1樓：一灘新約
一、方式不同：
1、因子分析法：
通過從變數群中提取共性因子
2、主成分分析法：
通過正交變換將一組可能存在相關性的變數轉換為一組線性不相關的變數，轉換後的這組變數叫主成分。
二、應用不同：
1、因子分析法：
主要應用於市場調研領域，在市場調研中，研究人員關心的是一些研究指標的整合或者組合，這些概念通常是通過等級評分問題來測量的。
2、主成分分析法：
人口統計學、數量地理學、分子動力學模擬、數學建模、數理分析等學科中均有應用。
三、聯絡：
因子分析法和主成分分析法都是統計分析方法，都要對變數標準化，並找出相關矩陣。
擴充套件資料
主成分分析首先是由k.皮爾森（karl pearson）對非隨機變數引入的，爾後h.霍特林將此方法推廣到隨機向量的情形。資訊的大小通常用離差平方和或方差來衡量。
因子分析法最早由英國心理學家c.e.斯皮爾曼提出。
他發現學生的各科成績之間存在著一定的相關性，一科成績好的學生，往往其他各科成績也比較好，從而推想是否存在某些潛在的共性因子，或稱某些一般智力條件影響著學生的學習成績。因子分析可在許多變數中找出隱藏的具有代表性的因子。
2樓：匿名使用者
主成分分析和因子分析都是資訊濃縮的方法，即將多個分析項資訊濃縮成幾個概括性指標。
因子分析在主成分基礎上，多出一項旋轉功能，該旋轉目的即在於命名，更容易解釋因子的含義。如果研究關注於指標與分析項的對應關係上，或是希望將得到的指標進行命名，spssau建議使用因子分析。
主成分分析目的在於資訊濃縮（但不太關注主成分與分析項對應關係），權重計算，以及綜合得分計算。如希望進行排名比較，計算綜合競爭力，可使用主成分分析。
spssau可直接使用這兩種方法，支援自動儲存因子得分及綜合得分，不需要手動計算。
3樓：匿名使用者
因子分析的基本目的就是用少數幾個因子去描述許多指標或因素之間的聯絡，即將相關比較密切的幾個變數歸在同一類中，每一類變數就成為一個因子，以較少的幾個因子反映原資料的大部分資訊。運用這種研究技術，我們可以方便地找出影響消費者購買、消費以及滿意度的主要因素是哪些，以及它們的影響力。運用這種研究技術，我們還可以為市場細分做前期分析。
4樓：翠霽竭依心
因子分析與主成分分析的異同點:
都對原始資料進行標準化處理;都消除了原始指標的相關性對綜合評價所造成的資訊重複的影響;構造綜合評價時所涉及的權數具有客觀性;在資訊損失不大的前提下，減少了評價工作量
公共因子比主成分更容易被解釋;因子分析的評價結果沒有主成分分析準確;因子分析比主成分分析的計算工作量大
主成分分析僅僅是變數變換，而因子分析需要構造因子模型。
主成分分析:原始變數的線性組合表示新的綜合變數，即主成分；
因子分析：潛在的假想變數和隨機影響變數的線性組合表示原始變數。
主成分分析法和因子分析法哪個用起來簡單？
5樓：匿名使用者
兩個方法基本相同，只是因子分析是在主成分基礎上，多出一步旋轉步驟，為了讓提取的成分更容易命名。兩種方法都可以在網頁版spssau中使用，配合智慧文字建議和幫助手冊可以能快理解。
如果說研究目的完全在於資訊濃縮，並且找出因子與分析項對應關係，建議用因子分析。主成分分析更多用於權重計算，以及綜合得分計算。
因子分析-spssau
主成分分析-spssau
6樓：匿名使用者
都還好吧，用spss直接代入資料處理就是了，主成分處理起來相對簡單一點，但是解釋起來挺費勁的。因子分析找到關鍵因子，解釋起來容易些。
7樓：心緣五分
和主成分分析相比，由於
因子分析可以使用旋轉技術幫助解釋因子，在解釋方面更加有優勢。大致說來，當需要尋找潛在的因子，並對這些因子進行解釋的時候，更加傾向於使用因子分析，並且藉助旋轉技術幫助更好解釋。而如果想把現有的變數變成少數幾個新的變數（新的變數幾乎帶有原來所有變數的資訊）來進入後續的分析，則可以使用主成分分析。
當然，這中情況也可以使用因子得分做到。所以這種區分不是絕對的。總得來說，主成分分析主要是作為一種探索性的技術，在分析者進行多後設資料分析之前 ，用主成分分析來分析資料，讓自己對資料有一個大致的瞭解是非常重要的。
主成分分析一般很少單獨使用（我覺得不一定，可以單獨用）：a，瞭解資料。(screening the data),b,和cluster analysis一 起使用，c，和判別分析一起使用，比如當變數很多，個案數不多，直接使用判別分析可能無解，這時候可以使用主成份發對變數簡化。
（reduce dimensionality）d,在多元迴歸中，主成分分析可以幫助判斷是否存在共線性（條件指數），還可以用來處理共線性。
在演算法上，主成分分析和因子分析很類似，不過，在因子分析中所採用的協方差矩陣的對角元素不再是變數的方差，而是和變數對應的共同度（變數方差中被各因子所解釋的部分）。
因子分子提取的公因子比主成份提取的主成分更具有可解釋性。作完探索性因子分析後就可以作確定性因子分析建立模型來明確潛在因子分析之間的關聯性。
因子分析法如何確定主成分及各個指標的權重？ 5
8樓：向天致信
在spss中，主成分分析是通過設定因子分析中的抽取方法實現的，如果設定的抽取方法是主成分，那麼計算的就是主成分得分，另外，因子分析和主成分分析儘管原理不同，但是兩者綜合得分的計算方法是一致的。
確定資料的權重也是進行資料分析的重要前提。可以利用spss的因子分析方法來確定權重。主要步驟是：
(1)首先將資料標準化，這是考慮到不同資料間的量綱不一致，因而必須要無量綱化。
(2)對標準化後的資料進行因子分析(主成分方法)，使用方差最大化旋轉。
(3)寫出主因子得分和每個主因子的方程貢獻率。
fj =β1j*x1 +β2j*x2 +β3j*x3 + ……+ βnj*xn ; fj 為主成分(j=1、2、……、m)，x1、x2 、x3 、……、xn 為各個指標，β1j、β2j、β3j、……、βnj為各指標在主成分fj 中的係數得分，用ej表示fj的方程貢獻率。
(4)求出指標權重。 ωi=[(m∑j)βij*ej]/[(n∑i)(m∑j)βij*ej],ωi就是指標xi的權重。
因子分析應用在評價指標權重確定中，通過主成分分析法得到的各指標的公因子方差，其值大小表示該項指標對總體變異的貢獻，通過計算各個公因子方差佔公因子方差總和的百分數。
9樓：
用spss軟體啊。把資料匯入，選擇因子分析選項，會得到帶有得分和權重的列表啊。
10樓：匿名使用者
主成分看方差貢獻率就可以，各個指標要二次運算吧。我也正在找，同問。
主成分分析法與因子分析法的區別？ 5
11樓：小格調
一、性質不同
1、主成分分析法性質：通過正交變換將一組可能存在相關性的變數轉換為一組線性不相關的變數，轉換後的這組變數。
2、因子分析法性質：研究從變數群中提取共性因子的統計技術。
二、應用不同
1、主成分分析法應用：比如人口統計學、數量地理學、分子動力學模擬、數學建模、數理分析等學科中均有應用，是一種常用的多變數分析方法。
2、因子分析法應用：
（1）消費者習慣和態度研究（u&a）
（2） 品牌形象和特性研究
（3）服務質量調查
（4） 個性測試
（5）形象調查
（6） 市場劃分識別
（7）顧客、產品和行為分類
12樓：匿名使用者
主成分分析和因子分析都是資訊濃縮的方法，即將多個分析項資訊濃縮成幾個概括性指標。
因子分析在主成分基礎上，多出一項旋轉功能，該旋轉目的即在於命名，更容易解釋因子的含義。如果研究關注於指標與分析項的對應關係上，或是希望將得到的指標進行命名，spssau建議使用因子分析。
主成分分析目的在於資訊濃縮（但不太關注主成分與分析項對應關係），權重計算，以及綜合得分計算。如希望進行排名比較，計算綜合競爭力，可使用主成分分析。
spssau可直接使用這兩種方法，支援自動儲存因子得分及綜合得分，不需要手動計算。
13樓：至善教育一對一
主成分分析主要是作為一種探索性的技術，在分析者進行多後設資料分析之前，用主成分分析來分析資料，讓自己對資料有一個大致的瞭解是非常重要的。主成分分析一般很少單獨使用：a，瞭解資料。
（screening the data），b，和cluster analysis一起使用，c，和判別分析一起使用，比如當變數很多，個案數不多，直接使用判別分析可能無解，這時候可以使用主成份發對變數簡化。（reduce dimensionality）d，在多元迴歸中，主成分分析可以幫助判斷是否存在共線性（條件指數），還可以用來處理共線性。
因子分析的基本目的就是用少數幾個因子去描述許多指標或因素之間的聯絡，即將相關比較密切的幾個變數歸在同一類中，每一類變數就成為一個因子（之所以稱其為因子，是因為它是不可觀測的，即不是具體的變數），以較少的幾個因子反映原資料的大部分資訊。運用這種研究技術，我們可以方便地找出影響消費者購買、消費以及滿意度的主要因素是哪些，以及它們的影響力（權重）運用這種研究技術，我們還可以為市場細分做前期分析。
1、因子分析中是把變數表示成各因子的線性組合，而主成分分析中則是把主成分表示成個變數的線性組合。
2、主成分分析的重點在於解釋個變數的總方差，而因子分析則把重點放在解釋各變數之間的協方差。
3、主成分分析中不需要有假設（assumptions），因子分析則需要一些假設。因子分析的假設包括：各個共同因子之間不相關，特殊因子（specific factor）之間也不相關，共同因子和特殊因子之間也不相關。
4、主成分分析中，當給定的協方差矩陣或者相關矩陣的特徵值是唯一的時候，主成分一般是獨特的；而因子分析中因子不是獨特的，可以旋轉得到不同的因子。
5、在因子分析中，因子個數需要分析者指定（spss根據一定的條件自動設定，只要是特徵值大於1的因子進入分析），而指定的因子數量不同而結果不同。在主成分分析中，成分的數量是一定的，一般有幾個變數就有幾個主成分。和主成分分析相比，由於因子分析可以使用旋轉技術幫助解釋因子，在解釋方面更加有優勢。
大致說來，當需要尋找潛在的因子，並對這些因子進行解釋的時候，更加傾向於使用因子分析，並且藉助旋轉技術幫助更好解釋。而如果想把現有的變數變成少數幾個新的變數（新的變數幾乎帶有原來所有變數的資訊）來進入後續的分析，則可以使用主成分分析。當然，這種情況也可以使用因子得分做到。
所以這種區分不是絕對的。
在演算法上，主成分分析和因子分析很類似，不過，在因子分析中所採用的協方差矩陣的對角元素不在是變數的方差，而是和變數對應的共同度（變數方差中被各因子所解釋的部分）。
主成分分析法與因子分析法的區別主成分分析法與因子分析法的區別？
一 性質不同 1 主成分分析法性質 通過正交變換將一組可能存在相關性的變數轉換為一組線性不相關的變數，轉換後的這組變數。2 因子分析法性質 研究從變數群中提取共性因子的統計技術。二 應用不同 1 主成分分析法應用 比如人口統計學 數量地理學 分子動力學模擬 數學建模 數理分析等學科中均有應用，是一種...
主成分分析法和因子分析法哪個用起來簡單
兩個方法基本相同，只是因子分析是在主成分基礎上，多出一步旋轉步驟，為了讓提取的成分更容易命名。兩種方法都可以在網頁版spssau中使用，配合智慧文字建議和幫助手冊可以能快理解。如果說研究目的完全在於資訊濃縮，並且找出因子與分析項對應關係，建議用因子分析。主成分分析更多用於權重計算，以及綜合得分計算。...
在主成分分析中，因子得分系數矩陣和特徵向量之間有什麼關係
我也想bai知道，你現在知道了麼du，就是用成分矩陣zhi除以dao 特徵根的平方根得到的主專成分得分系數和採用屬迴歸方法得到的結果是否一樣，因為有的講解說是主成分得分系數矩陣可以由載荷矩陣求得，既然能求得，那為什麼在得分選項中還選擇迴歸，多此一舉呢？由解釋。請問主成分分析法中各因子的綜合得分怎麼經...