因子分析法基本原理
实验2层次分析法
项目六矩阵的特征值与特征向量 实验2 层次分析法 实验目的 通过应用层次分析法解决一个实际问题,学习层次分析法的基本原理与方法;掌握用层次 分析法建立数学模型的基本步骤;学会用Mathematica解决层次分析法中的数学问题. 基本原理 层次分析法是系统分析的重要工具之一,其基本思想是把问题层次化、数量化, 并用数学 方法为分析、决策、预报或控制提供定量依据. 它特别适用于难以完全量化, 又相互关联、相互制约的众多因素构成的复杂问题. 它把人的思维过程层次化、数量化,是系统分析的一中 新型的数学方法. 运用层次分析法建立数学模型, 一般可按如下四个基本步骤进行. 1.建立层次结构 首先对所面临的问题要掌握足够的信息, 搞清楚问题的范围、因素、各因素之间的相互关系,及所要解决问题的目标. 把问题条理化、层次化, 构造出一个有层次的结构模型. 在这 个模型下,复杂问题被分解为元素的组成部分. 这些元素又按其属性及关系形成若干层次.层 次结构一般分三层: 第一层为最高层, 它是分析问题的预定目标和结果, 也称目标层; 第二层为中间层, 它是为了实现目标所涉及的中间环节, 如: 准则、子准则, 也称准则层; 第三层为最底层, 它包括了为实现目标可供选择的各种措施、决策方案等, 也称方案层.
图2-1 决策目标 准则1准则2准则n 方案1方案2方案m …… …… 注:上述层次结构具有以下特点:(1) 从上到下顺序地存在支配关系, 并用直线段表示;(2) 整个层次结构中层次数不受限制. 2.构造判断矩阵 构造判断矩阵是建立层次分析模型的关键. 假定以上一层的某元素y 为准则,它所支配 的下一层次的元素为n x x x ,,,21 ,这n 个元素对上一层次的元素y 有影响,要确定它们在y 中的比重. 采用成对比较法. 即每次取两个元素i x 和j x , 用ij a 表示i x 与j x 对y 的影响之比, 全部比较的结果可用矩阵A 表示,即 .,,2,1,,)(n j i a A n n ij ==? 称矩阵A 为判断矩阵. 根据上述定义,易见判断矩阵的元素ij a 满足下列性质: )(,1),(1 j i a j i a a ii ij ji ==≠= 当0>ij a 时,我们称判断矩阵A 为正互反矩阵. 怎样确定判断矩阵A 的元素ij a 的取值呢? 当某层的元素n x x x ,,,21 对于上一层某元素 y 的影响可直接定量表示时, i x 与j x 对y 的影响之比可以直接确定, ij a 的值也可直接确定. 但对于大多数社会经济问题, 特别是比较 复杂的问题, 元素i x 与j x 对y 的重要性不容易直接获得, 需要通过适当的量化方法来解决. 通常取数字1~9及其倒数作为ij a 的取值范围. 这是因为在进行定性的成对比较时, 通常采用 5级制(表1),在每两个等级之间各有一个中间状态, 共1~9个尺度, 另外心理学家认为进行成 对比较的因素太多, 将超出人们的判断比较能力, 降低精确. 实践证明, 成对比较的尺度以 27±为宜, 故ij a 的取值范围是9,,2,1 及其倒数.
层次分析法详解
构建风险层次结构 通过选取的指标可以看出这是一个多目标的且问题涉及到许多因素，各种因素的作用相互，情况复杂。依据层次分析法处理这类复杂的问题就需要对所涉及的因素指标进行分析：哪些是需相互比较的；哪些是需相互影响的。把那些需相互比较的因素归成同一类，构造出一个各因素类之间相互联结的层次结构模型。各因素类的层次级别由其与目标的关系而定: 第一层是目标层，也就是国家风险的评价排序 第二层是准则层，这一层中是国家风险排序所涉及的国家风险类型，即政治风险、经济风险、社会风险。 第三层是子准则层，这一层是评价衡量准则层中各要素的影响因素及评价指标, 即政权凝聚力、腐败状况、相关法律政策、国际关系、官僚主义、经济政策、汇率稳定性、金融环境、内部冲突、外部冲突、民族差异等。 第四层也就是我们要选择的方案即所要选择的并购方案国家。 为了方便计算以及模型的理解，层次结构中各层次均用字母代替，目标层为A i 准则层为B，子准则层为C,方案层为D。 522重要性程度描述 为了将上述复杂的多因素综合比较问题转化为简单的两因素相对比较问题。首先找出所有两两比较的结果，并且把它们定量化；然后再运用适当的数学方法从所有两两相对比较的结果之中求出多因素综合比较的结果。进行定性的成对比较时, 我们将比较结果分为5种等级：相同、稍强、强、明显强、绝对强并将我们所做出的比较结果应用1?9个数字尺度来进行定量化，比较具体含义及相应数字对应如下表: 表5.2 AHP重要程度描述表 子准则层 方案层 图5.1风险层次结构模型 Fig.5.1 The hierarchical structure model of country
层次分析法的基本步骤和要点
层次分析法的基本步骤和要点 结合一个具体例子，说明层次分析法的基本步骤和要点。 【案例分析】市政工程项目建设决策：层次分析法问题提出 市政部门管理人员需要对修建一项市政工程项目进行决策，可选择的方案是修建通往旅游区的高速路（简称建高速路）或修建城区地铁（简称建地铁）。除了考虑经济效益外，还要考虑社会效益、环境效益等因素，即是多准则决策问题，考虑运用层次分析法解决。 1. 建立递阶层次结构 应用AHP解决实际问题，首先明确要分析决策的问题，并把它条理化、层次化，理出递阶层次结构。 AHP要求的递阶层次结构一般由以下三个层次组成： ●目标层（最高层）：指问题的预定目标； ●准则层（中间层）：指影响目标实现的准则； ●措施层（最低层）：指促使目标实现的措施； 通过对复杂问题的分析，首先明确决策的目标，将该目标作为目标层（最高层）的元素，这个目标要求是唯一的，即目标层只有一个元素。 然后找出影响目标实现的准则，作为目标层下的准则层因素，在复杂问题中，影响目标实现的准则可能有很多，这时要详细分析各准则因素间的相互关系，即有些是主要的准则，有些是隶属于主要准则的次准则，然后根据这些关系将准则元素分成不同的层次和组，不同层次元素间一般存在隶属关系，即上一层元素由下一层元素构成并对下一层元素起支配作用，同一层元素形成若干组，同组元素性质相近，一般隶属于同一个上一层元素（受上一层元素支配），不同组元素性质不同，一般隶属于不同的上一层元素。 在关系复杂的递阶层次结构中，有时组的关系不明显，即上一层的若干元素同时对下一层的若干元素起支配作用，形成相互交叉的层次关系，但无论怎样，上下层的隶属关系应该是明显的。 最后分析为了解决决策问题（实现决策目标）、在上述准则下，有哪些最终解决方案（措施），并将它们作为措施层因素，放在递阶层次结构的最下面（最低层）。 明确各个层次的因素及其位置，并将它们之间的关系用连线连接起来，就构成了递阶层次结构。 【案例分析】市政工程项目进行决策：建立递阶层次结构 在市政工程项目决策问题中，市政管理人员希望通过选择不同的市政工程项目，使综合效益最高，即决策目标是“合理建设市政工程，使综合效益最高”。 为了实现这一目标，需要考虑的主要准则有三个，即经济效益、社会效益和环境效益。但问题绝不这么简单。通过深入思考，决策人员认为还必须考虑直接经济效益、间接经济效益、方便日常出行、方便假日出行、减少环境污染、改善城市面貌等因素（准则），从相互关系上分析，这些因素隶属于主要准则，因此放在下一层次考虑，并且分属于不同准则。 假设本问题只考虑这些准则，接下来需要明确为了实现决策目标、在上述准则下可以有哪些方案。根据题中所述，本问题有两个解决方案，即建高速路或建地铁，这两个因素作为措施层元素放在递阶层次结构的最下层。很明显，这两个方案于所有准则都相关。 将各个层次的因素按其上下关系摆放好位置，并将它们之间的关系用连线连接起来。同时，为了方便后面的定量表示，一般从上到下用A、B、C、D。。。代表不同层次，同一层次从左到右用1、2、3、4。。。代表不同因素。这样构成的递阶层次结构如下图。
多元数据处理——因子分析法
多元数据处理 ---因子分析方法 多元数据处理主要包括多元随机变量，协方差分析，趋势面分析，聚类分析，判别分析，主成分分析，因子分析，典型相关分析，回归分析以及各个分析方法的相互结合等等。本文主要针对其中的因子分析方法展开了论述，并举了一个因子分析法在我国房地产市场绩效评价中的应用实例。 第一章因子分析方法概述 1.1因子分析的涵义 为了更全面和准确的测量和评估对象的特征，在实际的应用中，我们往往尽可能多的选用特征指标进行系统评估，选取的指标越多，就越能全面、客观的反映评价对象的特征。选取众多指标的同时也带来了统计分析的困难：一、不同的指标，不同重要程度需要赋予不同的权重，而靠主观的评价避免不了一些失误与错误。二、收集到的指标之间可能存在较大的相关性，大量收集指标带来了人力、物力和财力的浪费。而因子分析方法则较好的解决了上述问题。 因子分析[1]是一种多元统计方法，该方法起源于20世纪初Karl Pearson 和Charles Spearman 等人关于心理测试的统计分析，它的核心是用最少的相互独立的因子反映原有变量的绝大部分信息。[2]通过分析事物内部的因果关系来找出其主要矛盾，找出事物内在的基本规律。 因子分析的基本思想是通过变量的相关系数矩阵内部结构的研究，找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系，但是，这少数几个随机变量是不可观测的，通常称为因子。然后根据相关性的大小把变量分组，使得同组内的变量之间相关性较高，使不同组内的变量相关性较低[3]。对于所研究的问题就可试图用最少个数的所谓因子的线性函数与特殊因子之和来描述原来观测的每一变量[4]。因子变量的特点：第一，因子变量的数量远小于原指标的数量，对因子变量的分析能够减少分析的工作量；第二，因子变量不是原有变量的简单取舍，而是对原有变量的
AHP层次分析法详细讲解
AHP层次分析法详细讲解 。它是一种定性和定量相结合的、系统化、层次化的分析方法。由于它在处理复杂的决策问题上的实用性和有效性很快在世界范围得到重视。它的应用已遍及经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、人才、医疗和环境等领域。 层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一样的。不妨用假期旅游为例假如有3个旅游胜地A、B、C供你选择你会根据诸如景色、费用和居住、饮食、旅途等一些准则去反复比较这3个候选地点首先你会确定这些准则在你的心目中各占多大比重如果你经济宽绰、醉心旅游自然分别看重景色而平素俭朴或手头拮据的人则会优先考虑费用中老年旅游者还会对居住、饮食等寄以较大关注。其次你会就每一个准则将3个地点进行对比譬如A 景色最好B次之B费用最低C次之C居住等较好等等。最后你要将这两个层次的比较判断进行综合在A、B、C中确定哪个作为最佳地点。 层次分析法的基本步骤 1、建立层次结构模型。在深入分析实际问题的基础上将有关的各个因素按照不同属性自上而下 2 / 8 AHP指南-层次分析法详解地分解成若干层次同一层的诸因素从属于上一层的因素或对上层因素有影响同时又支配下一层的因素或受到下层因素的作用。最上层为目标层通常只有1个因素最下层通常为方案或对象层中间可以有一个或几个层次通常为准则或指标层。当准则过多时譬如多于9个应进一步分解出子准则层。 2、构造成对比较阵。从层次结构模型的第2层开始对于从属于或影响上一层每个因素的同一层诸因素用成对比较法和1—9比较尺度构追成对比较阵直到最下层。 3、计算权向量并做一致性检验。对于每一个成对比较阵计算最大特征根及对应特征向量利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过特征向量归一化后即为权向量若不通过需重新构追成对比较阵。 4、计算组合权向量并做组合一致性检验。计算最下层对目标的组合权向量并根据公式做组合一致性检验若检验通过则可按照组合权向量表示的结果进行决策否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。 层次分析法的优点运用层次分析法有很多优点其中最重要的一点就是简单明了。层次分析法不仅适用于存在不确定性和主观信息的情况还允许以合乎逻辑的方式运用经验、洞察力和直觉。也许层次分析法最大的优点是提出了层次本身它使得买方能够认真地考虑和衡量指标的相对重要性。 建立层次结构模型将问题包含的因素分层最高层解决问题的目的中间层实现总目标而采取的各种措施、必须考虑的准则等。也可称策略层、约束层、准则层等最低层用于解决问题的各种措施、方案等。把各种所要考虑的因素放在适当的层次内。用层次结构图清晰地表达这些因素的关系。 〔例1〕购物模型某一个顾客选购电视机时对市场正在出售的四种电视机考虑了八项准则作为评估依据建立层次分析模型如下 3 / 8 AHP指南-层次分析法详解〔例2〕选拔干部模型对三个干部候选人y1、y2 、y3按选拔干部的五个标准品德、才能、资历、年龄和群众关系构成如下层次分析模型假设有三个干部候选人y1、y2 、y3按选拔干部的五个标准品德才能资历年龄和群众关系构成如下层次分析模型构造成对比较矩阵比较第 i 个元素与第 j 个元素相对上一层某个因素的重要性时使用数量化的相对权重aij来描述。设共有 n 个元素参与比较则称为成对比较矩阵。
因子分析在STATA中实现和案例
第13章因子分析 因子分析始于1904年Chars Spearman对学生成绩的分析，在经济领域有着极为广泛的用途。在多个变量的变化过程中，除了一些特定因素之外，还受到一些共同因素的影响。因此，每个变量可以拆分成两部分，一是共同因素，二是特殊因素。这些共同因素称为公因子，特殊因素称为特殊因子。因子分析即是提出多个变量的公共影响因子的一种多元统计方法，它是主成分分析的推广。 因子分析主要解决两类问题：一是寻求基本结构，简化观察系统。给定一组变量或观察数据，是否存在一个子集，特别是一个加权子集，来解释整个问题，即将为数众多的变量减少为几个新的因子，以再现它们之间的内在联系。二是用于分类，将变量或样本进行分类，根据因子得分值，在因子轴所构成的空间中进行分类处理。 p个变量X的因子模型表达式为： ＝ Λ' e f X+ f称为公因子，Λ称为因子载荷。X的相关系数矩阵分解为： ∑' = + ΛΦΛ ψ 对于未旋转的因子，1 Φ。ψ称为特殊度，即每个变量中不属于共性的部 = 分。 13.1 因子估计 Stata可以通过变量进行因子分析，也可以通过矩阵进行。命令为factor 或factormat。 webuse bg2,clear describe factor bg2cost1-bg2cost6 factor bg2cost1-bg2cost6, factors(2) * pf 主因子方法，用复相关系数的平方作为因子载荷的估计量(默认选项) factor bg2cost1-bg2cost6, factors(2) pcf * pcf 主成分因子，假定共同度＝1 factor bg2cost1-bg2cost6, factors(2) ipf * ipf 迭代主因子，重复估计共同度 factor bg2cost1-bg2cost6, factors(2) ml * ml 极大似然因子，假定变量（至少3个）服从多元正态分布，对偏相关矩阵的行列式进行最优化求解，等价于Rao的典型因子方法 13.2 预测 Stata可以通过predict预测变量得分、拟合值和残差等。 webuse bg2,clear factor bg2cost1-bg2cost6 predict f1 f2 * factor1 factor2因子分得分 predict stdp residuals * 预测标准差和残差
层次分析法步骤解析—根法、和法、幂法
层次分析法(AHP) AHP(Analytic Hierarchy Process)方法，是由20世纪70年代由美国著名运筹学学家T.L.Satty提出的。它是指将决策问题的有关元素分解成目标、准则、方案等层次，在此基础上进行定性分析和定量分析的一种决策方法。这一方法的特点，是在对复杂决策问题的本质、影响因素及其内在关系等进行深入分析之后，构建一个层次结构模型，然后利用较少的定量信息，把决策的思维过程数学化，从而为求解多准则或无结构特性的复杂决策问题提供了一种简便的决策方法。 AHP十分适用于具有定性的，或定性定量兼有的决策分析。这是一种十分有效的系统分析和科学决策方法，现在已广泛地应用在企业信用评级、经济管理规划、能源开发利用与资源分析、城市产业规划、企业管理、人才预测、科研管理、交通运输、水资源分析利用等方面。 一、递阶层次结构的建立 一般来说，可以将层次分为三种类型： （1）最高层：只包含一个元素，表示决策分析的总目标，因此也称为总目标层。 （2）中间层：包含若干层元素，表示实现总目标所涉及的各子目标，包含各种准则、约束、策略等，因此也称为目标层。 （3）最低层：表示实现各决策目标的可行方案、措施等，也称为方案层。 典型的递阶层次结构如下： 一个好的递阶层次结构对解决问题极为重要，因此在建立递阶层次结构时，应注意到： （1）从上到下顺序地存在支配关系，用直线段（作用线）表示上一层次因素与下一层次因素之间的关系，同一层次及不相邻元素之间不存在支配关系。 （2）整个结构不受层次限制。 （3）最高层只有一个因素，每个因素所支配元素一般不超过9个，元素过多可进一步分层。 （4）对某些具有子层次结构可引入虚元素，使之成为典型递阶层次结构。 二、构造比较判断矩阵 设有m个目标（方案或元素），根据某一准则，将这m个目标两两进行比较，把第i个目标（i=1,2,…,m）对第j个目标的相对重要性记为a ij，(j=1,2,…,m)，这样构造的m阶矩阵用于求解各个目标关于某准则的优先权重，成为权重解析判断矩阵，
(完整版)因子分析法基本原理
1.因子分析法基本原理 在对某一个问题进行论证分析时，采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而，这种方法不仅需要巨大的工作量，并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。这样我们就可以对原始的数据进行分类归并，将相关比较密切的变量分别归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。 因子分析法的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。这样，就能相对容易地以较少的几个因子反映原资料的大部分信息，从而达到浓缩数据，以小见大，抓住问题本质和核心的目的。 因子分析法的核心是对若干综合指标进行因子分析并提取公共因子，再以每个因子的方差贡献率作为权数与该因子的得分乘数之和构造得分函数。因子分析法的数学表示为矩阵：B AF X +=，即: ????? ?? ??++++=++++=++++=++++=p k pk p p p p k k k k k k f f f f x f f f f x f f f f x f f f f x βααααβααααβααααβααααΛΛΛΛΛΛ332211333332321313223232221212113132121111 (k ≤p)………………(1式) 模型中，向量X ()p x x x x ,,,,321Λ是可观测随机向量，即原始观测变量。F ()k f f f f ,,,,321Λ是X ()p x x x x ,,,,321Λ的公共因子，即各个原观测变量的表达式中共同出现的因子，是相互独立的不可观测的理论变量。公共因子的具体含义必须结合实际研究问题来界定。A ()ij α是公共因子F ()k f f f f ,,,,321Λ的系数，称为因子载荷矩阵，ij α（i=1,2,.....,p;j=1,2,....,k)称为因子载荷，是第i 个原有变量在第j 个因子上的负荷，或可将ij α看作第i 个变量在第j 公共因子上的权重。ij α是x i 与f j
因子分析法典型案例
案例：基于因子分析法的高级管理者人力资源价值计量模型一、背景介绍及问题提出 1. 人力资源价值计量的背景著名会计学家 W.A 佩顿(Paton)教授曾经睿智地指出：在企业中，良好组织且忠诚的员工是一项远比商品更为重要的“资产”。对于这样重要的“资产”为什么直到现在都没有纳入财务会计核算体系呢？人力资源价值信息没有在财务报表体系中加以披露的原因是：人力资源的价值计量是一个难题，使得人力资源会计一直处于理论探讨和实验阶段，未能登堂入室。人力资源价值计量研究目的在于：用人力资源的创造能力来反映组织现有人力资源的质量状况及企业对人力资源的能力回报，为企业管理当局和外部利害关系集团提供完整的决策信息。 2．高级管理者人力资源的研究背景高级管理者是企业的核心和灵魂，在企业人力资源中居于中心地位是一种稀缺的生产要素，对高级管理者人力资源的垄断是超额剩余价值的主要来源，几乎每一个优秀的企业都与企业中高级管理团队紧密地联系在一起的。 3. 问题的提出在人力资源价值计量发展的完善的过程中，如何动态地、客观地、科学地综合评价高管的价值，一直是困扰人力资源价值计量的一个难题，许多专家和学者采用未来收益折现或期权定价等方法对人力资源价值进行计量；未来收益折现是以工资为基础对高级管理者的未来收益进行折现，这种货币计量方法存在主要问题在于工资不能反映人力资源真实价值，因为高级管理者人力资源价值本身存在复杂性、隐蔽性及能动性，仅以工资作为衡量人力资源价值的大小的标准，忽略了高级管理者在企业价值创造中的特殊性。由于高级管理者人力资源存在某些特性。因此，对高级管理者的采用非货币计量的方法更加具有现实的意义。二、问题研究的意义 1、人力资源价值的科学计量会使企业更加全面、科学的掌握高级管理者的信息并更加重视人力资源的作用，从而为了保留和争取人才，对企业的高级管理者进行有效的激励。 2、对高级管理者人力资源价值计量的准确与否，关系到企业总资产的精确程度和企业未来发展的能力。对高级管理者人力资源价值的准确计量有利于实现人力资源会计核算体系的建立。三、案例思路首先，在分析高级管理者人力资源价值计量的基本理论与其特性分析的基础上，案例建立影响高级管理者人力资源价值计量的指标体系，该体系由 29 个初级指标构成(如下图一所示)。其次，通过问卷调查的方式，应用因子分析法对上述29 个指标进行筛选。隐性因子学历天赋社会资本任职时间职业背景职业生命周期薪酬年龄体质能力心理能力领导能力战略决策能力风险承受能力人力资源管理能力领导管理因子创新能力学习能力洞察能力沟通能力组织能力团队协作能力个人特征及组织环境因子价值观忠诚感道德行为敬业精神乐观自信理智情绪稳定企业规模职位图一高级管理者人力资源价值指标体系四、数据说明：案例采用问卷调查的方式进行数据收集。问卷发放的数量：本次共发放问卷180 份，其中包括电子文档和纸质问卷，共回收有效问卷103 份，有效回收率为57.22%。问卷内容的设计：案例在分析了高级管理者人力资源价值计量的理论基础和特性分析的基础上建立了高级管理者人力资源价值指标体系。问卷的调查内容是该指标体系中的指标，由企业的高级管理人员依据各指标对高级管理者人力资源价值计量的影响做出基本判断。问卷结构的设计：首先，针对案例提出的 29 个指标要素，设计了 29 个判断指标程度的问题。通过被调查者选择打分的方式，获得各指标的具体分值。所有问题都划分为 7 选项对应7 个程度，由管理者根据题目的内容进行选择。然后采用 7 分模糊打分法，每一个选项对应一个分值，选择第一选项为 7 分，第二选项为6 分，依次为5 分、4 分、3 分、2 分、1 分（调查问卷如下所示）。高级管理者人力资源价值计量
AHP层次分析法计算原理
AHP层次分析法计算原理 一般地，可以选用三层结构对发展战略作出整体评价。 第一层为目标层，它是企业要实现的战略目标，第二层是评价因素层，它包括战略目标实现进行评价的所考虑的各种因素以及各因素之间的相对比值，并求出各要素实现总体目标所占的权重。第三层是指标层，即个评价因素需考虑的具体指标。 首先，根据总目标确定各要素之间的相对重要关系，构建两两比较判断矩阵，其基本形式为： 其中，a j表示对于C来说，A对A相对重要性的数值体现，通常a j可取1、2、3……、9以及它们的倒数作为标度。其中， 1――表示两个元素相比，具有同样的重要性； 3――表示两个元素相比，一个元素比另一个元素稍微重要； 5――表示两个元素相比，一个元素比另一个元素明显重要； 7――表示两个元素相比，一个元素比另一个元素强烈重要； 9――表示两个元素相比，一个元素比另一个元素极端重要。 2、4、6、8为上述相邻判断的中值。 矩阵中的元素具有以下特征：①a j >0,②a j二丄，③a H=1o a ji 然后，根据判断矩阵计算相对于战略目标各评价元素的相对重要 性次序的权重，首先计算判断矩阵A的最大特征根入max和其对应的经归一化后的特征向量W=[W i, W2 , W3, , W n ]T,计算的公式为：(8 - 1)
归一化后的特征向量W=[W i, W2, W3, , W n]T即为各评价因素对于总目标的权重。 (8 - 2)W i - n W i i J 其 1 n 中，W = a j (8 - 3) 入max为判断矩阵A的最大特征根，计算公式为: (8 - 4) 其中，(AW)i表示AW的第i个元素。 最后，对矩阵A进行一致性检验。当a q二空时，称判断矩阵为a jk 致性矩阵。判断一致性的指标为C.R.的取值。 C.R.嚅 (8 - 5) (8 - 6) R丄为随机一致性指标，其值是通过多次重复进行随机判断矩阵特征值的计算后得到的。随机一致性指标R丄的取值见表8-2。 表8-2随机一致性指标R.I?的取值表 维数12 345 6 7 8 9 10 J (AW)i i吕nw
(完整版)因子分析法基本原理.docx
1.因子分析法基本原理 在 某一个 行 分析 ， 采集大量多 量的数据能 我 的研究分析提供更 丰富的信息和增加分析的精确度。 然而， 种方法不 需要巨大的工 作量，并且可能会因 量之 存在相关性而增加了我 研究 的复 性。 因子分析法就是从研究 量内部相关的依 关系出 ， 把一些具有 复 关系的 量 少数几个 合因子的一种多 量 分析方法。 我 就可以 原始的数据 行分 并，将相关比 密切的 量分 ， 出多个 合指 ， 些 合指 互不相关， 即它 所 合的信息互相不重叠。 些 合指 就称 因子或公共因子。 因子分析法的基本思想是将 量 行分 ， 将相关性 高， 即 系比 密的分在同一 中， 而不同 量之 的相关性 低， 那么每一 量 上就代表了一个基本 构， 即公共因子。 于所研究的 就是 用最少个数的不可 的所 公共因子的 性函数与特殊因子之和来描述原来 的每一分 量。 ，就能相 容易地以 少的几个因子反映原 料的大部分信息， 从而达到 数据，以小 大，抓住 本 和核心的目的。 因子分析法的核心是 若干 合指 行因子分析并提取公共因子， 再以每个因子的方差 献率作 数与 因子的得分乘数之和构造得分函数。 因子分析法的数学表示 矩 ： X AF B ，即 : x 1 11 f 1 1 2 f 2 1 3 f 3 1k f k 1 x 2 21 f 1 22 f 2 23 f 3 2 k f k 2 x 3 31 f 1 32 f 2 33 f 3 3k f k 3 (k ≤p)?????? (1 式) x p p1 f 1 p 2 f 2 p 3 f 3 pk f k p 模型中，向量 X x 1, x 2 , x 3 , , x p 是可 随机向量，即原始 量。 F f 1 , f 2, f 3 , , f k 是X x 1, x 2 , x 3, , x p 的公共因子，即各个原 量的表达式中 共同出 的因子， 是相互独立的不可 的理 量。 公共因子的具体含 必 合 研究 来 界定。 A ij 是公共因子 F f 1, f 2 , f 3, , f k 的系数，称 因子 荷矩 ， ij （i=1,2,.....,p;j=1,2,....,k)称 因子 荷，是第 i 个原有 量在第 j 个 因子上的 荷，或可将 ij 看作第 i 个 量在第 j 公共因子上的 重。 ij 是 x i 与 f j
因子分析理论与案例
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：
层次分析法的计算步骤
8.3.2 层次分析法的计算步骤 一、建立层次结构模型 运用AHP进行系统分析，首先要将所包含的因素分组，每一组作为一个层次，把问题条理化、层次化，构造层次分析的结构模型。这些层次大体上可分为3类 1、最高层：在这一层次中只有一个元素，一般是分析问题的预定目标或理想结果，因此又称目标层； 2、中间层：这一层次包括了为实现目标所涉及的中间环节，它可由若干个层次组成，包括所需要考虑的准则，子准则，因此又称为准则层； 3、最底层：表示为实现目标可供选择的各种措施、决策、方案等，因此又称为措施层或方案层。 层次分析结构中各项称为此结构模型中的元素，这里要注意，层次之间的支配关系不一定是完全的，即可以有元素（非底层元素）并不支配下一层次的所有元素而只支配其中部分元素。这种自上而下的支配关系所形成的层次结构，我们称之为递阶层次结构。 递阶层次结构中的层次数与问题的复杂程度及分析的详尽程度有关，一般可不受限制。为了避免由于支配的元素过多而给两两比较判断带来困难，每层次中各元素所支配的元素一般地不要超过9个，若多于9个时，可将该层次再划分为若干子层。 例如，大学毕业的选择问题，毕业生需要从收入、社会地位及发展机会方面考虑是否留校工作、读研究生、到某公司或当公务员，这些关系可以将其划分为如图8.1所示的层次结构模型。 图8.1 再如，国家综合实力比较的层次结构模型如图6 .2： 图6 .2 图中，最高层表示解决问题的目的，即应用AHP所要达到的目标；中间层表示采用某种措施和政策来实现预定目标所涉及的中间环节，一般又分为策略层、约束层、准则层等；最低层表示解决问题的措施或政策（即方案）。 然后，用连线表明上一层因素与下一层的联系。如果某个因素与下一层所有因素均有联系，那么称这个因素与下一层存在完全层次关系。有时存在不完全层次关系，即某个因素只与下一层次的部分因素有联系。层次之间可以建立子层次。子层次从属于主层次的某个因素。它的因素与下一层次的因素有联系，但不形成独立层次，层次结构模型往往有结构模型表示。 二、构造判断矩阵 任何系统分析都以一定的信息为基础。AHP的信息基础主要是人们对每一层次各因素的相对重要性给出的判断，这些判断用数值表示出来，写成矩阵形式就是判断矩阵。判断矩阵是AHP工作的出发点，构造判断矩阵是AHP的关键一步。 当上、下层之间关系被确定之后，需确定与上层某元素（目标A或某个准则Z）相联系的下层各元素在上层元素Z之中所占的比重。 假定A层中因素Ak与下一层次中因素B1，B2，…，Bn有联系，则我们构造的判断矩阵如表8.16所示。 表8.16 判断距阵 Ak B1 B2 …Bn
方法：因子分析法
因子分析基础理论知识 1 概念 因子分析（Factor analysis ）：就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis ）：是因子分析的一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA ）和因子分析（FA ）是两种把变量维数降低以便于描述、理解和分析的方法，而实际上主成分分析可以说是因子分析的一个特例。 2 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显着的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显着的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 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（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 3 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 4分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : ?????? ????? ???=np n n p p x x x x x x x x x X ΛM M M M ΛΛ212222111211
【管理学】spss因子分析案例共
【管理学】SPSS因子分析案例共
11.2.1 数据预备 激活数据治理窗口，定义变量名：分不为 XI 、X2、X3、X4、 X5、X6、X7,按顺序输入相应数值，建立数据库，结果见图 11.1。 图11.1 原始数据的输入 激活Statistics 菜单选 Data Reduction 的 Factor..命令项，弹出 F actor An alysis 对话框（图 11.2） X7，点击？钮使之进入 Variabl 图11.3 描述性指标选择对话框 点击 Extraction …钮，弹出 Factor Analysis:Extraction 对话框（图 11.4），系统提供如下因子提取方法： 图 11.4 因子提取方法选择对话框 在对话框左侧的变量列表中选变量 X1至 es 框。 图11.2 因子分析对话框 出 Factor Analysis:Descriptives 对话框（图 11. te descriptives 项要求输出各变量的均数与标 内选 Coefficients 项要求运算有关系数矩阵， 在Statistics 中选 U I 口 I 耐||的財血 准差；在 Correlation "CnrtEititlv ii Mtfhrix ( 并选KMO E “「and Bartlett ' s test of sphericity 项，要求对有关系数矩阵进行 3）， 统计 Matrix 栏 pCnr-rcl-fl liciin Mirfirix
Principal components 主成分分析法；Un weighted least squares未加权 最小平方法；Generalized least squares 综合最小平方法；Maximum likelihood ：极大似然估量法；Principal axis factoring: 主轴因子 法；Alpha factoring : a 因子法；Image fa cto ri n g ：多元回来 法。 本例选用Principal components方法，之后点击Continue钮返回 Factor Analysis 对话框。 点击Rotation...钮，弹出Factor Analysis:Rotation 对话框（图 1 I.5），系统有 5 种因子旋转方法可选： 图11.5 因子旋转方法选择对话框 No ne：不作因子旋转； Varimax :正交旋转； Equamax：全体旋转，对变量和因子均作旋转； Quartimax :四分旋转，对变量作旋转； Direct Oblimin ：斜交旋转。旋转的目的是为了获得简单结构，以关心我们讲明因子。本例选正交旋转法，之后点击Continue钮返回Factor Analysis对话框。 点击Scores..钮，弹出弹出Factor Analysis:Scores对话框（图 II.6）,系统提供3种估量因子得分系数的方法，本例选Regression （回来 因子得分），之后点击Continue钮返回Factor Analysis对话框，再点击OK 钮即完成分析。 图11.6 估量因子分方法对话框 11.2.3 结果讲明 在输出结果窗口中将看到如下统计数据：
深度解析层次分析法全过程
层次分析案例应用 背景资料: 某企业在扩大企业自主权后，委托某专业咨询机构分析如何合理利用企业利润。负责该项目的咨询工程师从Bl:进一步调动职工劳动积极性、B2:提高企业技术水平、B3:改善职工物质与文化生活三个方面设计问卷调查表，通过问卷调查法得出可供选择的方案有:P1：发奖金;P2：扩建集体福利事业;P3：办职工业余技校;P4：建图书馆、俱乐部;P5：引进新设备。 企业决策层按照调查结果，采用两两对比法，依据企业实际情况给出以下评价：1.B2比B1明显重要；2.B3比B1稍微重要；3.B2比B3稍微重要；基于B1调动职工积极性的目标下的评价 7.P1比P5强烈重要；8.P2比P3稍微重要；9.P2比P4既同样重要又稍微重要；10.P2比P5明显重要； 5、若已知B2、B3目标下的评价结果，作为咨询工程师，运用定量分析方法给出方案的优先顺序？ 6、简述咨询机构运用层次分析法的优缺点有哪些？
第一问：暗地卷烟（基础知识不多说）； 第二问：层次分析法的步骤： ①建立层次结构模型；②构造比较判断矩阵； ③单准则下层次排序和单准则下一致性检验；④总排序和总排序下一致性检验。 A—B
第一步：单准则下的①权重向量和②最大特征值计算，并进行③一致性检验一、权重向量的求解 二、最大特征值的求解 定义：给定某一矩阵A，寻找一个常数λ和非零向量ω，使得A·ω=λ·ω 即A·ω= =λ· A-B A·ω= = 下一步依据高中向量运算公式 即：A=λD B=λE C=λF =λ·= 故：λ=1/3*(A/B+B/E+C/D) 综上得λmax =1/3*(0.3182/0.1047+1.9354/0.6370+0.7847/0.2583)=3.0385B1-P 的计算过程不重复，λmax =5.0792 1 1/5 1/3A —B 51331/3 1 0.1047 ωA —0.6370 0.2583 11/51/351331/3 1 0.10470.63700.2583 0.1047 0.6370 0.2583 A B C D E F λD λE λF
因子分析法(自己整理)
因子分析法 1.因子分析法简介： 1）因子分析法的提出 “因子分析”的名称于1931年由Thurstone 首次提出，但它的概念起源于二十世纪初Karl Pearson 和Charles Spearmen 等人关于智力测验的统计分析。近年来，随着电子计算机的高速发展，人们将因子分析方法成功地应用于各个领域，使得因子分析的理论和方法更加丰富。 2）因子分析的定义 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。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。 运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 3）与主成分分析的联系 主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。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份发对变量简化。（reduce 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个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差，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