用极大似然法估计因子载荷矩阵_多元统计分析第13讲(因子分析:载荷矩阵的估计,因子旋转;典型相关分析基本思想)...

本文主要是介绍用极大似然法估计因子载荷矩阵_多元统计分析第13讲(因子分析:载荷矩阵的估计,因子旋转;典型相关分析基本思想)...,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

8.3 因子载荷矩阵的估计方法

(一)主成分分析法

回顾一下主成分法估计因子载荷矩阵的步骤:求出原变量协方差阵(或相关阵)的前 m 个特征根(考虑累积贡献率),后面的特征根忽略掉

因子载荷矩阵的每一列为前 m 个特征根乘上对应的单位特征向量

特殊因子的方差为 1 - 共同度(即因子载荷该行的平方和)

用原协方差阵减去公因子协方差阵与特殊因子协方差阵,得到残差阵

equation?tex=E%3D%5CSigma-%5Cleft%28%5Chat%7BA%7D+%5Chat%7BA%7D%5E%7B%5Cprime%7D%2B%5Chat%7BD%7D%5Cright%29%3D%5Cleft%28%5Cepsilon_%7Bi+j%7D%5Cright%29_%7Bp+%5Ctimes+p%7D%5C%5C

残差阵元素的平方和为残差平方和

equation?tex=Q%28m%29%3D%5Csum_%7Bi%3D1%7D%5E%7Bp%7D+%5Csum_%7Bj%3D1%7D%5E%7Bp%7D+%5Cepsilon_%7Bi+j%7D%5E%7B2%7D%5C%5C

可以证明(课后习题8-4)

equation?tex=Q%28m%29%3D%5Csum_%7Bi%3D1%7D%5E%7Bp%7D+%5Csum_%7Bj%3D1%7D%5E%7Bp%7D+%5Cvarepsilon_%7Bi+j%7D%5E%7B2%7D%3D%5Csum_%7Bj%3Dm%2B1%7D%5E%7Bp%7D+%5Clambda_%7Bj%7D%5E%7B2%7D-%5Csum_%7Bi%3D1%7D%5E%7Bp%7D%5Cleft%28%5Csigma_%7Bi%7D%5E%7B2%7D%5Cright%29%5E%7B2%7D+%5Cleq+%5Csum_%7Bj%3Dm%2B1%7D%5E%7Bp%7D+%5Clambda_%7Bj%7D%5E%7B2%7D%5C%5C

(二)主因子解

可以看做主成分法的修正(就是迭代思想!)。

假如特殊因子方差的初始估计已知,那么令

equation?tex=R-D%3DA+A%5E%7B%5Cprime%7D%3D%3A+R%5E%7B%2A%7D%7B%5Cscriptsize+%7D+%5C%5C

通过求出

equation?tex=+R%5E%7B%2A%7D 的前 m 个特征根,得到 A 的估计,进而得到 D 的估计。反复迭代直到迭代前后 D 的差别很小就停止。

如果初始估计未知,那么一开始我们就用主成分法得到 A 的估计,进而得到 D 的初始估计。

公因子方差初始估计方法:第 i 个公因子方差取为第 i 个变量与其它所有变量的多重相关系数的平方

第 i 个公因子方差取为第 i 个变量与其它所有变量的相关系数绝对值中最大者

直接取为 1,等价于主成分解(将特殊因子方差忽略).

(三)极大似然估计

假设数据 X1,...,Xn 服从 p 元正态,公因子与特殊因子也假定服从正态。

equation?tex=L%28%5Cmu%2C+A%2C+D%29%3D%5Cprod_%7Bi%3D1%7D%5E%7Bd%7D+%5Cfrac%7B1%7D%7B%282+%5Cpi%29%5E%7Bp+%2F+2%7D%7C%5CSigma%7C%5E%7B1+%2F+2%7D%7D+%5Cexp+%5Cleft%5B-%5Cfrac%7B1%7D%7B2%7D%5Cleft%28%5Cmathbf%7Bx%7D_%7B%5Cmathbf%7Bi%7D%7D-%5Cmu%5Cright%29%5E%7B%5Cprime%7D+%5Cboldsymbol%7B%5CSigma%7D%5E%7B-%5Cmathbf%7B1%7D%7D%5Cleft%28%5Cmathbf%7Bx%7D_%7B%5Cmathbf%7Bi%7D%7D-%5Cmu%5Cright%29%5Cright%5D%5C%5C

对于均值和协方差阵可以用其极大似然估计替代,利用求极值的方法可得以下方程组

equation?tex=%5Cleft%5C%7B%5Cbegin%7Barray%7D%7Bl%7D+%5Cwidehat%7B%5Cmu%7D%3D%5Cbar%7BX%7D+%5C%5C+S+%5Cwidehat%7BD%7D%5E%7B-1%7D+%5Cwidehat%7BA%7D%3D%5Cwidehat%7BA%7D%5Cleft%28I%2B%5Cwidehat%7BA%7D%5E%7B%5Cprime%7D+%5Cwidehat%7BD%7D%5E%7B-1%7D+%5Cwidehat%7BA%7D%5Cright%29+%5C%5C+%5Cwidehat%7BD%7D%3D%5Coperatorname%7Bdiag%7D%5Cleft%28S-%5Cwidehat%7BA%7D+%5Cwidehat%7BA%7D%5E%7B%5Cprime%7D%5Cright%29+%5Cend%7Barray%7D%5Cright.%5C%5C

其中第二个方程如下得到

equation?tex=%5C%5B%5Cbegin%7Barray%7D%7Bl%7D+S+%3D+%5Chat+A%5Chat+A%27+%2B+D%5C%5C++%5CRightarrow+S%7BD%5E%7B+-+1%7D%7D%5Chat+A+%3D+%5Cleft%28+%7B%5Chat+A%5Chat+A%27+%2B+D%7D+%5Cright%29%7BD%5E%7B+-+1%7D%7D%5Chat+A+%3D+%5Chat+A%5Cleft%28+%7BI+%2B+%5Chat+A%27%7BD%5E%7B+-+1%7D%7D%5Chat+A%7D+%5Cright%29+%5Cend%7Barray%7D%5C%5C%5C%5D

上面方程不能给出 A 和 D 唯一的估计,会加一个唯一性条件

equation?tex=%5Cwidehat%7BA%7D%5E%7B%5Cprime%7D+%5Cwidehat%7BD%7D%5E%7B-1%7D+%5Cwidehat%7BA%7D%3D%5CLambda%5C%5C

其中

equation?tex=%5CLambda 是对角阵。

实际计算中也是用迭代的思想,给定初值 D 然后利用第二个方程求 A,再用第三个方程求 D,直到稳定。

8.4 方差最大的正交旋转

(一)为什么考虑因子旋转

建立因子模型不仅要得到公共因子,还要能解释这些公共因子的具体含义。

因子载荷矩阵每一行的元素都不大(因为平方和小于1限制),但一般比较平衡,难以解释。现在希望旋转过后的载荷矩阵每一行元素差异大一些。

这篇关于用极大似然法估计因子载荷矩阵_多元统计分析第13讲(因子分析:载荷矩阵的估计,因子旋转;典型相关分析基本思想)...的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/232075

相关文章

Java进阶13讲__第12讲_1/2

多线程、线程池 1.  线程概念 1.1  什么是线程 1.2  线程的好处 2.   创建线程的三种方式 注意事项 2.1  继承Thread类 2.1.1 认识  2.1.2  编码实现  package cn.hdc.oop10.Thread;import org.slf4j.Logger;import org.slf4j.LoggerFactory

hdu1496(用hash思想统计数目)

作为一个刚学hash的孩子,感觉这道题目很不错,灵活的运用的数组的下标。 解题步骤:如果用常规方法解,那么时间复杂度为O(n^4),肯定会超时,然后参考了网上的解题方法,将等式分成两个部分,a*x1^2+b*x2^2和c*x3^2+d*x4^2, 各自作为数组的下标,如果两部分相加为0,则满足等式; 代码如下: #include<iostream>#include<algorithm

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

基本知识点

1、c++的输入加上ios::sync_with_stdio(false);  等价于 c的输入,读取速度会加快(但是在字符串的题里面和容易出现问题) 2、lower_bound()和upper_bound() iterator lower_bound( const key_type &key ): 返回一个迭代器,指向键值>= key的第一个元素。 iterator upper_bou

poj2505(典型博弈)

题意:n = 1,输入一个k,每一次n可以乘以[2,9]中的任何一个数字,两个玩家轮流操作,谁先使得n >= k就胜出 这道题目感觉还不错,自己做了好久都没做出来,然后看了解题才理解的。 解题思路:能进入必败态的状态时必胜态,只能到达胜态的状态为必败态,当n >= K是必败态,[ceil(k/9.0),k-1]是必胜态, [ceil(ceil(k/9.0)/2.0),ceil(k/9.

sqlite3 相关知识

WAL 模式 VS 回滚模式 特性WAL 模式回滚模式(Rollback Journal)定义使用写前日志来记录变更。使用回滚日志来记录事务的所有修改。特点更高的并发性和性能;支持多读者和单写者。支持安全的事务回滚,但并发性较低。性能写入性能更好,尤其是读多写少的场景。写操作会造成较大的性能开销,尤其是在事务开始时。写入流程数据首先写入 WAL 文件,然后才从 WAL 刷新到主数据库。数据在开始

【IPV6从入门到起飞】5-1 IPV6+Home Assistant(搭建基本环境)

【IPV6从入门到起飞】5-1 IPV6+Home Assistant #搭建基本环境 1 背景2 docker下载 hass3 创建容器4 浏览器访问 hass5 手机APP远程访问hass6 更多玩法 1 背景 既然电脑可以IPV6入站,手机流量可以访问IPV6网络的服务,为什么不在电脑搭建Home Assistant(hass),来控制你的设备呢?@智能家居 @万物互联

poj 2187 凸包or旋转qia壳法

题意: 给n(50000)个点,求这些点与点之间距离最大的距离。 解析: 先求凸包然后暴力。 或者旋转卡壳大法。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#include <s

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

MOLE 2.5 分析分子通道和孔隙

软件介绍 生物大分子通道和孔隙在生物学中发挥着重要作用,例如在分子识别和酶底物特异性方面。 我们介绍了一种名为 MOLE 2.5 的高级软件工具,该工具旨在分析分子通道和孔隙。 与其他可用软件工具的基准测试表明,MOLE 2.5 相比更快、更强大、功能更丰富。作为一项新功能,MOLE 2.5 可以估算已识别通道的物理化学性质。 软件下载 https://pan.quark.cn/s/57