《因子分析法--综合评价指标》由会员分享，可在线阅读，更多相关《因子分析法--综合评价指标（9页珍藏版）》请在金锄头文库上搜索。
1、. .应用统计分析-题目2题目2 数据data2是某医院3年中各月的数据，包括门诊人次、出院人数、病床利用率和周转次数、平均住院天数、治愈或好转率、病死率、诊断符合率、抢救成功率。采用因子分析法探讨综合评价指标。一、因子分析法因子分析是主成分分析的推广和开展，也是利用降维方法进展统计分析的一种多元统计方法。它是一种将多变量化简的技术，其目的是分解原始变量，从中归纳出潜在的“类别，相关性较强的指标归为一类，不同类间变量的相关性那么降低。每一类变量代表了一个“共同因子，即一种内在构造,因子分析就是要寻找该构造。因子分析有一个默认的前提条件就是各变量间必须有相关性，否那么，各变量间没有共享信息，就不
2、应当有公因子需要提取，自然也谈不上使用该方法。具体在该条件的判断上，除了根据专业知识来估计外，还可以使用KMO统计量和Bartletts 球形检验加以判定。二、操作步骤1.导入数据依次单击“文件翻开数据文件命令，翻开如图1所示的对话框。图1 导入数据2.因子分析1依次单击“分析降维因子分析命令，如图2所示。翻开图3所示的“因子分析主对话框。图2 因子分析菜单- 优选. .a选入变量前b选入变量后. .word.zl. .图3 “因子分析主对话框2在图3a所示的对话框中选中左边的变量，单击 按钮，将其选入到左边的列表框中如图3a所示。3单击“描述按钮，弹出“因子分析：描述统计对话框，如图4所示，
3、在“统计量选项组中选取“原始分析结果；在“相关矩阵中选取“系数和“KMO和Bartlett。设置完毕后，单击“继续按钮，确认操作。. .word.zl. .图4 “因子分析：描述对话框 图5 “因子分析：抽取对话框. .word.zl. .4单击“抽取按钮，得到如图5所示的“因子分析：抽取对话框。选择“方法为“主成分；在“分析选项组选择“相关性矩阵；在“输出选项组选择“未旋转的因子解和“碎石图；在“提取选项组中将“因子的固定数量：设置为4；将“最大收敛性迭代次数：设置为25.5单击“旋转按钮，得到如图6所示的“因子分析：旋转对话框。在“方法选项组选择“最大四次方值法；在“输出选项组选择“旋转解
4、；将“最大收敛性迭代次数：设置为25。6单击“得分按钮，得到如图7所示的“因子分析：得分对话框。选择“保存为新变量和“显示因子得分系数矩阵；在“方法选项组选择“回归。最后，在“因子分析主对话框如图3所示中，单击“确定按钮，执行操作。. .word.zl. .图6 “因子分析：旋转对话框图7 “因子分析：因子得分对话框. .word.zl. .3.结果解释1相关性分析表1 相关矩阵相关矩阵门诊人次出院人数病床利用率病床周转数平均住院天数治愈好转率病死率诊断符合率抢救成功率相关门诊人次1.000.044.283.288.326-.118-.024.347-.425出院人数.0441.000.084
5、.572-.420.132-.210-.343.505病床利用率.283.0841.000.678-.110-.038-.123.129-.088病床周转数.288.572.6781.000-.412-.055-.297-.202.235平均住院天数.326-.420-.110-.4121.000.297.093.416-.418治愈好转率-.118.132-.038-.055.2971.000-.380-.068.007病死率-.024-.210-.123-.297.093-.3801.000.079-.284诊断符合率.347-.343.129-.202.416-.068.0791.000
6、-.449抢救成功率-.425.505-.088.235-.418.007-.284-.4491.000表2 KMO和Bartlett的检验KMO 和 Bartlett 的检验取样足够度的 Kaiser-Meyer-Olkin 度量。.490Bartlett 的球形度检验近似卡方119.028df36Sig.000通过相关矩阵发现，大局部系数均超过0.3，另外通过Bartlett检验可以看出，应拒绝各变量独立的假设。不过KMO统计量为0.490，小于0.7，说明变量间的信息重叠度可能不是特别的高，有可能做出的因子分析模型不是非常完善，不过值得尝试。2主成分信息表3 主成分信息解释的总方差成份初
7、始特征值提取平方和载入旋转平方和载入合计方差的 %累积%合计方差的 %累积 %合计方差的 %累积 %12.80731.19431.1942.80731.19431.1942.62829.20129.20121.99122.12453.3171.99122.12453.3171.85420.60349.80431.44816.09269.4101.44816.09269.4101.47116.33966.1444.7858.72378.133.7858.72378.1331.07911.98978.1335.6817.56385.6966.5416.01491.7107.4535.03496.7
8、448.1751.93998.6839.1191.317100.000提取方法：主成份分析。表1中的前三个主成分的特征值大于1，但是它们的累积奉献率仅为69.410%。3变量的共同度表4 变量的共同度公因子方差初始提取门诊人次1.000.879出院人数1.000.870病床利用率1.000.866病床周转数1.000.917平均住院天数1.000.770治愈好转率1.000.796病死率1.000.689诊断符合率1.000.565抢救成功率1.000.681提取方法：主成份分析。图8 碎石图表2显示，每一个变量的公因子方差均在0.5以上，且大多数接近或超过0.7，这说明4个公因子能够较好地反映客观原变量的大局部信息。另外，从碎石图可以看出因子1、2、3、4之间的连线比拟陡峭，说明特征值的差值较大，前四个因子比拟重要。这和上表的结果是吻合的。4旋转前的因子负荷矩阵如表3所示表5 旋转前的因子负荷矩阵成份矩阵a成份1234门诊人次-.255.770.008.470出院人数.766.128.091.508病床利用率.244
