因子分析

有前提条件

1. 样本量
2. 各变量之间必须有相关性（被归纳在一个因子里强相关，因子间弱相关）

因子分析：对定量数据，不对定性数据

特征值大于1

自己设置几个因子

旋转后，就是调整能够解释的项的占比，

选择原则

1.贡献率0.5

2.大于1

3.可解释

1. 纠缠不清：根据专业知识判断
2. 张冠李戴：大部队与某一项关联，但是其中的一个因素和大部队不同，这时需要把这一个因素剔除掉

共同度：比较低的不要

1. 探索因子，就是把它归类
2. 计算权重，就是看最后得到所有因子各占的比例，如果需要的因子相加不为1，则需要标准化。

===========================================

对应分析：类别数据之间的关系

手机品牌偏好和收入水平之间的关系

手机品牌偏好确实有差异

收入水平确实有差异

重点：图

高收入与E品牌有关系

离原点越远表示差异性越强

=========================================

X、Y两个矩阵之间的关系，但是比较困难

X做好多个线性组合A，B，C，D

Y做好多个线性组合E，F，G，H

将这两组线性组合相互成对并比较，找到相关性最强的线性组合。

即比较A-E，A-f，A-G，A-H，B-E，B-f，B-G，B-H，C-E，C-f，C-G，C-H，D-E，D-f，D-G，D-H之间的相关性，假如A-E最强，就将它挑选出来。

然后还剩下

X线性组合B，C，D

Y线性组合F，G，H

再以同样方式比较，但是不同的是，选择的线性组合必须与A且与E正交。

假如第二组选择的是B-F，则需要B与A正交，B与E正交，F与A正交，F与E正交，即B与A不相关，B与E不相关，F与A不相关，F与E不相关。

以此类推。

第二组解释第一组没解释的部分

标准化

解释

1. 通过线性组合
2. 线性组合与单元变量的相关性

=====================================

目的一：消灭信息重叠--PCA

目的二：探讨变量内的联系和结构：FA

PCA：1.尽量多保留信息2.主成分之间不相关

用途：

1. 主成分评价：
2. 主成分回归，解决共线性问题

小于1个主成分都不用考虑

因子分析

原文：https://www.cnblogs.com/yuanjingnan/p/12025124.html