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!


原文地址:https://blog.csdn.net/weixin_30869777/article/details/113020151
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/232075

相关文章

深度解析Nginx日志分析与499状态码问题解决

《深度解析Nginx日志分析与499状态码问题解决》在Web服务器运维和性能优化过程中,Nginx日志是排查问题的重要依据,本文将围绕Nginx日志分析、499状态码的成因、排查方法及解决方案展开讨论... 目录前言1. Nginx日志基础1.1 Nginx日志存放位置1.2 Nginx日志格式2. 499

Olingo分析和实践之EDM 辅助序列化器详解(最佳实践)

《Olingo分析和实践之EDM辅助序列化器详解(最佳实践)》EDM辅助序列化器是ApacheOlingoOData框架中无需完整EDM模型的智能序列化工具,通过运行时类型推断实现灵活数据转换,适用... 目录概念与定义什么是 EDM 辅助序列化器?核心概念设计目标核心特点1. EDM 信息可选2. 智能类

Olingo分析和实践之OData框架核心组件初始化(关键步骤)

《Olingo分析和实践之OData框架核心组件初始化(关键步骤)》ODataSpringBootService通过初始化OData实例和服务元数据,构建框架核心能力与数据模型结构,实现序列化、URI... 目录概述第一步:OData实例创建1.1 OData.newInstance() 详细分析1.1.1

Olingo分析和实践之ODataImpl详细分析(重要方法详解)

《Olingo分析和实践之ODataImpl详细分析(重要方法详解)》ODataImpl.java是ApacheOlingoOData框架的核心工厂类,负责创建序列化器、反序列化器和处理器等组件,... 目录概述主要职责类结构与继承关系核心功能分析1. 序列化器管理2. 反序列化器管理3. 处理器管理重要方

SpringBoot中六种批量更新Mysql的方式效率对比分析

《SpringBoot中六种批量更新Mysql的方式效率对比分析》文章比较了MySQL大数据量批量更新的多种方法,指出REPLACEINTO和ONDUPLICATEKEY效率最高但存在数据风险,MyB... 目录效率比较测试结构数据库初始化测试数据批量修改方案第一种 for第二种 case when第三种

解决1093 - You can‘t specify target table报错问题及原因分析

《解决1093-Youcan‘tspecifytargettable报错问题及原因分析》MySQL1093错误因UPDATE/DELETE语句的FROM子句直接引用目标表或嵌套子查询导致,... 目录报js错原因分析具体原因解决办法方法一:使用临时表方法二:使用JOIN方法三:使用EXISTS示例总结报错原

MySql基本查询之表的增删查改+聚合函数案例详解

《MySql基本查询之表的增删查改+聚合函数案例详解》本文详解SQL的CURD操作INSERT用于数据插入(单行/多行及冲突处理),SELECT实现数据检索(列选择、条件过滤、排序分页),UPDATE... 目录一、Create1.1 单行数据 + 全列插入1.2 多行数据 + 指定列插入1.3 插入否则更

C#连接SQL server数据库命令的基本步骤

《C#连接SQLserver数据库命令的基本步骤》文章讲解了连接SQLServer数据库的步骤,包括引入命名空间、构建连接字符串、使用SqlConnection和SqlCommand执行SQL操作,... 目录建议配合使用:如何下载和安装SQL server数据库-CSDN博客1. 引入必要的命名空间2.

MySQL中的LENGTH()函数用法详解与实例分析

《MySQL中的LENGTH()函数用法详解与实例分析》MySQLLENGTH()函数用于计算字符串的字节长度,区别于CHAR_LENGTH()的字符长度,适用于多字节字符集(如UTF-8)的数据验证... 目录1. LENGTH()函数的基本语法2. LENGTH()函数的返回值2.1 示例1:计算字符串

Android kotlin中 Channel 和 Flow 的区别和选择使用场景分析

《Androidkotlin中Channel和Flow的区别和选择使用场景分析》Kotlin协程中,Flow是冷数据流,按需触发,适合响应式数据处理;Channel是热数据流,持续发送,支持... 目录一、基本概念界定FlowChannel二、核心特性对比数据生产触发条件生产与消费的关系背压处理机制生命周期