滕達(dá)

(吉林工商學(xué)院會計(jì)分院,吉林 長春 130062)

1 問題的提出

在現(xiàn)實(shí)生活或科學(xué)研究過程中，影響某一事物的特征或該事物發(fā)展規(guī)律的因素是多元化的，我們在對這些影響因素對于事物的影響進(jìn)行研究過程中，該事物的某一特征作為統(tǒng)計(jì)學(xué)意義上的因變量，而影響因素則作為自變量。為了更加全面的對事物的特征或發(fā)展規(guī)律進(jìn)行反映，需要綜合與其相關(guān)各種影響因素進(jìn)行評價(jià)，即在研究過程中對于影響事物特征或發(fā)展規(guī)律的因素需要更多的引入，對其進(jìn)行綜合分析和評價(jià)。然而，多變量大樣本資料盡管可以對事物特征或發(fā)展規(guī)律提供更加全面的信息，但同時(shí)帶來了多重共線性等問題，使得影響因素所反映的信息重復(fù)，影響統(tǒng)計(jì)結(jié)果的真實(shí)性和科學(xué)性。對此，降維思想成為解決這一問題的有效方式。主成分分析和因子分析方法都是運(yùn)用降維的思想，將多變量信息歸納為少數(shù)幾個(gè)相互無關(guān)的的綜合變量以反映原來數(shù)據(jù)的大部分信息。

近年來，主成分分析和因子分析方法作為一種統(tǒng)計(jì)分析方法在科學(xué)研究中的應(yīng)用十分廣泛，運(yùn)用其進(jìn)行多變量分析的學(xué)術(shù)文獻(xiàn)越來越多。然而，在實(shí)際使用過程中，常常出現(xiàn)一些將兩種方法進(jìn)行混淆的錯(cuò)誤，由此產(chǎn)生的統(tǒng)計(jì)分析結(jié)果在科學(xué)性上大打折扣。因子分析方法是主成分分析方法的推廣和發(fā)展，兩種方法之間既存在共同之處，也有著顯著的差別，有必要對兩種方法之間的聯(lián)系和區(qū)別進(jìn)行嚴(yán)格區(qū)分，并針對實(shí)際問題選擇恰當(dāng)?shù)姆治龇椒ā?/p>

2 兩者的聯(lián)系與區(qū)別

2.1 兩者的聯(lián)系

主成分分析和因子分析方法都屬于多元統(tǒng)計(jì)分析中處理降維的統(tǒng)計(jì)方法。在數(shù)理統(tǒng)計(jì)的基本原理上，兩者都是基于多變量的相關(guān)系數(shù)矩陣，在確保較少信息缺失的前提下（一般小于或等于15%），用少數(shù)幾個(gè)不相關(guān)綜合變量概括多個(gè)變量的信息（多個(gè)變量之間存在較強(qiáng)的相關(guān)性）。即用少數(shù)不相關(guān)的綜合變量盡可能全面的反映多個(gè)原始變量的信息，消除了原始變量的相關(guān)性，可信度得到提高，統(tǒng)計(jì)結(jié)果可以有效地解釋現(xiàn)實(shí)問題。需要注意的是，兩種方法產(chǎn)生的新的變量（因子）不是原始變量篩選后的剩余變量，而是綜合所有變量信息后的新變量。其中，在主成分分析過程中，新變量是原始變量的線性組合，即將多個(gè)原始變量經(jīng)過線性（坐標(biāo)）變換得到新的變量。在因子分析過程中，新變量則是通過原始變量之間的復(fù)雜關(guān)系對原始變量進(jìn)行分解，得到公共因子和特殊因子。其中公共因子是所有原始變量中所共同具有的特征，而特殊因子則是原始變量所特有的部分。兩種方法下得到的主成分變量與因子變量在數(shù)量上顯著少于原始變量，起到了降維的作用，也提高了數(shù)據(jù)有效利用程度。

2.2 兩者的區(qū)別

2.2.1 基本概念不同主成分分析法是將多個(gè)指標(biāo)轉(zhuǎn)化為少數(shù)彼此不相關(guān)的綜合指標(biāo)（即主成分）的統(tǒng)計(jì)方法。而因子分析法是主成分分析法的推廣和發(fā)展，它也是將具有錯(cuò)綜復(fù)雜關(guān)系的變量綜合為數(shù)量較少的幾個(gè)因子，再根據(jù)不同因子還可以對變量進(jìn)行分類，同時(shí)重塑原始變量與因子之間的相互關(guān)系。

2.2.2 基本原理不同

主成分分析方法旨在通過方差-協(xié)方差矩陣將多個(gè)原始變量通過多次線性變換得到少數(shù)幾個(gè)主成分（新的變量），這些主成分變量能夠反映原始變量盡可能多的信息（一般大于或者等于85%為通過標(biāo)準(zhǔn)），并且它們之間不相關(guān)。從數(shù)理上講，主成分分析法是一種矩陣變換的方法，即將給定的變量（原始變量）通過多次線性變換，轉(zhuǎn)換成一組彼此不相關(guān)的變量，在這個(gè)過程中，變量的方差之和保持不變，方差最大的作為第一主成分變量，以此類推，得到數(shù)量較少的、可以涵蓋大部分原始變量信息幾個(gè)主成分，從這個(gè)意義上講，主成分分析法是作為因子分析的一種方式。

而因子分析法則是通過原始變量的相關(guān)系數(shù)矩陣將變量進(jìn)行分組，分組的原則是將相關(guān)性較高的變量置于一組中，但組與組之間的變量相關(guān)性較低。這樣各組變量代表一個(gè)基本要素（公共因子），所研究的問題可以分解為少數(shù)幾個(gè)公共因子的線性函數(shù)與特殊因子之和?？梢?，因子分析法下的新變量是對原始變量進(jìn)行分解得到，而不是原始變量的線性組合。具體而言，就是通過獲取原始變量中可測量的、具有一定相關(guān)性的統(tǒng)計(jì)指標(biāo)測定各個(gè)因子的狀態(tài)。從該意義上來講，因子分析只能解釋變量的部分變異，而主成分分析法則解釋了所有變異。

2.2.3 數(shù)據(jù)處理過程不同

在消除量綱和數(shù)量級的處理上，主成分分析通常需要對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將原始數(shù)據(jù)轉(zhuǎn)換成為均值為0、方差為1的標(biāo)準(zhǔn)化數(shù)據(jù)。而因子分析法對此則要求不高，這是因?yàn)橐蜃臃治龇ū旧砜梢酝ㄟ^加權(quán)最小二乘法、主成分法等求解因子變量，在這個(gè)過程中，因子是原始變量內(nèi)部分解的結(jié)果，與原始變量是否同量綱關(guān)系不大。只有通過主成分法確認(rèn)因子變量時(shí)，需要對原始數(shù)據(jù)進(jìn)行無量綱化處理。另外一點(diǎn)，主成分分析法下的新變量（主成分）是通過原始變量的多次線性組合后得到的，這個(gè)過程本身具有可逆性；而在因子分析法下，因子分析中的載荷矩陣是不可逆的，只能通過可觀測的原變量去估計(jì)不可觀測的公共因子。

此外，主成分分析法主要側(cè)重于變量的信息貢獻(xiàn)能力，而因子分析法則側(cè)重于因子的可解釋性。

2.2.4 統(tǒng)計(jì)軟件實(shí)現(xiàn)過程不同-以SPSS為例

在利用統(tǒng)計(jì)軟件SPSS進(jìn)行主成分分析時(shí)，其基本步驟大致為：（1）對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；（2）選擇 "分析（Analyze）- 數(shù)據(jù)提?。―ata Reduction）-成分分析（Factor Analyze）"打開主成分分析對話框，在"數(shù)據(jù)描述（Descriptives）：相關(guān)系數(shù)矩陣（Correlation Matrix）"框中選系數(shù)（Coefficients），"統(tǒng)計(jì)（Statistics）"框中選初始解（Initial solution）；Step4："提?。‥xtraction）：方式（Method）"框中選主成分（Principal components）；"分析（Analyze）框 "中選相關(guān)系數(shù)矩陣（Correlation matrix）；"顯示（Display）"框中選未經(jīng)旋轉(zhuǎn)的因子載荷（Unrotated factor solution）；" 提取（Extract）" 框中選特征值（Eigenvalues）；Step5：結(jié)果顯示在 Output中：提取方差總合計(jì)（Total Variance Explained）中主成分的累計(jì)貢獻(xiàn)率大于等于85%的主成分個(gè)數(shù)："Component Matrix"中第i個(gè)主成分的列向量除以相應(yīng)特征根的平方根后就得到這個(gè)主成分的變量系數(shù)向量，可以利用"Transform-compute"來實(shí)現(xiàn)；Step6：寫出主成分表達(dá)式及主成分命名。

在利用統(tǒng)計(jì)軟件SPSS進(jìn)行因子分析時(shí)，其基本步驟為：（1）--（4）同主成分分析的實(shí)現(xiàn)過程；（5）"旋轉(zhuǎn)（Rotation）：方式（Method）"框中選最大方差法（Varimax），"顯示（Display）"框中選擇旋轉(zhuǎn)的因子載荷陣（Rotated solution）；（6）" 得分（Scores）" 框中變量形式保存（Save as variables），"方法（Method）"框中選中回歸（Regression）；（7）結(jié)果同樣顯示在 Output中，提取方差總合計(jì)（Total Variance Explained）中主成分的累計(jì)貢獻(xiàn)率大于等于85%的因子個(gè)數(shù)，并對各個(gè)因子進(jìn)行命名，并根據(jù)因子得分函數(shù)對因變量進(jìn)行排序。

結(jié)束語

目前，主成分分析法和因子分析法在科學(xué)研究中應(yīng)用十分廣泛，在處理多變量、大樣本的統(tǒng)計(jì)問題上優(yōu)勢十分明顯。因此，廣受學(xué)術(shù)界學(xué)者們的青睞。但是，在現(xiàn)實(shí)中，因?yàn)閮煞N方法之間存在著諸多內(nèi)在的聯(lián)系，不少學(xué)者在運(yùn)用這兩種方法解決問題過程中常常出現(xiàn)混淆使用的現(xiàn)象，統(tǒng)計(jì)軟件輸出的結(jié)果也很難解釋，科學(xué)性和可信性大打折扣。因此，明確兩種方法之間的聯(lián)系和區(qū)別，正確、恰當(dāng)?shù)氖褂眠@兩種方法，對于學(xué)術(shù)研究十分關(guān)鍵。本文正基于此，探討了兩種方法之間的聯(lián)系和區(qū)別，以期拋磚引玉。

[1]魏艷華,王丙參,田玉柱.主成分分析與因子分析的比較研究,天水師范學(xué)院學(xué)報(bào)，2009年第3期.

[2]景慧麗.主成分分析和因子分析比較.商業(yè)文化.2008年第8期.

[3]馬娟,楊益民.主成分分析與因子分析之比較及實(shí)證分析.市場研究,2007年第3期.