因子分析，相较于主成分分析而言，通过对因子的旋转处理，使得我们可以更直观的认识到数据内部之间的关系，其目的即用有限个不可观测的因变量来解释原始变量间的相关关系。即用几个少数的综合因子来取代错综复杂关系的变量。 因子分析函数：factanal(x,factors,scores=”none”,rotation=”varimax”) 这个函数是基于极大似然方法求解 x为数据，矩阵或者数据框 factors为因子个数 scores为因子得分的计算方法，”regression”,”bartlett” rotation为因子旋转方法 自编因子分析函数：factpc(x,m,scores=”none”,rotation=”varimax”) 这个函数是基于主成分方法来求解的。 极大似然法要求数据来自多元正态分布，这一点一般是很难满足的。而主成分法没有正态总体的要求。 对于数据d9.1 水泥行业运营因素做因子分析。 输入： > x=read.table(clipboard,header=t) > cor(x) #计算相关系数矩阵 #极大似然法进行因子分析 > fa0=factanal(x,3,rotation=none) > fa0 call: factanal(x = x, factors = 3, rotation = none) uniquenesses: x1 x2 x3 x4 x5 x6 0.005 0.005 0.005 0.271 0.005 0.548 loadings: #因子载荷矩阵 factor1 factor2 factor3 x1 0.950 -0.307 x2 0.948 -0.310 x3 -0.340 -0.782 0.517 x4 0.363 0.561 -0.531 x5 0.454 0.693 0.556 x6 0.383 0.163 0.527 factor1 factor2 factor3 ss loadings 2.402 1.623 1.140 proportion var 0.400 0.271 0.190 #方差贡献率 cumulative var 0.400 0.671 0.861 #累计方差贡献率 the degrees of freedom for the model is 0 and the fit was 1.1422 #主成分法进行因子分析 > library(mvstats) > fa1=factpc(x,3) $vars #方差 方差贡献率 累计方差贡献率 vars vars.prop vars.cum factor1 2.570 0.4283 42.83 factor2 1.713 0.2855 71.38 factor3 1.249 0.2082 92.19 $loadings #载荷矩阵 factor1 factor2 factor3 x1 0.7829 0.5029 -0.3624 x2 0.7811 0.4964 -0.3756 x3 -0.5786 0.7685 0.0802 x4 0.5951 -0.6990 -0.2415 x5 0.6317 -0.1457 0.6557 x6 0.5084 0.3367 0.6943 $scores #因子得分 factor1 factor2 factor3 冀东水泥 1.10805 0.19287 -0.40233 大同水泥 -1.07195 1.46385 -0.37413 四川双马 -0.5857...
