给成反比，供给增加，价格下降；供给减少，价格上升。商品价格与需求成正比，需求增加，价格上升；需求减少，价格下降。在其他因素不变的条件下，供给和需求的任何变化，都可能影响商品价格变化，一方面，商品价格的变化受供给和需求变动的影响；另一方面，商品价格的变化又反过来对供给和需求产生影响：价格上升，供给增加，需求减少；价格下降，供给减少，需求增加。这种供求与价格互相影响、互为因果的关系，使商品供求分析更加复杂化，即不仅要考虑供求变动对价格的影响，还要考虑价格变化对供求的反作用。

使用方法
连环替代

它是将分析指标分解为各个可以计量的因素，并根据各个因素之间的依存关系，顺次用各因素的比较值（通常即实际值）替代基准值（通常为标准值或计划值），据以测定各因素对分析指标的影响。

例如，设某一分析指标M是由相互联系的A、B、C三个因素相乘得到，报告期（实际）指标和基期（计划）指标为：

报告期（实际）指标M1=A1 * B1 * C1

基 期（计划）指标 M0=A0 * B0 * C0

在测定各因素变动指标对指标R影响程度时可按顺序进行：

基 期（计划）指标M0=A0 * B0 * C0……（1）

第一次替代 A1 * B0 * C0……（2）

第二次替代 A1 * B1 * C0……（3）

第三次替代 A1 * B1 * C1……（4）

分析如下：

（2）-（1）→A变动对M的影响。

（3）-（2）→B变动对M的影响。

（4）-（3）→C变动对M的影响。

把各因素变动综合起来，总影响：△M = M1 - M0 =（4）-（3）+（3）-（2）+（2）-（1）

差额分析

它是连环替代法的一种简化形式，是利用各个因素的比较值与基准值之间的差额，来计算各因素对分析指标的影响。

例如，某一个财务指标及有关因素的关系由如下式子构成：实际指标：Po=Ao×Bo×Co;标准指标：Ps=As×Bs×Cs；实际与标准的总差异为Po-Ps,Po-Ps 这一总差异同时受到A、B、C三个因素的影响，它们各自的影响程度可分别由以下式子计算求得：

A因素变动的影响：（Ao-As）×Bs×Cs；

B因素变动的影响；Ao×（Bo-Bs）×Cs；

C因素变动的影响：Ao×Bo×（Co-Cs）。

最后，可以将以上三大因素各自的影响数相加就应该等于总差异Po-Ps。

指标分解

例如资产利润率，可分解为资产周转率和销售利润率的乘积。

定基替代

分别用分析值替代标准值，测定各因素对财务指标的影响，例如标准成本的差异分析。

运用程序
一般程序

1、确定需要分析的指标;

2、确定影响该指标的各因素及与该指标的关系;

3、计算确定各个因素影响的程度数额。

使用原理

人的心理现象是复杂的，由许多因素有机结合而成，而每种心理因素又同时受到各种条件的制约，它如同一个庞大的多维系统，调节、控制着人的行为。传统的单变量和双变量分析往往在信息的处理上要么失去有用的信息，要么引入无用的信息，使研究者分不出现象的主次或得出不恰当的甚至是错误的结论。因素分析法则可在多变量观测分析的基础上较全面地反映出事物的各个不同侧面。在心理学研究中，研究者用因素分析从众多的变量中提取几种具有决定性意义的因素，建立理论假设，然后又用因素分析法反复验证假设，直至成功。因此，因素分析法是用来形成科学概念，进而建构思想模型和理论体系的强有力的认识手段和辅助工具。

因素分析法的数学运算主要是建立在矩阵运算的基础之上。它的基本运算过程如下：

首先是收集一定的测量资料，将资料数据标准化。在心理测量中，常需将测验分数转化成标准分数，并排列成数据矩阵。

其次，通过相关运算求出每个因素和其它因素的相关矩阵。

第三，用特定的运算方法，如主成分分析、影像分析、α因素分析、最小残余因素分析、最大可能解、重心法等求出因素载荷矩阵。

第四，为了使载荷矩阵的意义比较清晰，易于分析，要用直角旋转法和斜角旋转法等对载荷矩阵进行转轴处理，使每个变量只在少数几个因素上有较大的载荷，而使一些变量载荷接近零。这就有可能使每个变量在总方差中的因素更集中，从而表现出变量中最具有意义的特征主因素。

第五，对主因素进行定义并加以解释。主因素定义是否准确，解释是否恰当，不但取决于因素分析是否做得成功，而且在很大程度上取决于主观判断过程。在因素分析结果不明确的情况下更是如此。

因素分析法在智力测验中的应用

因素分析法的应用始自对智力的研究。1904年斯皮尔曼发表了《客观测定的智力》一文，开了用因素分析法研究智力的先河。斯皮尔曼在对学生考试成绩的分析过程中，注意到分数之间的相关矩阵存在一定的系统影响。其相关矩阵如下：??表中的课程是按照相关系数从左到右递减排列的，在每一行中，数值大体上均按照同一程度减少。斯皮尔曼经过分析指出，每一门课程的考试成绩都可以看作是由一个一般因子（与一般智力相一致）与一个特殊因子（与特殊智力相一致）之和组成的。他对多种多样的测验进行反复计算，大都得出类似的结果。因此，他认为任何智力因素都是由一般因素G和特殊因素S组合而成的，这就是著名的智力二因素理论。

此后，瑟斯顿等人通过对60多种不同类型智力测验的因素分析，将60多种因素进行因素提取，找出7种较为稳定的因素：计算、词的流畅性、言语意义、记忆、推理、空间知觉和知觉速度，称之为“基本的心理能力”，这就是瑟期顿的智力群因素理论。瑟斯顿及其同事对每种稳定的能力因素都做了测验，并预计这些能力应有负相关。然而，每种能力都和其它能力有正相关。看来，各种能力之间仍存在一般因素。他们编制了PMAT测验，对PMAT测验所得数据进行因素分析发现还存在二级群因素，即语言教育能力、空间机械能力和实际活动能力。弗农在1950年通过因素分析研究使各种因素形成了不同层次的分支，最高层是一般因素G，其次是语言教育能力、空间机械能力和实际活动能力群，然后是较小的PMAT次级群因素，最后是特殊因素S。他们通过对测量结果的因素分析，将智力分成了层级结构。

吉尔福特的智力结构理论也得益于因素分析法。他提出了三维智力结构模式，认为智力是由操作、内容和结果3个变项构成，这3个变项又分别包括5个、4个和6个方面，共120种智力因素。后来，他又把120种智力因素增加为150种。为了证明这150种智力因素存在，他设计了智力测验，并用因素分析加以验证。他声称已找到100种以上的智力因素，要进行如此众多独立变量的提取，离开因素分析几乎不可能。

卡特尔（Cattel）和霍恩（Horn）通过对测验的因素分析，提出了自己的智力结构理论，认为一般智力因素是流体型智力GF和晶体型智力GC。GF负载于数能力、空间能力、推理能力中，GC负载于语言能力、推理能力、记忆能力、词的流畅性中。他的这一理论支持了斯皮尔曼的智力二因素说。

韦克斯勒智力测验的理论基础直接来源于斯皮尔曼的智力二因素论及瑟斯顿的群因素论。韦氏认为，人的一般智力是多种能力的综合，因此他的智力测验受益于因素分析。库恩（Cohen）对韦氏成人智力量表的前身W—B、韦氏成人智力量表（WAIS）和韦氏学龄儿童智力量表（WISC）作了因素分析，发现韦氏智力量表包含5个共同因素：言语理解Ⅰ因素、知觉组织因素、记忆或集中注意因素、言语

7. 因子分析的目的

问题一：因子分析到底有什么用处？  问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：传统上所谈的因素分析）factor *** ysis)指的是探索性因素分析）exploratory factor *** ysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor *** ysis，EFA)及验证性因素分析）confirmatory factor *** ysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解......>> 
  
   问题二：请教SPSS高人，主成份分析和因子分析有什么不同？做主成分分析目的是什么？谢谢  主成分分析可以理解为一种数据的处理理论，也可以理解为一种应用方法。而因子分析则可以理解为一种应用方法，因为做因子分析采用的比较多的就是用主成分分析的方法来浓缩因子。所以 
  其实所谓的区别只不过是在学科研究当中存在的，因为同属于统计学的理论，所以一定要找出两者的区别来。但是如果你只是应用的话，那就没必要考虑两者有什么区别。 
  况且spss使用因子分析非常方便 就可以得出各因子的得分，但是如果你非要用主成分分析方法，则需要自己手动再根据spss输出的某些因子分析结果来计算主成分得分。 
  做主成分分析或者说因子分析的目的 是为了浓缩众多变量，使之在后续的计算中更加简介。比如原来有80多个变量，如果直接进行综合排名要考虑每个变量进行综合，所以此时通过主成分分析，可以将原来的80多个变量浓缩成3~5个代替原来众多变量的新变量 即所谓的主成分或主因子。这样后续的计算就很简洁了 
  
   问题三：探索性因子分析的目的意义有哪些  看你对变量理论的分组符不符合实际的情况，是确保模型合理性的前提 
  
   问题四：请问 做相关分析前，一定要做因子分析吗？因子分析的目的是什么？ 谢谢！  主成分分析和因子分析的区别 :jok: 
  1，因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成 
  个变量的线性组合。 
  2，主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之 
  间的协方差。 
  3，主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假 
  设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同 
  因子和特殊因子之间也不相关。 
  4，主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分 
  一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。 
  5，在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特 
  征值大于1的因子进入分析），而指 
  定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量 
  就有几个主成分。 
  和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有 
  优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于 
  使用因子分析，并且借助旋转技术帮助更好解释。而如果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。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 
  总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前 
  ，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分 
  析一般很少单独使用：a，了解数据。(screening the data),b,和cluster *** ysis一 
  起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可 
  能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回 
  归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性 
  。 
  在算法上，主成分分析和因子分析很类似，不过，在因子分析中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 
  
   问题五：因子分析中正交旋转的原因和目的是什么？  因子分析中正交旋转的原因和目的是：为了更突出各个因子的典型代表变量是谁,这样更容易发觉因子的作用。 
  因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，以较少的几个因子反映原资料的大部分信息。运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力运用这种研究技术，我们还可以为市场细分做前期分析。 
  
   问题六：因子分析法的统计意义  模型中F1，F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。e1，e2，…，ep叫做特殊因子，是向量x的分量xi(i=1，2，…，p）所特有的因子，各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素（aij）是为因子载荷。因子载荷aij是xi与Fj的协方差，也是xi与Fj的相关系数，它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权，aij的绝对值越大（|aij|￡1），表明xi与Fj的相依程度越大，或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1，F2，…，Fm的共同依赖程度大。将因子载荷矩阵A的第j列（ j =1，2，…，m）的各元素的平方和记为gj2，称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1，2，…，p）所提供方差的总和，它是衡量公共因子相对重要性的指标。gj2越大，表明公共因子Fj对x的贡献越大，或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1，2，…，m）都计算出来，使其按照大小排序，就可以依此提炼出最有影响力的公共因子。3. 因子旋转建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。旋转的方法有很多，正交旋转（orthogonal rotation）和斜交旋转（oblique rotation）是因子旋转的两类方法。最常用的方法是最大方差正交旋转法（Varimax）。进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。常用的斜交旋转方法有Promax法等。4.因子得分因子分析模型建立后，还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。例如地区经济发展的因子分析模型建立后，我们希望知道每个地区经济发展的情况，把区域经济划分归类，哪些地区发展较快，哪些中等发达，哪些较慢等。这时需要将公共因子用变量的线性组合来表示，也即由地区经济的各项指标值来估计它的因子得分。设公共因子F由变量x表示的线性组合为：Fj = uj1 xj1+ uj2 xj2+…+ujp *** j=1，2，…，m该式称为因子得分函数，由它来计算每个样品的公共因子得分。若取m=2，则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2，并将其在平面上做因子得分散点图，进而对样品进行分类或对原始数据进行更深入的研究。但因子得分函数中方程的个数m小于变量的个数p，所以并不能精确计算出因子得分，只能对因子得分进行估计。估计因子得分的方法较多，常用的有回归估计法，Bartlett估计法，Thomson估计法。⑴回归估计法F = X b = X (X ￠X)-1A￠ = XR-1A......>> 
  
   问题七：主成分分析和因子分析有什么区别？  因子分析与主成分分析的异同点: 
  都对原始数据进行标准化处理; 都消除了原始指标的相关性对综合评价所造成的信息重复的影响; 构造综合评价时所涉及的权数具有客观性; 在信息损失不大的前提下，减少了评价工作量 
  公共因子比主成分更容易被解释; 因子分析的评价结果没有主成分分析准确; 因子分析比主成分分析的计算工作量大 
  主成分分析仅仅是变量变换，而因子分析需要构造因子模型。 
  主成分分析:原始变量的线性组合表示新的综合变量，即主成分； 
  因子分析：潜在的假想变量和随机影响变量的线性组合表示原始变量。 
  
   问题八：在因子分析中计算变量共同度的目的是可以反映什么  所提供公因子可以解释原始变量的方差程度。 
  
   问题九：因子分析常用来解决什么问题，目标是什么  主要是用来寻找指标变了共同的潜变量或称公因子，然后用公因子进行后续的各项分析，达到降维的目的。（南心网为您解决SPSS因子分析问题）

8. 阐述因子分析的基本原理,及两种分析方法的本质区别

亲亲您好，1.因子分析法基本原理在对某一个问题进行论证分析时，采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而，这种方法不仅需要巨大的工作量，并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。这样我们就可以对原始的数据进行分类归并，将相关比较密切的变量分别归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。【摘要】
阐述因子分析的基本原理,及两种分析方法的本质区别【提问】
亲亲您好，1.因子分析法基本原理在对某一个问题进行论证分析时，采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而，这种方法不仅需要巨大的工作量，并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。这样我们就可以对原始的数据进行分类归并，将相关比较密切的变量分别归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。【回答】