[转帖]探索性因子分析法
<h3>什么是探索性因子分析？ 释义</h3><p>探索性因子分析法（Exploratory Factor Analysis，<span style="FONT-FAMILY: Arial;">EFA</span><span style="FONT-FAMILY: ËÎÌå;">）是一项用来找出多元观测变量的本质结构、并进行处理降维的技术。</span> 因而，<span style="FONT-FAMILY: Arial;">EFA</span><span style="FONT-FAMILY: ËÎÌå;">能够将将具有错综复杂关系的变量综合为少数几个核心因子。</span><br/><br/>案例： 您设定了一张查询表关于用户满意对民航产业(联合航空公司，三角洲，汉莎航空公司)。 您辨认30个项目描述和评估买的票的用户满意(即“空服员的休息室的检查便利”， “便利”， “环境”， “友善”， “履行的特别欲望”， “质量位子的食物在上”， “舒适”， “到来的特价优待例如飞行中电影”， “准确性”)。 通过利用EFA您在您分析的过程之内可以使套30个项目降低到强调您的套项目的两三个中央因素。 例如，你可以将购票的方便程度、登机检查的方便程度、候机室休憩环境、机上食品质量、座椅舒适程度、电影提供等特别服务视作潜在维度， 它们是航空公司经营航空业务、提供航空服务最为重要的考量因素。 此外，空服人员友好程度、特殊要求满足程度以及飞行的精确度，更似乎位于同一个流程维度。</p><p><br/>这就是说，<span style="FONT-FAMILY: Arial;">EFA</span><span style="FONT-FAMILY: ËÎÌå;">法就是要精确找出这些变量之间的本质结构——在上述例子中，就是要找出“潜在因子”和“流程因子”。</span> 在此分析基础之上，管理人员就能够有针对性地开展市场活动，通过关注“潜在因子”或是“流程因子”，来提高旅客满意度。 </p><h3>探索性因子分析法的起源。 历史</h3><p>因子分析法是两种分析形式的统一体， 即验证性分析和纯粹的探索性分析。 英国的心理学家Charles Spearman<span style="FONT-FAMILY: MS;">在1904年的时候，提出单一化的智能因子（</span><span style="FONT-FAMILY: Arial;">A Single Intellectual Factor</span><span style="FONT-FAMILY: MS;">）。</span> 随着试验的深入，大量个体样本被分析研究，<span style="FONT-FAMILY: Arial;">Spearman</span><span style="FONT-FAMILY: ËÎÌå;">的单一智能因子理论被证明是不充分的。</span> 同时，人们认识到有必要考虑多元因子。 20世纪30年代，瑞典心理学家<span style="FONT-FAMILY: Arial;">Thurstone</span><span style="FONT-FAMILY: ËÎÌå;">打破了流行的单因理论假设，大胆提出了多元因子分析（</span><span style="FONT-FAMILY: Arial;">Multiple Factor Analysis</span><span style="FONT-FAMILY: ËÎÌå;">）理论。</span> Thurstone在他的《心智向量》（<span style="FONT-FAMILY: Arial;">Vectors of Mind</span><span style="FONT-FAMILY: ËÎÌå;">，1935）一书中，阐述了多元因子分析理论的数学和逻辑基础。</span> </p><h3>探索性因子分析法的计算。 公式</h3><p>在运用<span style="FONT-FAMILY: Arial;">EFA</span><span style="FONT-FAMILY: ËÎÌå;">法的时候，可以借助统计软件（如</span><span style="FONT-FAMILY: Arial;">SPSS</span><span style="FONT-FAMILY: ËÎÌå;">或</span><span style="FONT-FAMILY: Arial;">SAS</span><span style="FONT-FAMILY: ËÎÌå;">）来进行数据分析。</span> </p><h3>探索性因子分析法的运用。 应用 </h3><ul><li>顾客满意度调查。 </li><li>服务质量调查。 </li><li>个性测试。 </li><li>形象调查。 </li><li>市场划分识别。 </li><li>顾客、产品及行为分类。 </li></ul><h3>探索性因子分析法的步骤。 流程</h3><p>一个典型的EFA流程如下：</p><ol><li>辨认、收集观测变量。 </li><li>获得协方差矩阵（或<span style="FONT-FAMILY: Arial;">Bravais</span><span style="FONT-FAMILY: ËÎÌå;">-</span><span style="FONT-FAMILY: Arial;">Pearson</span><span style="FONT-FAMILY: ËÎÌå;">的相似系数矩阵）</span></li><li>验证将用于<span style="FONT-FAMILY: Arial;">EFA</span><span style="FONT-FAMILY: ËÎÌå;">的协方差矩阵（显著性水平、反协方差矩阵、</span><span style="FONT-FAMILY: Arial;">Bartlett</span><span style="FONT-FAMILY: ËÎÌå;">球型测验、反图像协方差矩阵、</span><span style="FONT-FAMILY: Arial;">KMO</span><span style="FONT-FAMILY: ËÎÌå;">测度）。</span>
</li><li>选择提取因子法（主成分分析法、主因子分析法）。 </li><li>发现因素和因素装货。 因素装货是相关系数在可变物(列在表里)和因素(专栏之间在表里)。 </li><li>确定提取因子的个数（以<span style="FONT-FAMILY: Arial;">Kaiser</span><span style="FONT-FAMILY: ËÎÌå;">准则和</span><span style="FONT-FAMILY: Arial;">Scree</span><span style="FONT-FAMILY: ËÎÌå;">测试作为提取因子数目的准则）。</span>
</li><li>解释提取的因子（例如，在上述例子中即解释为“潜在因子”和“流程因子”）。 </li></ol><h3>探索性因子分析法的优势。 优点</h3><ul><li><span style="FONT-FAMILY: Arial;">EFA</span><span style="FONT-FAMILY: ËÎÌå;">法便于操作。</span>
</li><li>当调查问卷含有很多问题时，<span style="FONT-FAMILY: Arial;">EFA</span><span style="FONT-FAMILY: ËÎÌå;">法显得非常有用。</span>
</li><li><span style="FONT-FAMILY: Arial;">EFA</span><span style="FONT-FAMILY: ËÎÌå;">法既是其他因子分析工具的基础（如计算因子得分的回归分析），也方便与其他工具结合使用（如验证性因子分析法）。</span>
</li></ul><h3>探索性因子分析法的局限。 缺点</h3><ul><li>变量必须有区间尺度。 </li><li>沉降数值至少要要变量总量的3倍。 </li></ul><h3>探索性因子分析法的假定。 条件</h3><ul><li>对于主因子分析法来说，不存在异常值、等距值、线形值、多变量常态分配以及正交性等情况。 </li></ul><p class="S">参考书： Klaus Backhaus， Bernd Erichson， Wulff Plinke - Multivariate Analysemethoden -<img height="10" src="http://www.12manage.com/images/amazon-search.gif" width="33" border="0" alt=""/></p><p class="S">参考书： Joseph F Hair， Ronald L Tatham， Rolph E. Anderson， William Black - Multivariate Data Analysis -<img height="10" src="http://www.12manage.com/images/amazon-search.gif" width="33" border="0" alt=""/></p><p class="S">参考书： John C. Loehlin - Latent Variable Models -<img height="10" src="http://www.12manage.com/images/amazon-search.gif" width="33" border="0" alt=""/><font face="Arial" style="FONT-SIZE: 9pt;"><p> </p></font></p><p> </p>
页:
[1]