因子分析是哪时候的方法

Ⅰ 因子分析法和主成分分析法的区别与联系是什么

联系:因子分析法和主成分分析法都是统计分析方法，都要对变量标准化，并找出相关矩阵。区别:在主成分分析中，最终确定的新变量是原始变量的线性组合，因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系。
1.因子分析法通过正交变换，将一组可能具有相关性的变量转换为一组线性不相关的变量，称为主成分。它主要用于市场研究领域。在市场研究中，研究人员关注一些研究指标的整合或组合。这些概念通常通过分数来衡量。人口学、数量地理学、分子动力学模拟、数学建模、数学分析等学科。因子分析和主成分分析都是统计分析方法，都需要对变量进行标准化，找出相关矩阵。
2.因子分析可以在许多变量中发现隐藏的代表性因素。主成分分析的原理是尝试将原始变量重新组合成一组新的独立综合变量。因子分析在主成分分析的基础上增加了一个旋转函数。这种轮换的目的是更容易地命名和解释因素的含义。如果研究的重点是指标与分析项目之间的对应关系，或者想要对得到的指标进行命名，建议使用因子分析。
3.主成分分析法是根据实际需要，尽量选取尽可能少的求和变量，以反映原始变量的信息。这种统计方法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。主成分分析试图用一套新的不相关的综合指标取代原有指标。因子分析是社会研究的有力工具，但它不能确定一项研究中有多少因素。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。
拓展资料:霍特林将这种方法推广到随机向量的情况。信息的大小通常由方差或方差的平方和来衡量。因子分析最早由英国心理学家C.E.斯皮尔曼提出。他发现学生在不同科目的成绩之间有一定的相关性。一门学科成绩好的学生往往在其他学科成绩更好，因此他推测是否有一些潜在的共同因素或一些一般的智力条件影响学生的学业成绩。

Ⅱ 16种常用的数据分析方法-因子分析

因子分析法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。 

是一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法

基本思想

根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构一即公共因子。

为什么做因子分析

举例说明：在实际门店问题中，往往我们会选择潜力最大的门店作为领航店，以此为样板，实现业绩和利润的突破及未来新店的标杆。选择领航店过程中我们要注重很多因素，比如：

↘所在小区的房价

↘总面积

↘户主年龄分布

↘小区户数

↘门店面积

↘2公里范围内竞争门店数量等

收集到所有的这些数据虽然能够全面、精准的确定领航店的入选标准，但实际建模时这些变量未必能够发挥出预期的作用。主要体现两方面：计算量的问题；变量间的相关性问题。

这时，最简单直接的方案就是削减变量个数，确定主要变量，因子分析以最少的信息丢失为前提，将众多的原有变量综合成少数的综合指标。

因子分析特点

因子个数远小于变量个数；

能够反应原变量的绝大数信息；

因子之间的线性关系不显着；

因子具有命名解释性

因子分析步骤

1.原有变量是否能够进行因子分析；

2.提取因子；

3.因子的命名解释；

4.计算因子得分；五、综合评价

因子与主成分分析的区别

相同：都能够起到处理多个原始变量内在结构关系的作用

不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法

因子分析可以看做是优化后的主成分分析，两种方法有很多共通的地方，但应用方面各有侧重。

因子分析应用场景

因子分析方法主要用于三种场景，分别是：

l 信息浓缩 ：将多个分析项浓缩成几个关键概括性指标。比如将多个问卷题浓缩成几个指标。如果偏重信息浓缩且关注指标与分析项对应关系，使用因子分析更为适合。

l 权重计算 ：利用方差解释率值计算各概括性指标的权重。在信息浓缩的基础上，可进一步计算每个主成分/因子的权重，构建指标权重体系。

l 综合竞争力 ：利用成分得分和方差解释率这两项指标，计算得到综合得分，用于综合竞争力对比（综合得分值越高意味着竞争力越强）。此类应用常见于经济、管理类研究，比如上市公司的竞争实力对比。

因子分析案例

现在有 12 个地区的 5 个经济指标调查数据（总人口、学校校龄、总雇员、专业服务、中等房价），为对这 12 个地区进行综合评价，请确定出这 12 个地区的综合评价指标。（ 综合竞争力应用场景 ）

同一指标在不同地区是不同的，用单一某一个指标难以对12个地区进行准确的评价，单一指标只能反映地区的某一方面。所以，有必要确定综合评价指标，便于对比。因子分析方法就可以应用在这个案例中。

5 个指标即为我们分析的对象，我们希望从这5个可观测指标中寻找出潜在的因素，用这些具有综合信息的因素对各地区进行评价。

下图spss因子分析的操作界面主要包括5方面的选项，变量区只能选择数值型变量，分类型变量不能进入该模型。

spss软件为了消除不同变量间量纲和数量级对结果的影响，在该过程中默认自动进行标准化处理，因此不需要对这些变量提前进行标准化处理。

 

描述统计选项卡

希望看到各变量的描述统计信息，要对比因子提取前后的方差变化，选定“单变量描述性”和“原始分析结果”；

现在是基于相关矩阵提取因子，所以，选定相关矩阵的“系数和显着性水平“，

另外，比较重要的还有 KMO 和球形检验，通过KMO值，我们可以初步判断该数据集是否适合采用因子分析方法，kmo结果有时并不会出现，这主要与变量个数和样本量大小有关。

 

 

抽取选项卡:在该选项卡中设置如何提取因子

提取因子的方法有很多，最常用的就是主成分法。

因为参与分析的变量测度单位不同，所以选择“相关矩阵”，如果参与分析的变量测度单位相同，则考虑选用协方差矩阵。

经常用到碎石图对于判断因子的个数很有帮助，一般都会选择该项。关于特征值，一般spss默认只提取特征值大于1的因子。收敛次数比较重要，可以从首次结果反馈的信息进行调整。

 

 

因子旋转选项卡

因子分析要求对因子给予命名和解释，是否对因子旋转取决于因子的解释。

旋转就是坐标变换，使得因子系数向1 和 0 靠近，对公因子的命名和解释更加容易。旋转方法一般采用”最大方差法“即可，输出旋转后的因子矩阵和载荷图，对于结果的解释非常有帮助。

如果不经旋转因子已经很好解释，那么没有必要旋转，否则，应该旋转。

 

 

保存因子得分

要计算因子得分就要先写出因子的表达式。因子是不能直接观察到的，是潜在的。但是可以通过可观测到的变量获得。

因子分析模型是原始变量为因子的线性组合，现在我们可以根据回归的方法将模型倒过来，用原始变量也就是参与分析的变量来表示因子。从而得到因子得分。因子得分作为变量保存，对于以后深入分析很有用处。

 

结果解读：验证数据是否适合做因子分析

参考kmo结果，一般认为大于0.5，即可接受。同时还可以参考相关系数，一般认为分析变量的相关系数多数大于 0.3，则适合做因子分析；

KMO=0.575 检验来看，不是特别适合因子分析，基本可以通过。

 

 

结果解读：因子方差表

提取因子后因子方差的值均很高，表明提取的因子能很好的描述这 5 个指标。

方差分解表表明，默认提取的前两个因子能够解释 5 个指标的 93.4%。碎石图表明，从第三个因子开始，特征值差异很小。综上，提取前两个因子。

 

 

 

 

结果解读：因子矩阵

旋转因子矩阵可以看出，经旋转后，因子便于命名和解释。

因子 1主要解释的是中等房价、专业服务项目、中等校平均校龄，可以命名为社会福利因子；

因子 2 主要解释的是其余两个指标，总人口和总雇员。可以命名为人口因子。

因子分析要求最后得到的因子之间相互独立，没有相关性，而因子转换矩阵显示，两个因子相关性较低。可见，对因子进行旋转是完全有必要的。

 

结果解读：因子系数

因子得分就是根据这个系数和标准化后的分析变量得到的。在数据视图中可以看到因子得分变量。

结论

经过因子分析实现了目的，找到了两个综合评价指标，人口因子和福利因子。

从原来的 5 个指标挖掘出 2 个潜在的综合因子。可以对12 个地区给出客观评价。

 

 

 

可以根据因子1或因子2得分，对这12个地区进行从大到小排序，得分高者被认为在这个维度上有较好表现。

Ⅲ 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）。

Ⅳ 关于spss效度分析，因子分析

1，这是因子分析的第一步。你的kmo大于0.5，sig小于0.05，说明你的数据可以做因子分析。也就 是说你紧跟在下边的报表是有意义的。
2，效度分析要看旋转矩阵，这个问题很复杂，建议你找一下旋转矩阵怎么看的资料学习一下。
总之你的维度要在选转矩阵上分开，这样效度就通过了，
3，近似卡方值和自由度不用管。
ppv课学习网站

Ⅳ 因子分析法（FA）

3.2.1.1 技术原理

因子分析是研究相关阵或协方差阵的内部依赖关系，它将多个变量综合为少数几个因子，以再现原始变量与因子之间的相关关系。R型因子分析研究变量（指标）之间的相关关系，通过对变量的相关阵或协方差阵内部结构的研究，找出控制所有变量的几个公共因子（或称主因子、潜因子），用以对变量或样品进行分类；Q型因子分析研究样品之间的相关关系，通过对样品的相似矩阵内部结构的研究找出控制所有样品的几个主要因素（或称主因子）这两种因子分析的处理方法一样，只是出发点不同。R型从变量的相关阵出发，Q型从样品的相似矩阵出发。对一批观测数据，可以根据实际问题的需要来决定采用哪一种类型的因子分析。

对多变量的平面数据进行最佳综合和简化，即在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理。可以通过下面的数学模型来表示：

地下水型饮用水水源地保护与管理：以吴忠市金积水源地为例

式中：x₁，x₂，…，x_i是p个原有变量，是均值为零、标准差为1的标准化变量，经过降维处理，p个变量可以综合成m个新指标 F₁，F₂，…，F_m，且 x 可由 F_m线性表示出，即：x＝AF+ε，其中矩阵A＝（α_ij）_p×m，为因子载荷矩阵，a_ij统计学中称为“权重”。

地下水型饮用水水源地保护与管理：以吴忠市金积水源地为例

式中：A是第i个原有变量在第j个因子变量上的负荷，公共因子矩阵F＝（F₁，F₂，…，F_m），特殊因子矩阵ε＝（ε₁，ε₂，…，ε_i）^T，表示了原有变量不能被因子变量所解释的部分，相当于多元回归分析中的残差部分。

因子载荷矩阵A中各行元素的平方和，称为变量共同度，是全部公共因子对变量X_i的总方差所作出的贡献，称为公因子方差，表明x_i对公共因子F₁，F₂，…，F_m的共同依赖程度。

地下水型饮用水水源地保护与管理：以吴忠市金积水源地为例

因子载荷矩阵A中各列元素的平方和，记为

：

地下水型饮用水水源地保护与管理：以吴忠市金积水源地为例

式中：

的统计意义与

恰好相反，

表示第j个公共因子F_j对X的所有分量x₁，…，x_p的总影响，称为第j个公共因子F_j对x的贡献，它是衡量第j个公共因子相对重要性的指标。目前用于估计A的方法主要有主因成分法、主因子解和极大似然法。

3.2.1.2 技术流程

（1）数据合理性检验

因子分析的应用要求原始变量之间有较强的相关关系，因此，在分析之前，首先需要对数据进行相关性分析，最简单的方法就是计算变量之间的相关系数矩阵。如果相关系数矩阵在进行统计检验中，大部分都小于0.3，那么这些变量就不适合进行因子分析。SPSS常用的统计检验方法有巴特利特球形检验、反映像相关矩阵检验和KMO检验。

巴特利特球形检验（Bartlett Test of Sphericity），若检验统计量较大，则认为原始数据间存在相关性，适合进行因子分析，否则不适合。

反映像相关矩阵检验（Anti-image Correlation Matrix），反映像相关矩阵中元素的绝对值比较大，那么说明这些变量不适合做因子分析。

KMO（Kaiser Meyer Olkin）检验如表3.1。

表3.1 KMO检验标准表

（2）构造因子变量

构造因子变量的方法有很多种，如基于主成分模型的主成分分析法和基于因子分析模型的主轴因子法、极大似然法、最小二乘法等。

（3）利用旋转使得因子变量更具有可解释性

载荷矩阵A中某一行可能有多个a_ij比较大，说明某个原有变量可能同时与几个因子有比较大的相关关系；同时载荷矩阵A中某一列中也可能有多个a_ij较大，说明某个因子变量可能解释多个原变量的信息，但它只能解释某个变量一小部分信息，不是任何一个变量的典型代表，会使某个因子变量的含义模糊不清。在实际分析中，希望对因子变量的含义有比较清楚的认识，这时，可以通过因子矩阵的旋转来进行。旋转的方式有正交旋转、斜交旋转、方差极大法，其中最常用的是方差极大法。

（4）计算因子变量的得分

计算因子得分首先将因子变量表示为原有变量的线性组合，即：

F_m＝β_m1x₁+β_m2x₂+…+β_mix_i （3.5）

估计因子得分的方法有回归法、Bar-tlette法、Anderson-Rubin 法等。默认取特征值大于1的公因子或累计贡献率大于85%（70%或90%）的最小正整数的因子（图3.2）。

图3.2 技术流程图

3.2.1.3 适用范围

因子分析是研究相关阵或协方差阵的内部依赖关系，它将多个变量综合为少数几个因子，以再现原始变量与因子之间的相关关系。FA法使用简单，不需要研究地区优先源的监测数据，在缺乏污染源成分谱的情况下仍可解析，并可广泛使用统计软件处理数据。其不足之处在于需要输入大量数据，而且只能得到各类元素对主因子的相对贡献百分比。

Ⅵ 什么是spss因子分析方法

因子分析
1输入数据。
2点Analyze 下拉菜单，选Data Rection 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 Components，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

Ⅶ 因子分析法的概念

1.主成分分析
主成分分析主要是一种探索性的技术，在分析者进行多元数据分析之前，用他来分析数据，让自己对数据有一个大致的了解，这是非常有必要的。主成分分析一般很少单独使用：a、了解数据。（screening the data），b、和cluster analysis（聚类分析）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分对变量简化（rece 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。
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各变量的线性组合。
2、主成分分析的重点在于解释各变量的总方差，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，主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。
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，这种情况也可以使用因子得分做到。所以这种区分不是绝对的。
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再是变量的方差，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）。
2.聚类分析（Cluster Analysis)
聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类的分析技术。
在市场研究领域，聚类分析主要应用方面是帮助我们寻找目标消费群体，运用这项研究技术，我们可以划分出产品的细分市场，并且可以描述出各细分市场的人群特征，以便于客户可以有针对性的对目标消费群体施加影响，合理地开展工作。
3.判别分析（Discriminatory Analysis)
判别分析（Discriminatory Analysis）的任务是根据已掌握的1批分类明确的样品，建立较好的判别函数，使产生错判的事例最少，进而对给定的1个新样品，判断它来自哪个总体。根据资料的性质，分为定性资料的判别分析和定量资料的判别分析；采用不同的判别准则，又有费歇、贝叶斯、距离等判别方法。
费歇（FISHER）判别思想是投影，使多维问题简化为一维问题来处理。选择一个适当的投影轴，使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是：使每一类内的投影值所形成的类内离差尽可能小，而不同类间的投影值所形成的类间离差尽可能大。贝叶斯（BAYES）判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。所谓先验概率，就是用概率来描述人们事先对所研究的对象的认识的程度；所谓后验概率，就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。
距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式，将各样品数据逐一代入计算，得出各样品与各母体之间的距离值，判样品属于距离值最小的那个母体。
4.对应分析（Correspondence Analysis)
对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。
运用这种研究技术，我们可以获取有关消费者对产品品牌定位方面的图形，从而帮助您及时调整营销策略，以便使产品品牌在消费者中能树立起正确的形象。
这种研究技术还可以用于检验广告或市场推广活动的效果，我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。
5.典型相关分析
典型相关分析是分析两组随机变量间线性密切程度的统计方法，是两变量间线性相关分析的拓广。各组随机变量中既可有定量随机变量，也可有定性随机变量（分析时须F6说明为定性变量）。本法还可以用于分析高维列联表各边际变量的线性关系。
注意
1．严格地说，一个典型相关系数描述的只是一对典型变量之间的相关，而不是两个变量组之间的相关。而各对典型变量之间构成的多维典型相关才共同揭示了两个观测变量组之间的相关形式。
2．典型相关模型的基本假设和数据要求
要求两组变量之间为线性关系，即每对典型变量之间为线性关系；
每个典型变量与本组所有观测变量的关系也是线性关系。如果不是线性关系，可先线性化：如经济水平和收入水平与其他一些社会发展水之间并不是线性关系，可先取对数。即log经济水平，log收入水平。
3．典型相关模型的基本假设和数据要求
所有观测变量为定量数据。同时也可将定性数据按照一定形式设为虚拟变量后，再放入典型相关模型中进行分析。
6.多维尺度分析（Multi-dimension Analysis)
多维尺度分析（Multi-dimension Analysis) 是市场研究的一种有力手段，它可以通过低维空间（通常是二维空间）展示多个研究对象（比如品牌）之间的联系，利用平面距离来反映研究对象之间的相似程度。由于多维尺度分析法通常是基于研究对象之间的相似性（距离）的，只要获得了两个研究对象之间的距离矩阵，我们就可以通过相应统计软件做出他们的相似性知觉图。
在实际应用中，距离矩阵的获得主要有两种方法：一种是采用直接的相似性评价，先将所有评价对象进行两两组合，然后要求被访者所有的这些组合间进行直接相似性评价，这种方法我们称之为直接评价法；另一种为间接评价法，由研究人员根据事先经验，找出影响人们评价研究对象相似性的主要属性，然后对每个研究对象，让被访者对这些属性进行逐一评价，最后将所有属性作为多维空间的坐标，通过距离变换计算对象之间的距离。
多维尺度分析的主要思路是利用对被访者对研究对象的分组，来反映被访者对研究对象相似性的感知，这种方法具有一定直观合理性。同时该方法实施方便，调查中被访者负担较小，很容易得到理解接受。当然，该方法的不足之处是牺牲了个体距离矩阵，由于每个被访者个体的距离矩阵只包含1与0两种取值，相对较为粗糙，个体距离矩阵的分析显得比较勉强。但这一点是完全可以接受的，因为对大多数研究而言，我们并不需要知道每一个体的空间知觉图。
多元统计分析是统计学中内容十分丰富、应用范围极为广泛的一个分支。在自然科学和社会科学的许多学科中，研究者都有可能需要分析处理有多个变量的数据的问题。能否从表面上看起来杂乱无章的数据中发现和提炼出规律性的结论，不仅对所研究的专业领域要有很好的训练，而且要掌握必要的统计分析工具。对实际领域中的研究者和高等院校的研究生来说，要学习掌握多元统计分析的各种模型和方法，手头有一本好的、有长久价值的参考书是非常必要的。这样一本书应该满足以下条件：首先，它应该是“浅入深出”的，也就是说，既可供初学者入门，又能使有较深基础的人受益。其次，它应该是既侧重于应用，又兼顾必要的推理论证，使学习者既能学到“如何”做，而且在一定程度上了解“为什么”这样做。最后，它应该是内涵丰富、全面的，不仅要基本包括各种在实际中常用的多元统计分析方法，而且还要对现代统计学的最新思想和进展有所介绍、交代。
主成分分析通过线性组合将原变量综合成几个主成分，用较少的综合指标来代替原来较多的指标（变量）。在多变量分析中，某些变量间往往存在相关性。是什么原因使变量间有关联呢？是否存在不能直接观测到的、但影响可观测变量变化的公共因子？因子分析法（Factor Analysis）就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。
例如，随着年龄的增长，儿童的身高、体重会随着变化，具有一定的相关性，身高和体重之间为何会有相关性呢？因为存在着一个同时支配或影响着身高与体重的生长因子。那么，我们能否通过对多个变量的相关系数矩阵的研究，找出同时影响或支配所有变量的共性因子呢？因子分析就是从大量的数据中“由表及里”、“去粗取精”，寻找影响或支配变量的多变量统计方法。
可以说，因子分析是主成分分析的推广，也是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。
因子分析主要用于：1、减少分析变量个数；2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。

Ⅷ 什么是因子分析法

因子分析法是指研究从变量群中提取共性因子的统计技术。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。
在市场调研中，研究人员关心的是一些研究指标的集成或者组合，这些概念通常是通过等级评分问题来测量的，如利用李克特量表取得的变量。每一个指标的集合（或一组相关联的指标）就是一个因子，指标概念等级得分就是因子得分。
因子分析在市场调研中有着广泛的应用，主要包括：
（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
在实际应用中，通过因子得分可以得出不同因子的重要性指标，而管理者则可根据这些指标的重要性来决定首先要解决的市场问题或产品问题。

Ⅸ 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。