因子分析理论与案例
一、
因子分析原理
因子分析是一种将多变量化简的多元统计方法，它可以看作是主成份分析的推广。因子分析的目的是分解原始变量，从中归纳出潜在的“类别”，相关性较强的变量归为一类，不同类间的变量的相关性则较低。每类变量代表了一个“共同因子”，即一种内在结构（联系）。因子分析就是寻找这种内在结构（联系）的方法。
从全部计算过程来看作R 型因子分析与作Q 型因子分析都是一样的，只不过出发点不同，R 型从相关系数矩阵出发，Q 型从相似系数阵出发都是对同一批观测数据，可以根据其所要求的目的决定用哪一类型的因子分析。 （一）模型
主要模型形式：
(2)矩阵型式
（二）相关概念解释
⎥⎥⎥⎥⎥⎦
⎤
⎢⎢⎢⎢⎢⎣⎡+⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡p m pm p p m m p F F F a a a a a a a a a X X X εεε
21212
1
2222111211
21⎪⎪⎩⎪⎪⎨
⎧++++=++++=++++=p
m pm p p m m m m F a F a F a X F a F a F a X F a F a F a X εε
ε 222112
22221212112121111)1(展开式m 1m X A
F
+
p 1p m m 1p 11m p
2
Cov F 01
03D F I F F =1.
01ε
ε=
⨯⨯⨯⨯≤⎛⎫ ⎪
= ⎪ ⎪⎝⎭
简记为:（） ()() ()且满足：）) (,)=) ()=即不相关且方差
1、因子载荷
a ij 称为因子载荷（实际上是权数）。
因子载荷的统计意义：就是第i 个变量与第j 个公共因子的相关系数，即表示变量xi 依赖于Fj 的份量（比重），心理学家将它称为载荷。
2、变量共同度
3、方差贡献率
方差贡献率指的是公因子对于自变量的每一分量所提供的方差总和，它是衡量公因子相对重要程度的指标。通常情况下，我们将因子载荷矩阵的所有方差贡献率计算出来并按照大小排序，从而提炼出最具影响力的因子。
二、
主要计算方法及步骤
（一）方法说明
1、因子载荷矩阵估计方法
因子载荷的求解方法主要有主成分法，主轴因子旋转法和极大似然法。主成分法指在进行因子分析之前先对数据进行主成分分析，把前几个主成分作为未旋转的公因子，但是此种方法得到的特殊因子间并不相互独立，当变量的共同度较大时，特殊因子所起的作用较小，它们之间的相关性可以忽略。
主轴因子法与主成分分析方法类似，都是都分析矩阵的结构入手，主轴因子
i m
22
i
ij j 1i i11i22im m i
22
i i11im m i 222
2
i1i2im i 22
i i 22i i i X A i h a i 1,,p X a F +a F ++a F +Var X a Var F a Var F Var a a a h X 1h εεσσσ====++++=+=+∑ 变量的共同度——因子载荷阵中第行元素的平方和，即：为了说明他的统计意义，将下式两边求方差，即（）=（）++（）+（）
=由于已经标准化了，所以有：
法的不同之处在于，其假定m 个公因子只能解释原始变量的部分方差，利用变量共同度来代替相关矩阵中对角元素1，并以新矩阵为出发点求解特征值和特征向量。
极大似然估计法假定公因子与特殊因子服从正态分布，通过构造似然函数求因子载荷和特殊因子方差的极大似然估计。
2、因子旋转
因子分析的目的不仅是找出主因子，更重要的是知道每个主因子的意义。主因子的意义是根据主因子与可观测变量Xi 的关系来确定的。因此希望主因子Fj 对Xi （i=1,2,…,p ）的载荷平方,有的值很大,有的值很小,(向0,1两极分化)，因子载荷矩阵的这种特征称“因子简单结构”。
但是用上述方法所求出的主因子解，初始因子载荷矩阵并不满足“简单结构准则”，各因子的典型代表变量不很突出，因而容易使因子的意义含糊不清，不便于对因子进行解释。为此须对因子载荷矩阵施行旋转，因子轴方差最大正交旋转的目的即使因子载荷矩阵成为“简单结构”的因子载荷矩阵。使得因子载荷的平方按列向0和1两极转化，较大的载荷值只集中在少数X 变量上,达到其结构简化的目的。易于因子命名。
经过旋转后，主因子对Xi 的方差贡献（变量共同度）并不改变，但各主因子的方差贡献可能有较大的改变，即不再与原来相同，因此，可以通过适当的旋转求得令人满意的主因子。
为了对公因子F 能够更好的解释，可通过因子旋转的方法得到一个好解释的公因子。
所谓对公因子更好解释，就是使每个变量仅在一个公因子上有较大的载荷，而在其余的公因子上的载荷比较小。这种变换因子载荷的方法称为因子轴的旋转。因子旋转的方法很多，常用的为方差最大正交旋转。 3、因子得分
在分析中，人们往往更愿意用公共因子反映原始变量，这样更有利于描述研究对象的特征。因而往往将公共因子表示为变量（或样品）的线性组合，即： 11111221221122221122p p p p
m m m mp p
f x x x f x x x f x x x βββββββββ=
+++=+++=+++
称上式为因子得分函数，用它可计算每个样品的公因子得分。估计因子得分的方法很多。
（二）计算步骤
1、数据标准化
2、建立相关系数矩阵
3、求解特征根及相应特征向量
4、因子旋转
5、计算因子得分
三、实证分析
（一）、背景介绍
随着市场竞争的日益激烈，公司在人才选择方面更加注重人才的综合素质，并结合职位特定选择专门人才。在本文中选取一家集生产与销售于一体的大公司在人才招聘中数据，从综合素质以及招聘职位来选择优秀的员工。
“华威”公司是一家集生产、销售为一体的大型国际著名公司。现公司计划录用6名的员工。经过初选，公司对48位应聘者进行面试，面试共有15项指标，这15项指标分别是：求职信的形式(FL)、外貌(APP)、专业能力(AA)、讨人喜欢(LA)、自信心(SC)、洞察力(LC)、诚实(HON)、推销能力(SMS)、经验(EXP)、驾驶水平(DRV)、事业心(AMB)、理解能力(GSP)、潜在能力(POT)、交际能力(KJ)和适应性(SUIT)。每项指标的分数是从0分到10分，0分最低，10分最高。每位求职者的15项指标的得分在文件（应聘者得分记录.xls）中。试从综合素质选出6名优秀员工，若将这6名员工分别分配到管理、销售和生产部门各2名，指出合理的分配方案。
（二）、分析过程详解
1、数据标准化
由于数据均为在面试中的打分成绩，量纲相同，并且观察数据的分布，并无异常值的出现，因此数据没有必要进行标准化，可以直接进行分析。
2、建立相关系数矩阵
