python实现因子分析,python求因子代码

　　以前：因子分析模型的Python版本

　　显示数据集1、KMO检测和小巴检测2、蔡尔德数确定3、正交旋转4、因子得分所有编码数据集显示。

　　目前，30个省份有9个家庭支出指标。一些数据如下

　　目前希望通过因子分析来评价各省家庭的综合消费支出水平。

　　另一方面，在使用因子分析模型之前，KMO检验和巴莱特检验需要保证变量的相关性。测试标准如下

　　库(psych)) kmo和Bartlette检查软件包data-read . CSV(raw _ data . CSV))data1=data[，-1] # area列kmo) data1)

　　从测试结果来看，KMO值为0.88，Bartlette检测到的P值远小于0.05，所以这个数据集非常适合做因子分析。

　　二。确定公因子个数的一般标准：特征值大于1或累计方差贡献率大于85%(此值可根据实际数据酌情更改)))))))))))。

　　基本步骤：计算原矩阵的相关系数矩阵3354，计算相关系数矩阵的特征值3354，计算累计方差贡献率。

　　这里用累积方差贡献率来确定公因子的个数。

　　corr=COR(data1)EIG=EIGEN)CORR(CCX=)EIG $ VA)/SUM(EIG $ VA))#贡献率(CX=cumsum (EIG $ va )/sum) EIG

　　结果表明，当公因子个数为3时，累积方差贡献率达到90%，包含了原始数据的大部分信息。

　　3.正交旋转正交旋转可以使因子载荷矩阵中各因子的差异变大，有利于解释各因子的意义。

　　库(mv stats)因子分析所需的数据包fac0=factPC(scale) data1)，3) fac1=factPC) scale(data1)，3，rot=varimax )是前端因子加载矩阵data.frame (data (-1))

　　3358www。Sina.com/s因子负荷矩阵特征：公共因子F1对人均食品教育交通支出负荷大，这是3358www.Sina.com/; F2对人均医疗支出负荷大，旋转前F3对人均衣着支出负荷大，旋转后。

　　四。因子得分=fac 1 $ scores # row names(Score)=data $ provincial plot.text)得分(，1:2]) #因子1和因子2的plot得分(plot . text)得分2:3])因子2和因子3的plot得分http://www.Sina.com/:f1因子得分高的地区是上海、广东、北京和浙江。

　　3558 www.Sina.com/:因F3得分高的地区有京、沪、浙、内蒙、新疆，即这些地区人均服装支出较高。由于气候的原因，新疆、内蒙古和其他地区的居民人均在服装上花费很多。北京、上海、浙江等经济发达地区的人们，为了追求更好的生活品质，人均服装消费也位居前列。

　　日常消费因子在北京、上海、浙江三个因子上得分相对较高。可以看出，这三个地区的综合消费水平都位居全国前列。

　　医疗因子

　　Rank=Fac1$Rank #总分和排名row names(Rank)-data $ state Rank=Rank[order]rank $ ri，deciding=f)，]Rank

　　代码衣着因子

　　州图书馆psych kmo和Bartlette检查所需的软件包data-read . CSV(raw _ data . CSV)data1=data[)，-1)区域列kmo(data1)bartlett . test)data1)corr=cor)data1)EIG=EIGEN(corr))CX=(EIG $ va)/sum)EIG)EIG 3，使用rot=varimax )旋转因子分析data . frame)fac 0 $ row . names=colnames(data(-1))data . frame)fac 1 $ loading ing row . names

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。