R 語言 因子分析

2021-08-18 03:48:25 字數 1463 閱讀 8874

#因子分析


options(digits=2)


covariances <- ability.cov$cov


#將協方差矩陣轉化為相關係數矩陣


correlations <- cov2cor(covariances)


#第一步：判斷需提取的公共因子數


library(psych)


covariances <- ability.cov$cov


correlations <- cov2cor(covariances)


fa.parallel(correlations, n.obs=112, fa="both", n.iter=100,


main="scree plots with parallel analysis")


fa(correlations, nfactors=2, rotate="none", fm="pa")


fa.varimax <- fa(correlations, nfactors=2, rotate="varimax", fm="pa")


fa.varimax


fa.promax <- fa(correlations, nfactors=1, rotate="promax", fm="pa")


fa.promax


#因子結構矩陣


fsm <- function(oblique) else 


}fsm(fa.varimax)
現在你可以看到變數與因子間的相關係數。將它們與正交旋轉所得因子載荷陣相比，你會發

現該載荷陣列的噪音比較大，這是因為之前你允許潛在因子相關。雖然斜交方法更為複雜，但模

型將更符合真實資料。

使用factor.plot()或fa.diagram()函式，你可以繪製正交或者斜交結果的圖形。來看

以下**：

factor.plot(fa.promax, labels=rownames(fa.promax$loadings))
相比pca，efa並不那麼關注計算因子得分。在fa()函式中新增score = true選項（原始

資料可得時）便可很輕鬆地獲得因子得分。另外還可以得到得分係數（標準化的回歸權重），它

在返回物件的weights元素中。

對於ability.cov資料集，通過二因子斜交旋轉法便可獲得用來計算因子得分的權重：

fa.promax$weights


[,1] [,2]


general 0.080 0.210


picture 0.021 0.090


blocks 0.044 0.695


maze 0.027 0.035


reading 0.739 0.044


vocab 0.176 0.039
與可精確計算的主成分得分不同，因子得分只是估計得到的。它的估計方法有多種，fa()

函式使用的是回歸方法

R做因子分析

factanal x,factors,data null,covmat null,n.obs na,subset,na.actionstart null,scores c none regression bartlett rotation varimax control null,其中x是資料的公式...

因子分析聚類R

1.因子分析 a read.csv f 2014.csv head a x scale a 1 library mvstats fac1 factpc x,4,rot varimax fac0 factpc x,4 主成分法，因子分析 fac0 vars 求方差及貢獻率 fac1 factpc x,...

R語言探索性因子分析練習

主要依據 r實戰 用自己的資料做探索，反正這文章也沒人看哈哈哈。涉及到的包 psych gparotation 載入資料 data read.csv d from r sem in r study1.csv header true,sep data str data 生成相關係數矩陣 corlibr...