8因子分析文档格式.docx

1、Call:factanal（x = X, factors = 3, rotation = Uniquenesses: x1 x2 x3 x4 x5 x6 0.005 0.005 0.005 0.271 0.005 0.548 Loadings: #因子载荷矩阵 Factor1 Factor2 Factor3x1 0.950 -0.307 x2 0.948 -0.310 x3 -0.340 -0.782 0.517 x4 0.363 0.561 -0.531 x5 0.454 0.693 0.556 x6 0.383 0.163 0.527 SS loadings 2.402 1.623 1.1

2、40Proportion Var 0.400 0.271 0.190 #方差贡献率Cumulative Var 0.400 0.671 0.861 #累计方差贡献率The degrees of freedom for the model is 0 and the fit was 1.1422 #主成分法进行因子分析 library（mvstats） FA1=factpc（X,3）$Vars #方差 方差贡献率 累计方差贡献率 Vars Vars.Prop Vars.Cum Factor1 2.570 0.4283 42.83Factor2 1.713 0.2855 71.38Factor3 1

3、.249 0.2082 92.19$loadings #载荷矩阵x1 0.7829 0.5029 -0.3624x2 0.7811 0.4964 -0.3756x3 -0.5786 0.7685 0.0802x4 0.5951 -0.6990 -0.2415x5 0.6317 -0.1457 0.6557x6 0.5084 0.3367 0.6943$scores #因子得分冀东水泥 1.10805 0.19287 -0.40233大同水泥 -1.07195 1.46385 -0.37413四川双马 -0.58577 -0.49848 0.24193牡丹江 -1.17442 -0.77791

4、0.08986西水股份 -0.05264 -0.46073 2.31615狮头股份 -1.05007 2.04151 0.25174太行股份 0.20807 0.48809 -0.23430海螺水泥 2.20745 0.32524 1.16336尖峰集团 -1.11541 -1.53235 0.39013四川金顶 0.09714 -0.60602 -1.45691祁连山 0.66096 1.03293 0.04173华新水泥 0.41359 -1.08331 0.19805福建水泥 0.86840 -0.53255 -1.82104天鹅股份 -0.51340 -0.05315 -0.40422

5、$Rank #得分排名 F Ri冀东水泥 0.48359 3大同水泥 -0.12910 8四川双马 -0.37184 11牡丹江 -0.76615 13西水股份 0.35587 4狮头股份 0.20127 5太行股份 0.19490 6海螺水泥 1.38882 1尖峰集团 -0.90457 14四川金顶 -0.47152 12祁连山 0.63632 2华新水泥 -0.09863 7福建水泥 -0.17273 9天鹅股份 -0.34622 10$common0.9971 0.9976 0.9318 0.9011 0.8502 0.8539 从上面结果来看，用极大似然法解释的方差为86%，基本可以

6、全面反映六项财务指标的信息。用主成分法解释的方差为92%，效果要更好。因子个数也可用碎石图来看。因为三个因子的经济含义不明显，需要进行因子旋转。#极大似然法varimaxx1 0.983 0.155 x2 0.985 0.142 x3 -0.990 -0.124 x4 0.127 0.844 x5 0.293 0.953 x6 0.210 0.631 SS loadings 1.998 1.800 1.367Proportion Var 0.333 0.300 0.228Cumulative Var 0.333 0.633 0.861#主成分方法 FA1=factpc（X,3,rotation

7、= Factor Analysis for Princomp in Varimax: FA1$Vars #方差 方差贡献率 累计方差贡献率 Vars Vars.Prop Vars.CumFactor1 2.014 33.56 33.56Factor2 1.938 32.30 65.87Factor3 1.580 26.33 92.19$loadings #旋转后载荷矩阵x1 0.986709 0.07216 0.135305x2 0.988140 0.07913 0.122314x3 -0.009491 -0.95685 -0.127000x4 0.135286 0.93954 0.00453

8、8x5 0.044103 0.32942 0.860082x6 0.208451 -0.14120 0.889083$scores #旋转后因子得分冀东水泥 1.0571 0.508465 0.22544大同水泥 0.2509 -1.704706 -0.68039四川双马 -0.7922 0.052388 -0.14079牡丹江 -1.2794 -0.001121 -0.59625西水股份 -1.3825 -0.096118 1.91289狮头股份 0.2910 -2.290232 -0.06280太行股份 0.5235 -0.246292 -0.04099海螺水泥 1.1476 0.6816

9、31 2.13317尖峰集团 -1.7982 0.594084 -0.39758四川金顶 0.4175 0.832941 -1.27718祁连山 1.0061 -0.507764 0.48519华新水泥 -0.4092 1.074736 0.24757福建水泥 1.1592 1.253210 -1.19980天鹅股份 -0.1915 -0.151222 -0.60849$Rank#得分排名冀东水泥 0.627381 2大同水泥 -0.700254 13四川双马 -0.310247 10牡丹江 -0.636439 12西水股份 0.009279 8狮头股份 -0.714476 14太行股份 0.

10、092589 6海螺水泥 1.265773 1尖峰集团 -0.560000 11四川金顶 0.079124 7祁连山 0.326924 4华新水泥 0.298287 5福建水泥 0.518518 3天鹅股份 -0.296458 9#极大似然法的函数没有给出排名情况，用自编函数library（mvstats）factanal.rank（FA1,plot=T）信息重叠图biplot（FA0$scores,FA1$loading） #极大似然法的信息重叠图得到：d7.2：31个省、市、自治区的消费情况。用d7.2数据应用因子分析模型。 X-read.table（ FA0=factpc（X,3） #主

11、成分法因子分析 未旋转 FA0$Vars #方差贡献率Factor1 5.1925 0.64907 64.91Factor2 1.2606 0.15757 80.66Factor3 0.6471 0.08088 88.75 FA0$loadings #载荷矩阵X1 0.9114 -0.07120 0.2423X2 0.3207 0.84400 0.2879X3 0.8274 -0.01090 -0.3958X4 0.7803 0.29371 -0.4307X5 0.9138 -0.15211 0.3033X6 0.9337 0.03035 -0.1695X7 0.6569 -0.64671 0

12、.1130X8 0.9096 0.12046 0.1729由于公共因子在原始变量上的载荷值不太好解释，故对其进行因子旋转，选用方差最大化正交旋转。）#主成分法因子分析 旋转 FA1$Vars #旋转后方差贡献率Factor1 3.229 40.37 40.37Factor2 2.596 32.45 72.82Factor3 1.275 15.94 88.75 FA1$loadings #旋转后载荷矩阵X1 0.83728 0.4015 0.17946X2 0.08334 0.1625 0.92987X3 0.39643 0.8267 -0.02714X4 0.22838 0.8813 0.22

13、782X5 0.90324 0.3425 0.13011X6 0.58608 0.7379 0.11553X7 0.79127 0.2182 -0.43453X8 0.72564 0.4887 0.32604由旋转后的因子载荷矩阵可以看到：公共因子F1在X1（人均食品支出）、X5（人均交通和通讯支出）、x7（人均居住支出）、x8（人均杂项商品及服务支出）上的载荷值都很大，可视为反映日常必须消费的公共因子。公共因子F2在X3（人均家庭设备用品及服务支出）、x4（人均医疗保健支出）、x6（人均娱乐教育文化支出）上的载荷值很大，可视为反映相对高档消费的公共因子。公共因子F3仅在x2（人均衣着支出）上

14、有很大的载荷，可视为衣着因子。这样就可以对各省、市、自治区的消费情况做评价。 FA1$scores #因子得分北京 0.60209 2.93798 1.639329天津 0.53368 1.39166 -0.946970河北 -1.00553 0.42878 -0.215804山西 -0.98315 0.02363 0.005883内蒙古 -0.40922 -0.75555 0.551076辽宁 -0.67890 -0.17396 0.484714吉林 -0.53301 -0.51962 0.137665黑龙江 -0.85858 -0.22739 0.001374上海 2.23481 1.27

15、047 0.489859江苏 -0.11532 0.26186 -0.074807浙江 0.62223 2.17914 0.168660安徽 -0.26717 -0.86766 -0.297037福建 0.94223 -0.67815 -0.337264江西 -0.12598 -1.25376 -1.226289山东 -0.52826 0.33116 0.795547河南 -0.45310 -0.51662 -0.852182湖北 -0.06496 -0.67388 -0.087642湖南 0.27740 0.04226 -0.323656广东 3.52132 -0.59559 -1.4099

16、39广西 0.49514 -0.31264 -1.620601海南 -0.05670 -0.69585 -1.613855重庆 0.02695 0.26656 -0.014563四川 -0.16409 -0.02868 -0.460109贵州 -0.64279 -0.52856 -0.085301云南 0.24521 -0.42921 0.308552西藏 1.41158 -2.38342 3.597715陕西 -0.96542 0.78188 -0.761364甘肃 -1.03248 0.24684 0.295909青海 -0.64835 0.12991 0.646513宁夏 -1.0628

17、2 0.60619 0.411427新疆 -0.31678 -0.25777 0.793161F=（0.40366F1+0.32449F2+0.15937F3）/0.8875 FA1$Rank 北京 1.642392 1天津 0.581519 5河北 -0.339312 22山西 -0.437458 25内蒙古 -0.363417 23辽宁 -0.285347 18吉林 -0.407689 24黑龙江 -0.473391 26上海 1.568902 2江苏 0.029861 10浙江 1.110031 4安徽 -0.492088 27福建 0.120034 7江西 -0.735896 31山东

18、 0.023665 11河南 -0.547985 29湖北 -0.291669 20湖南 0.083501 9广东 1.130630 3广西 -0.180103 16海南 -0.569989 30重庆 0.107103 8四川 -0.167735 15贵州 -0.500925 28云南 0.009999 12西藏 0.416570 6陕西 -0.289922 19甘肃 -0.326206 21青海 -0.131298 14宁夏 -0.187872 17新疆 -0.095905 13 plot.text（FA1$scores） biplot（FA1$scores,FA1$loadings）练习题：e9.4 用因子分析做股票的评价。