188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功,开通会员云端永久保存 去开通
古德里安

上传于:2012-11-13

粉丝量:18

该文档贡献者很忙,什么也没留下。


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • spss.pdf

    星级: 32 页

  • spss软件 PDF

    星级: 9 页

  • SPSS讲义 PDF

    星级: 19 页

  • spss PDF

    星级: 6 页

  • SPSS PDF

    星级: 46 页

  • spss练习 PDF

    星级: 6 页

  • SPSS-A量化研究与统计资料分析 SPSS软体应用 pdf

    星级: 7 页

  • 【精品PDF】SPSS与资料分析

    星级: 33 页

  • 【精品PDF】SPSS 软件概述

    星级: 168 页

  • 【推荐】SPSS概述 PDF

    星级: 51 页

  • SPSS的使用练习【精品-PDF】

    星级: 12 页

  • SPSS的一般操作【共享精品-PDF】

    星级: 11 页

  • SPSS ANOVA pdf

    星级: 17 页

  • spss_1多元正态均值推断 PDF

    星级: 10 页

  • 【最新资料】spss软件PDF模版课件

    星级: 88 页

暂无目录

点击鼠标右键菜单,创建目录

暂无笔记

选择文本,点击鼠标右键菜单,添加笔记

暂无书签

在左侧文档中,点击鼠标右键,添加书签

188宝金博页面版: SPSS因子分析法-例子解释 PDF

下载积分: 800

内容提示: 因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量 以期望能对问题有比较全面、完整的把握和认识。例如对高等学校科研状况的评价研究可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标再例如学生综合评价研究中可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力虽然它们能够较为全面精确地描述事物但在实际数...

文档格式:PDF | 页数:18 | 浏览次数:1000 | 上传日期:2012-11-13 17:01:38 | 文档星级:
因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量 以期望能对问题有比较全面、完整的把握和认识。例如对高等学校科研状况的评价研究可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标再例如学生综合评价研究中可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力虽然它们能够较为全面精确地描述事物但在实际数据建模时这些变量未必能真正发挥预期的作用 “投入”和“产出”并非呈合理的正比反而会给统计分析带来很多问题可以表现在 计算量的问题 由于收集的变量较多如果这些变量都参与数据建模无疑会增加分析过程中的计算工作量。虽然现在的计算技术已得到了迅猛发展但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如多元线性回归分析中如果众多解释变量之间存在较强的相关性即存在高度的多重共线性那么会给回归方程的参数估计带来许多麻烦 致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题最简单和最直接的解决方案是削减变量的个数但这必然又会导致信息丢失和信息不完整等问题的产生。为此人们希望探索一种更为有效的解决方法它既能大大减少参与数据建模的变量个数同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数并已得到广泛应用的分析方法。 因子分析的概念起源于 20 世纪初 Karl Pearson 和 Charles Spearmen 等人关于智力测验的统计分析。目前因子分析已成功应用于心理学、医学、气象、地址、经济学等领域并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提将众多的原有变量综合成较少几个综合指标名为因子。通常因子有以下几个特点 因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后因子将可以替代原有变量参与数据建模这将大大减少分析过程中的计算工作量。 因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍而是原有变量重组后的结果因此不会造成原有变量信息的大量丢失并能够代表原有变量的绝大部分信息。 因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 因子具有命名解释性 通常因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解

188宝金博页面版:关注我们

  • 新浪微博

关注188宝金博页面版公众号

188宝金博页面版
阅读
APP
阅读
返回
顶部
188宝金博页面版官网登录在线平台入口(2026已更新)—江苏协昌电子科技股份有限公司