factoran
因子分析
语法
描述
factoran
计算极大似然估计(企业)的因子载荷矩阵Λ因子分析模型
在哪里x是一个矢量观测变量,μ是一个常数向量的手段,Λ是常数d
——- - - - - -米
因子载荷矩阵,f是一个向量的独立,标准化的常见因素,然后呢e是一个向量的独立的特定因素。x,μ,e每个人都有长度d
。f长度米
。
另外,可以指定的因子分析模型
在哪里
是一个d
——- - - - - -d
对角矩阵的具体差异。
的使用factoran
和它的关系主成分分析
,请参阅进行因子分析考试成绩。
例子
人工数据的因子分析
创建一些伪随机的原始数据。
rng默认的%的再现性n = 100;X1 = 5 + 3 *兰德(n, 1);%因子1X2 = 20 - 5 *兰德(n, 1);%因子2
创建6个数据向量的原始数据,并添加随机噪声。
日元= 2 * X1 + 3 * X2 + randn (n, 1);Y2 = 4 * X1 + X2 + 2 * randn (n, 1);Y3 = X1, X2 + 3 * randn (n, 1);Y4 = 2 * X1 + 4 * X2 + 4 * randn (n, 1);日元= 3 * (X1 + X2) + 5 * randn (n, 1);日元= X1 - X2/2 + 6 * randn (n, 1);
创建一个数据矩阵的数据向量。
X = [Y1、Y2、Y3、Y4日元,日元);
从这个数据中提取两个因素矩阵X
使用factoran
。显示输出。
m = 2;(λ,psi, T,统计,F] = factoran (X, m);disp(λ)
0.8666 0.4828 0.8688 -0.0998 -0.0131 -0.5412 0.2150 0.8458 0.7040 0.2678 -0.0806 -0.2883
disp (psi)
0.0159 0.2352 0.7070 0.2385 0.4327 0.9104
disp (T)
0.8728 0.4880 0.4880 -0.8728
disp(统计)
loglike: -0.0531教育部:4 chisq: 5.0335 p: 0.2839
disp (F (1:10)):
1.8845 -0.6568 -0.1714 -0.8113 -1.0534 2.0743 1.0390 -1.1784 0.4309 0.9907 -1.1823 0.6570 -0.2129 1.1898 -0.0844 -0.7421 0.5854 -1.1379 0.8279 -1.9624
查看数据的相关矩阵。
corrX =。柯尔(X)。
corrX =6×61.0000 0.7047 -0.2710 0.5947 0.7391 -0.2126 0.7047 1.0000 0.0203 0.1032 0.5876 0.0289 -0.2710 0.0203 1.0000 -0.4793 -0.1495 0.1450 0.5947 0.1032 -0.4793 1.0000 0.3752 -0.2134 0.7391 0.5876 -0.1495 0.3752 1.0000 -0.2030 -0.2126 0.0289 0.1450 -0.2134 -0.2030 1.0000
比较corrX
返回相应的值factoran
,λ*λ' +诊断接头(psi)
。
C0 =λ*λ' +诊断接头(psi)
C0 =6×61.0000 0.7047 -0.2726 0.5946 0.7394 -0.2091 0.7047 1.0000 0.0426 0.1023 0.5849 -0.0413 -0.2726 0.0426 1.0000 -0.4605 -0.1542 0.1571 0.5946 0.1023 -0.4605 1.0000 0.3779 -0.2611 0.7394 0.5849 -0.1542 0.3779 1.0000 -0.1340 -0.2091 -0.0413 0.1571 -0.2611 -0.1340 1.0000
factoran
获得λ
和ψ
密切对应的原始数据的相关矩阵。
不使用旋转查看结果。
(λ,psi, T,统计,F] = factoran (X, m,“旋转”,“没有”);disp(λ)
0.9920 0.0015 0.7096 0.5111 -0.2755 0.4659 0.6004 -0.6333 0.7452 0.1098 -0.2111 0.2123
disp (psi)
0.0159 0.2352 0.7070 0.2385 0.4327 0.9104
disp (T)
1 0 0 1
disp(统计)
loglike: -0.0531教育部:4 chisq: 5.0335 p: 0.2839
disp (F (1:10)):
1.3243 1.4929 -0.5456 0.6245 0.0928 -2.3246 0.3318 1.5356 0.8596 -0.6544 -0.7114 -1.1504 0.3947 -1.1424 -0.4358 0.6065 -0.0444 1.2789 -0.2350 2.1169
只使用的协方差矩阵计算因素X
。
X2 = X (X);[lambda2 psi2, T2, stats2] = factoran (X2, m,“Xtype”,协方差的,“脑袋”,n)
lambda2 =6×20.8666 0.4828 0.8688 -0.0998 -0.0131 -0.5412 0.2150 0.8458 0.7040 0.2678 -0.0806 -0.2883
psi2 =6×10.0159 0.2352 0.7070 0.2385 0.4327 0.9104
T2 =2×20.8728 0.4880 0.4880 -0.8728
stats2 =结构体字段:loglike: -0.0531教育部:4 chisq: 5.0335 p: 0.2839
结果与原始数据是一样的,除了factoran
无法计算因子得分矩阵F
协方差数据。
估计因子载荷和阴谋
加载示例数据。
负载carbig
定义变量矩阵。
X =(加速度位移马力MPG重量);X = X(所有(~ isnan (X), 2),:);
使用最小均方误差估计因子载荷预测两个共同因素的因子分析。
(λ,Psi, T,统计,F] = factoran (X 2“分数”,“回归”);发票(T ' * T);%估计的相关矩阵F = =眼(2)λ*λ' +诊断接头(Psi);%估计相关矩阵λ*发票(T);%不旋转载荷F * T ';%不旋转因子得分
创建一个biplot两个因素。
biplot(λ,“线宽”2,“MarkerSize”,20)
使用协方差估计因子载荷矩阵(或相关)。
(λ,Psi, T) = factoran (X (X), 2,“Xtype”,协方差的)
λ=5×2-0.2432 -0.8500 0.8773 0.3871 0.7618 0.5930 -0.7978 -0.2786 0.9692 0.2129
ψ=5×10.2184 0.0804 0.0680 0.2859 0.0152
T =2×20.9476 0.3195 0.3195 -0.9476
(你可以使用corrcoef (X)
而不是X (X)
创建的数据factoran
)。虽然估计是相同的,使用原始数据的协方差矩阵,而不是阻止你请求成绩或显著性水平。
使用电子产品品牌旋转。
(λ,Psi, T,统计,F] = factoran (X 2“旋转”,的电子产品品牌,“权力”4);发票(T ' * T)% F的估计相关,不再眼睛(2)
ans =2×21.0000 -0.6391 -0.6391 1.0000
λ*发票(T ' * T *λ+诊断接头(Psi)X %估计的相关性
ans =5×51.0000 -0.5424 -0.6893 0.4309 -0.4167 -0.5424 1.0000 0.8979 -0.8078 0.9328 -0.6893 0.8979 1.0000 -0.7730 0.8647 0.4309 -0.8078 -0.7730 1.0000 -0.8326 -0.4167 0.9328 0.8647 -0.8326 1.0000
情节不旋转变量斜轴重叠。
invT =发票(T);Lambda0 =λ* invT;图()行([-invT (1, 1) invT(1, 1)南-invT (2, 1) invT (2, 1)]。…[-invT (1、2) invT(1、2)南-invT (2, 2) invT (2, 2)),…“颜色”,“r”,“线宽”,2)网格在持有在biplot (Lambda0“线宽”2,“MarkerSize”(20)包含不旋转的载荷因子1 ')ylabel (不旋转的载荷因子2》)
情节对斜轴旋转变量。
图()biplot(λ,“线宽”2,“MarkerSize”,20)
输入参数
X
- - - - - -数据
矩阵
数据,指定为一个n
——- - - - - -d
矩阵,每一行是一个观察d
变量。
数据类型:双
米
- - - - - -一些常见的因素
正整数
数量的常见因素,指定为一个正整数。
例子:3
数据类型:双
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:λ= factoran (X, m,‘开始’,10日,“分数”,“汤姆森”)
指定使用的起点预测方法的具体差异10和汤森因子得分。
Xtype
- - - - - -输入数据类型
“数据”
(默认)|协方差的
输入数据类型X
,指定为逗号分隔两人组成的“Xtype”
和下列之一:
“数据”
- - - - - -X
是原始数据。协方差的
- - - - - -X
是一个正定协方差或相关矩阵。
例子:“Xtype”、“协方差的
数据类型:字符
|字符串
分数
- - - - - -方法预测因子得分
“wls”
或同等“Bartlett”
(默认)|“回归”
或同等“汤姆森”
方法预测因子得分,指定为逗号分隔组成的“分数”
和下列之一:
“wls”
或同等“Bartlett”
加权最小二乘估计治疗F
作为固定“回归”
或同等“汤姆森”
-最小均方误差预测,相当于一个岭回归
例子:“分数”、“回归”
数据类型:字符
|字符串
开始
- - - - - -起始点具体的差异ψ
在最大似然优化
“Rsquared”
(默认)|“随机”
|正整数|矩阵d
行
起点的具体差异ψ
在最大似然优化,指定为逗号分隔组成的“开始”
和下列之一:
“Rsquared”
——选择初始向量作为比例因子乘以诊断接头(发票(corrcoef (X)))
(默认)。有关示例,请参见Joreskog[2]。“随机”
——选择d
均匀分布区间[0,1]上的值。正整数——执行给定数量的最大似然适合每个初始化一样
“随机”
。factoran
返回符合最高的可能性。矩阵
d
行——执行一个最大似然适合指定的矩阵的每一列。factoran
初始化我
th优化值我
列。
例子:‘开始’,5
数据类型:双
|字符
|字符串
旋转
- - - - - -方法用于旋转因子载荷和分数
“最大方差法”
(默认)|“没有”
|“quartimax”
|“equamax”
|“parsimax”
|“orthomax”
|的电子产品品牌
|“普罗克汝斯忒斯之
|“模式”
|函数处理
方法用于旋转因子载荷和分数,指定为逗号分隔组成的“旋转”
下表中的值。你可以控制的旋转通过指定额外的参数名称-值对rotatefactors
功能,如表所示。有关详细信息,请参见rotatefactors
。
价值 | 描述 |
---|---|
|
执行没有旋转 |
|
特殊情况的 |
|
正交旋转,最大化准则基于载荷的方差。使用 |
|
orthomax旋转的特殊情况。使用 |
|
执行一个斜旋转(默认)或正交旋转矩阵最佳匹配指定的模式。使用 |
|
执行一个斜旋转(默认)或正交旋转最佳匹配指定的目标矩阵最小二乘意义上的。使用 |
|
普罗克汝斯忒斯执行一个斜旋转目标矩阵所决定 |
|
特殊情况的 |
|
特殊情况的 |
函数处理 |
函数句柄旋转函数的形式 [B、T] = myrotation (A,…) 在哪里 使用 |
例子:(λ,psi, T) = factoran (X, m,“旋转”,“电子产品品牌”,“权力”,5,麦克斯特,100)
数据类型:字符
|字符串
|function_handle
δ
- - - - - -下界的ψ
在最大似然优化
0.005
(默认)|标量在0和1之间
OptimOpts
- - - - - -最大似然的选择优化
[]
(默认)|结构由statset
最大似然优化选项,指定为逗号分隔两人组成的“OptimOpts”
和创建的结构statset
。您可以输入statset (“factoran”)
选项列表中,也下表中描述。
字段名(statset 论点) |
意义 | {默认值} |
---|---|---|
“显示” |
数量的信息显示的算法 |
|
MaxFunEvals |
允许的最大数量的目标函数评估 |
正整数,{400} |
麦克斯特 |
允许的最大迭代数 |
正整数,{100} |
TolFun |
终止对目标函数的值。解算器停止当连续函数值小于 |
积极的标量,{1 e-8} |
TolX |
终止对参数。解算器停止当连续参数值小于 |
积极的标量,{1 e-8} |
例子:statset(“显示”、“iter”)
数据类型:结构体
输出参数
ψ
——具体的差异
向量
具体的差异,作为一个返回d
——- - - - - -1
向量。d
数据矩阵的列数吗X
。的条目ψ
最大似然估计。
统计数据
——共同因素的信息
结构
信息的共同因素,作为一个结构返回。统计数据
包含有关信息零假设H0的共同因素米
。
统计数据
包含以下字段。
场 | 描述 |
---|---|
loglike |
最大化loglikelihood价值 |
教育部 |
误差自由度= |
chisq |
近似卡方统计量为零假设 |
p |
右尾零假设的显著性水平 |
factoran
不计算chisq
和p
领域,除非教育部
积极的和特定的方差估计在吗ψ
是积极的(见海伍德案件)。如果X
协方差矩阵和你想要的吗factoran
计算chisq
和p
字段,然后还必须指定“脑袋”
名称-值对的论点。
更多关于
海伍德案件
如果元素ψ
的值是相等的δ
参数(也就是说,他们基本上是零),适合称为海伍德案,解释产生的估计是有问题的。具体来说,可以有多个局部极大值的可能性,每个都有不同的载荷和特定的方差的估计。海伍德案件可以表明过度拟合(米
太大),但也可以underfitting的结果。
旋转因子载荷和分数
用户定义的旋转功能
附加参数传递给用户定义的语法旋转函数是:
(λ,Psi, T) =…factoran (X, 2,“旋转”@myrotation,“UserArgs”,1“两个”);
引用
[1]哈曼,哈利贺拉斯。现代的因素分析。第三。芝加哥:芝加哥大学出版社,1976年。
[2]Joreskog, k . g .“一些贡献最大似然因素分析。”心理测量学32岁的没有。4(1967年12月):443 - 82。https://doi.org/10.1007/BF02289658
[3]·罗莉,d . N。,一个。E. Maxwell.因子分析的统计方法。第二版。纽约:美国爱思唯尔出版有限公司,1971年。
扩展功能
高大的数组
计算和数组的行比装入内存。
pcacov
和factoran
不要直接在高大的数组。相反,使用C =收集(X (X))
计算协方差矩阵的一个高大的数组。然后,您可以使用pcacov
或factoran
内存中的协方差矩阵。或者,您可以使用主成分分析
直接在一个高大的数组。
有关更多信息,请参见高内存不足数据数组。
版本历史
之前介绍过的R2006a
打开举例
你们possedez一个版本modifiee de cet(中央东部东京)为例。Souhaitez-vous打开cet(中央东部东京)为例用vos修改吗?
对MATLAB
你们有派对在联合国留置权,对应这个对MATLAB:
倒实行la对saisissez-la在fenetre德对MATLAB。Les navigateurs web不sup金宝appportent Les MATLAB命令。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。