因子分析方法

因子分析法和主成分分析法的区别与联系~

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可直接保存因子得分及综合得分，不需要手动计算。

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

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。

1. KMO检验
KMO（Kaiser-Meyer-Olkin）检验是多元统计的因子分析中用于检验变量是否适合采用因子分析的方法，是度量因子分析效率的基本测度。KMO检验的统计量是变量之间相关系数与其偏相关系数的比值。
2. Bartlett检验
Bartlett检验（Bartlett Test）又称为Bartlett球形检验（Bartlett Test of Sphericity）。Bartlett检验与KMO检验类似，也是通过检验变量之间的相关性来判断是否适合采用因子分析的一种方法。
3. 累积方差贡献率
在因子分析中，采用正交旋转方式，依据方差最大化原则，构建了一组新的线性组合来表示原有的变量，并按照特征值大于1的标准来确定主要线性组合的个数，从而以较少的主要线性组合来反映原始变量变异的主要部分，这些特征值大于1的主要的线性组合便是主因子。
4. 探索性因子分析
探索性因子分析（EFA）是基于因子分析的一种社会调查的因素分析方法。

---

因子分析方法视频