因子分析法(自己整理)

因子分析法

1.因子分析法简介：

1）因子分析法的提出

“因子分析”的名称于1931年由Thurstone 首次提出，但它的概念起源于二十世纪初Karl Pearson 和Charles Spearmen 等人关于智力测验的统计分析。近年来，随着电子计算机的高速发展，人们将因子分析方法成功地应用于各个领域，使得因子分析的理论和方法更加丰富。

2）因子分析的定义

因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。因子分析法(Factor Analysis)就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。

运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。

3）与主成分分析的联系

主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data)，b，和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d，在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。

1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。

2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。

3、主成分分析中不需要有假设(assumptions)，因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。

4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。

5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变

量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这种情况也可以使用因子得分做到。所以这种区分不是绝对的。

在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方差矩阵的对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）。

4）因子分析的主要目标和用途

主要目标：数据缩减。

主要用途：1.减少分析变量个数；

2.通过对变量间相关关系探测，将原始变量进行分类

3.即将相关性高的变量分为一组，用共性子代替该组变量;

4.既可以进行探索性因子分析,也可以部分验证因子.

2.因子分析的原理

1）因子分析的基本思想

因子分析可以看成是主成分分析的一种推广。它的基本目的是，用少数几个因子F1 、F2 、.、Fm 去描述许多变量之间的关系。被描述的变量X1 、X2 、.、Xp 是可以观测的随机变量，即显在变量。而这些因子是不可观测的潜在变量。因子分析是基于信息损失最小化而提出的一种非常有效的方法。它把众多的指标综合成几个为数较少的指标，这些指标即因子指标。

2)因子的特点

1.因子变量的数量远远少于原始变量的个数；

2.因子变量并非原始变量的简单取舍，而是一种新的综合；

3.因子变量之间没有线性关系；

4.因子变量具有明明解释性，可以最大限度地发挥专业分析的作用。

3）因子分析流程图

4）因子分析的模型

因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。

因子分析模型描述如下：

（1）X = (x1，x2，…，xp)￠是可观测随机向量，均值向量E(X)=0，协方差阵Cov(X)=∑，且协方差阵∑与相关矩阵R相等（只要将变量标准化即可实现）。

（2）F = (F1，F2，…，Fm)￠（m

（3）e = (e1，e2，…，ep)￠与F相互独立，且E(e)=0， e的协方差阵∑是对角阵，即各分量e之间是相互独立的，则模型：

x1 = a11F1+ a12F2 +…+a1mFm + e1

x2 = a21F1+a22F2 +…+a2mFm + e2

………

xp = ap1F1+ ap2F2 +…+apmFm + ep

称为因子分析模型，由于该模型是针对变量进行的，各因子又是正交的，所以也称为R型正交因子模型。

其矩阵形式为： x =AF + e .

其中：

x=，A=，F=，e=

这里，

（1）m ￡ p；

（2）Cov(F，e)=0，即F和e是不相关的；

（3）D(F) = Im ，即F1，F2，…，Fm不相关且方差均为1；

D(e)=，即e1，e2，…，ep不相关，且方差不同。

我们把F称为X的公共因子或潜因子，矩阵A称为因子载荷矩阵，e 称为X 的特殊因子。

A = (aij)，aij为因子载荷。数学上可以证明，因子载荷aij就是第i变量与第j因子的相关系数，反映了第i变量在第j因子上的重要性。

5）模型的意义

模型中F1，F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。e1，e2，…，ep叫做特殊因子，是向量x的分量xi(i=1，2，…，p)所特有的因子，各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素(aij)是为因子载荷。因子载荷aij是xi与Fj的协方差，也是xi与Fj的相关系数，它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权，aij的绝对值越大(|aij|￡1)，表明xi与Fj的相依程度越大，或称公共因子Fj对于xi 的载荷量越大。为了得到因子分析结果的经济解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。

因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi

的影响。hi2大表明x的第i个分量xi对于F的每一分量F1，F2，…，Fm的共同依赖程度大。

将因子载荷矩阵A的第j列( j =1，2，…，m)的各元素的平方和记为gj2，称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1，2，…，p)所提供方差的总和，它是衡量公共因子相对重要性的指标。gj2越大，表明公共因子Fj对x的贡献越大，或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1，2，…，m)都计算出来，使其按照大小排序，就可以依此提炼出最有影响力的公共因子。

3.因子分析步骤

因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。

（i）因子分析常常有以下四个基本步骤：

（1）确认待分析的原变量是否适合作因子分析。

（2）构造因子变量。

（3）利用旋转方法使因子变量更具有可解释性。

（4）计算因子变量得分。

（ii）因子分析的计算过程：

（1）将原始数据标准化，以消除变量间在数量级和量纲上的不同。

（2）求标准化数据的相关矩阵；

（3）求相关矩阵的特征值和特征向量；

（4）计算方差贡献率与累积方差贡献率；

（5）确定因子：

设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；

（6）因子旋转：

若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。

（7）用原指标的线性组合来求各因子得分：

采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。

（8）综合得分

以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。

F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )

此处wi为旋转前或旋转后因子的方差贡献率。

（9）得分排序：利用综合得分可以得到得分名次。

4.关键名词解释

1）因子旋转

建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。

目的：使因子负荷两极分化，要么接近于0 ，要么接近于1 。

常用的旋转方法：

（1）方差最大正交旋转（varimax orthogonal rotation）

（2）斜交旋转（oblique rotation）

（3）方差最大正交旋转（varimax orthogonal rotation）

基本思想：使公共因子的相对负荷（lij/hi2）的方差之和最大，且保持原公共因子的正交性和公共方差总和不变。可使每个因子上的具有最大载荷的变量数最小，因此可以简化对因子的解释。

2）斜交旋转

因子斜交旋转后，各因子负荷发生了较大变化，出现了两极分化。各因子间不再相互独立，而彼此相关。各因子对各变量的贡献的总和也发生了改变。适用于大数据集的因子分析。

3）因子得分

因子分析模型建立后，还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。例如地区经济发展的因子分析模型建立后，我们希望知道每个地区经济发展的情况，把区域经济划分归类，哪些地区发展较快，哪些中等发达，哪些较慢等。这时需要将公共因子用变量的线性组合来表示，也即由地区经济的各项指标值来估计它的因子得分。

设公共因子F由变量x表示的线性组合为：

Fj = uj1 xj1+ uj2 xj2+…+ujpxjp j=1，2，…，m

该式称为因子得分函数，由它来计算每个样品的公共因子得分。若取m=2，则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2，并将其在平面上做因子得分散点图，进而对样品进行分类或对原始数据进行更深入的研究。

但因子得分函数中方程的个数m小于变量的个数p，所以并不能精确计算出因子得分，只能对因子得分进行估计。估计因子得分的方法较多，常用的有回归估计法，Bartlett估计法，Thomson估计法。

（1）回归估计法

F = X b = X (X ￠X)-1A￠ = XR-1A￠ (这里R为相关阵，且R = X ￠X )。

（2）Bartlett估计法

Bartlett估计因子得分可由最小二乘法或极大似然法导出。

F = [(W-1/2A)￠ W-1/2A]-1(W-1/2A)￠ W-1/2X = (A￠W-1A)-1A￠W-1X

（3）Thomson估计法

在回归估计法中，实际上是忽略特殊因子的作用，取R = X ￠X，若考虑特殊因子的作用，此时R = X ￠X+W，于是有：

F = XR-1A￠ = X (X ￠X+W)-1A￠

这就是Thomson估计的因子得分，使用矩阵求逆算法(参考线性代数文献)可以将其转换为：

F = XR-1A￠ = X (I+A￠W-1A)-1W-1A￠

层次分析法步骤.doc

层次分析法实例与步骤 结合一个具体例子，说明层次分析法的基本步骤和要点。 【案例分析】市政工程项目建设决策：层次分析法问题提出 市政部门管理人员需要对修建一项市政工程项目进行决策，可选择的方案是修建通往旅游区的高速路（简称建高速路）或修建城区地铁（简称建地铁）。除了考虑经济效益外，还要考虑社会效益、环境效益等因素，即是多准则决策问题，考虑运用层次分析法解决。 1. 建立递阶层次结构 应用AHP解决实际问题，首先明确要分析决策的问题，并把它条理化、层次化，理出递阶层次结构。 AHP要求的递阶层次结构一般由以下三个层次组成： ●目标层（最高层）：指问题的预定目标； ●准则层（中间层）：指影响目标实现的准则； ●措施层（最低层）：指促使目标实现的措施； 通过对复杂问题的分析，首先明确决策的目标，将该目标作为目标层（最高层）的元素，这个目标要求是唯一的，即目标层只有一个元素。 然后找出影响目标实现的准则，作为目标层下的准则层因素，在复杂问题中，影响目标实现的准则可能有很多，这时要详细分析各准则因素间的相互关系，即有些是主要的准则，有些是隶属于主要准则的次准则，然后根据这些关系将准则元素分成不同的层次和组，不同层次元素间一般存在隶属关系，即上一层元素由下一层元素构成并对下一层元素起支配作用，同一层元素形成若干组，同组元素性质相近，一般隶属于同一个上一层元素（受上一层元素支配），不同组元素性质不同，一般隶属于不同的上一层元素。 在关系复杂的递阶层次结构中，有时组的关系不明显，即上一层的若干元素同时对下一层的若干元素起支配作用，形成相互交叉的层次关系，但无论怎样，上下层的隶属关系应该是明显的。 最后分析为了解决决策问题（实现决策目标）、在上述准则下，有哪些最终解决方案（措施），并将它们作为措施层因素，放在递阶层次结构的最下面（最低层）。 明确各个层次的因素及其位置，并将它们之间的关系用连线连接起来，就构成了递阶层次结构。 【案例分析】市政工程项目进行决策：建立递阶层次结构 在市政工程项目决策问题中，市政管理人员希望通过选择不同的市政工程项目，使综合效益最高，即决策目标是“合理建设市政工程，使综合效益最高”。 为了实现这一目标，需要考虑的主要准则有三个，即经济效益、社会效益和环境效益。但问题绝不这么简单。通过深入思考，决策人员认为还必须考虑直接经济效益、间接经济效益、方便日常出行、方便假日出行、减少环境污染、改善城市面貌等因素（准则），从相互关系上分析，这些因素隶属于主要准则，因此放在下一层次考虑，并且分属于不同准则。 假设本问题只考虑这些准则，接下来需要明确为了实现决策目标、在上述准则下可以有哪些方案。根据题中所述，本问题有两个解决方案，即建高速路或建地铁，这两个因素作为措

确定权重的方法

确定权重的方法表7-1 地质环境质量评价定权方法一览表 序号 定权方法1 专家打分法 2 调查统计法1.重要性打分法 2.“栅栏”法 3.“网格”法 4.列表打勾 ü集合统计法T 1.频数截取法 2.聚类求均值法 3.中间截取求均 值法. 3 序列综合法1.单定权因子排序法 2.多定权因子排序法 4 公式法1.三元函数法 2.概率法 3.信息量法 4.相关系数法 5.隶属函数法 5 数理统计法1.判别分析法 2.聚类分析法 3.因子分析法 6 层次分析法 7 复杂度分析法 一、专家打分法 专家打分法即是由少数专家直接根据经验并考虑反映某评价观点后定出权重，具体做法和基本步骤如下： 第一步选择评价定权值组的成员，并对他们详细说明权重的概念和顺序以及记权的方法。 第二步列表。列出对应于每个评价因子的权值范围，可用评分法表示。例如，若有五个值，那么就有五列。行列对应于权重值，按重要性排列。 第三步发给每个参予评价者一份上述表格，按下述步骤四~九反复核对、填写，直至没有成员进行变动为止。 第四步要求每个成员对每列的每种权值填上记号，得到每种因子的权值分数。 第五步要求所有的成员对作了记号的列逐项比较，看看所评的分数是否能代表他们的意见，如果发现有不妥之处，应重新划记号评分，直至满意为止。 第六步要求每个成员把每个评价因子（或变量）的重要性的评分值相加，得出总数。

第七步每个成员用第六步求得的总数去除分数，即得到每个评价因子的权重。 第八步把每个成员的表格集中起来，求得各种评价因子的平均权重，即为“组平均权重”。 第九步列出每种的平均数，并要求评价者把每组的平均数与自己在第七步得到的权值进行比较。 第十步如有人还想改变评分，就须回到第四步重复整个评分过程。如果没有异议，则到此为止，各评价因子（或变量）的权值就这样决定了。 二、调查统计法 具体作法有下面四种。 1．重要性打分法：重要性打分法是指要求所有被征询者根据自己对各评价因子的重要性的认识分别打分，其步骤如下： a.对被征询者讲清统一的要求，给定打分范围，通常1~5分或1~100分都可。 b.请被征询者按要求打分。 c.搜集所有调查表格并进行统计，给出综合后的权重。 2．列表划勾法：该方法如图7-2所示。事先给出权值，制成表格。由被调查者在认为合适的对应空格中打勾。对应每一评价因子，打勾1~2个，打2个勾表示程度范围。这样就完成一个样本的调查结果。 在样本调查的基础上，除采用一般的求个样本的均值作为综合结果外，还可采用如下方法： 图7-2 列表划勾法示意图 备择程 因子序号 度 W 1 2 3 …m-1 m 0.2 √√√ 0.4 √√√ 0.6 √√ 0.8 √ 1.0 a.频数截取法 频数截取法的主要步骤如下： 第一步：列中值频率分布表，见表7-2。记对应第个评价因子第个样本给的权值区间数为〔〕，

因素分析法

因素分析法的相关知识 一、概念：因素分析法也称因素替代法。它是对某个综合财务指标或经济指标的变动原因按其内在的影响因素，计算和确定各个因素对这一综合指标发生变动的影响程度的一种分析方法 二、适用范围：适用于多种因素构成的综合指标的分析，如：成本、利润、资金收益率等指标。 三、前提条件：当有若干因素对分析对象发生影响作用时，假定其他各个因素都无变化，顺序确定每一因素单独变化所产生的影响，是在具有乘积关系的指数体系中进行 四、一般程序： 1. 要根据经济指标形成的过程，找出该项经济指标受哪些因素变动的影响； 2. 要根据经济指标与各影响因素的内在关系，建立起分析计算公式； 3. 按照一定顺序依次进行因素替换，以计算各因素变动对经济指标的影响程度。计算某一因素变动对经济指标影响程度时，假定其他因素不变，通过每次替代后计算的结果与上一次替代后计算的结果相比较，以逐次确定各个因素的影响程度。 4. 验证各因素影响程度计算的正确性。各因素影响程度的代数和应等于指标变动总差异。 五、主要作用：因素分析是从数量方面研究现象动态变动中受各种因素变动的影响程度，它主要借助于指数体系来分析社会经济现象变动中各种因素变动发生作用的影响程度。 六、方法：因素分析法有连环替代法和差额计算法两种。连环替代法是将影响某项经济指标的各个因素列成算式，按照一定顺序替代各个因素，以确定各个因素变动对该项经济指标变动的影响程度的一种分析方法。分析计算时以计划指标为基础，用各个因素的实际数依次替代计划数，每次替代后实际数就被保留下来，直到所有的因素都变为实际数。差额分析法是根据各个因素实际数同计划数的差异，分别确定各该因素的变动对某项经济指标的影响程度的一种分析方法。分析计算时也要按一定顺序逐项以实际数与计划数进行对比。差额分析法实际上是连环替代法的另一种形式，即直接用实际数与计划数之间的差额来计算各因素变动对指标的影响程度。这一方法较连环替代法更为简便。 差额分析法在发电企业燃煤成本分析中的Excel应用的具体操作实例 众所周知，在目前，电价由国家控制的情况下燃煤成本的管理好坏决定着发电企业的存亡问题，发电企业的燃煤成本占发电总成本的比例不低于60%，在当前煤价持续长涨的趋势下，这个比例将会更高，因此必须加大对燃煤成本的分析力度，从内部挖潜，加强管理，才是企业生存之本。而影响燃煤成本的因素是多方面的，各方面又相互关联，完全依靠手工相对因难，而各相关因素看起来也不直观，借助于Excel，可以实现自动化分析。下面通过具体的实例来说明Excel在燃煤成本分析中的具体应用。有关资料数据如下表所示。 M电厂2009年1月原煤成本分析表 A B C D 1 项目计划实际差异

内容分析法

第2讲、内容分析法 一、内容分析法的基本概念 内容分析法是西方社会科学家对语言文字传播内容（报刊、文献和谈话等）和非语言文字传播内容（音乐、影视、艺术作品和姿态等）进行定量研究的科学方法。这种分析方法早在半个世纪以前首先用于信息传播领域，现在成为社会科学广泛应用的研究工具之一。例如著名社会预测学家夸斯比特应用“内容分析法”对美国200多种报纸进行了数年的分析研究，成功地归纳出美国从工业社会过渡到信息社会的十大趋势。因此，他的名著《大趋势——改变我们生活的十个新方向》成为风糜世界的畅销书。 教育和教学活动，也是一种信息的传播过程。我们同样可以利用内容分析法对教育文献、教科书、课堂讲授、视听教材、直观教具、学生练习、试题和试卷等进行分析研究。 （一）内容分析法的特征 - 内容分析法，就是对于明显的传播内容，作客观而有系统的量化并加以描述的一种研究方法。内容分析法的特征表现在明显、客观、系统、量化等四个方面。 1．明显的传播内容 被分析的对象应该是以任何形态被记录和保存下来，并具有传播价值的内容。 任何形态、包括有文字记录形态（如报纸、杂志、书籍、文件）、非文字记录形态（如广播、唱片、演讲录音、音乐）、影像记录形态（如电影、电视、幻灯、图片）等。同时，明显的传播内容是指它所表现的直接意义，而不是指其包含的潜在动机。内容分析就是通过对直接显示的内容的量化处理来判别其间接的、潜在的动机和效果。 2．客观性 在内容分析的过程中，按照预先制定的分析类目表格进行判断和记录内容出现的客观事实，并根据客观事实再作出分析描述。 3．系统性 这是指内容的判断、记录、分析过程是以特定的表格形式、按一定的程序进行的。 4．量化 这是指内容分析的结果可以用数字表达，并能用某种数学关系来表示，如用次数分配、各种百分率或比例、相关系数等方式来描述。 由此可见，内容分析实际上是以预先设计的类目表格为依据，以系统、客观和量化的方式，对信息内容加以归类统计，并根据类别项目的统计数字，作出叙述性的说明。它不仅是资料的收集方法，也是一种独立、完整的专门研究方法。 （二）内容分析与文献分析的比较 内容分析与文献分析，都是对用文字、图形、符号、声频、视频等记录保存下来的资料内容作为分析的对象，但是它们具体的分析处理方法是有所区别的。

因子分析在STATA中实现和案例

第13章因子分析 因子分析始于1904年Chars Spearman对学生成绩的分析，在经济领域有着极为广泛的用途。在多个变量的变化过程中，除了一些特定因素之外，还受到一些共同因素的影响。因此，每个变量可以拆分成两部分，一是共同因素，二是特殊因素。这些共同因素称为公因子，特殊因素称为特殊因子。因子分析即是提出多个变量的公共影响因子的一种多元统计方法，它是主成分分析的推广。 因子分析主要解决两类问题：一是寻求基本结构，简化观察系统。给定一组变量或观察数据，是否存在一个子集，特别是一个加权子集，来解释整个问题，即将为数众多的变量减少为几个新的因子，以再现它们之间的内在联系。二是用于分类，将变量或样本进行分类，根据因子得分值，在因子轴所构成的空间中进行分类处理。 p个变量X的因子模型表达式为： ＝ Λ' e f X+ f称为公因子，Λ称为因子载荷。X的相关系数矩阵分解为： ∑' = + ΛΦΛ ψ 对于未旋转的因子，1 Φ。ψ称为特殊度，即每个变量中不属于共性的部 = 分。 13.1 因子估计 Stata可以通过变量进行因子分析，也可以通过矩阵进行。命令为factor 或factormat。 webuse bg2,clear describe factor bg2cost1-bg2cost6 factor bg2cost1-bg2cost6, factors(2) * pf 主因子方法，用复相关系数的平方作为因子载荷的估计量(默认选项) factor bg2cost1-bg2cost6, factors(2) pcf * pcf 主成分因子，假定共同度＝1 factor bg2cost1-bg2cost6, factors(2) ipf * ipf 迭代主因子，重复估计共同度 factor bg2cost1-bg2cost6, factors(2) ml * ml 极大似然因子，假定变量（至少3个）服从多元正态分布，对偏相关矩阵的行列式进行最优化求解，等价于Rao的典型因子方法 13.2 预测 Stata可以通过predict预测变量得分、拟合值和残差等。 webuse bg2,clear factor bg2cost1-bg2cost6 predict f1 f2 * factor1 factor2因子分得分 predict stdp residuals * 预测标准差和残差

单因素方差分析的计算步骤

单因素方差分析的计算 步骤 Document serial number【NL89WT-NY98YT-NC8CB-NNUUT-NUT108】

一、 单因素方差分析的计算步骤 假定实验或观察中只有一个因素（因子）A ,且A 有m 个水平，分别记为,,,21m A A A 在每一种水平下，做n 次实验，在每一次试验后可得一实验值，记做ij x 表示在第j 个水平下的第i 个试验值()m j n i ,2,1;,2,1==。结果如下表： m A A A ,,21看成是m 个正态总体，而()m j n i x ij ,2,1;,2,1==看成是取自第j 总体的第i 个样品，因此，可设() m j n i a N x j ij ,2,1;,2,1,,~2==σ。 可以认为j j j a εεμ,+=是因素A 的第j 个水平j A 所引起的差异。因此检验因素A 的各水平之间是否有显着的差异，就相当于检验： μ====m a a a H 210:或者 具体的分析检验步骤是： （一）计算水平均值 令j x 表示第j 种水平的样本均值， 式中，ij x 是第j 种水平下的第i 个观察值，j n 表示第j 种水平的观察值次数 （二）计算离差平方和 在单因素方差分析中，离差平方和有三个，它们分别是总离差平方和，组内离差平方和以及组间平方和。 首先，总离差平方和，用SST 代表，则， 其中,n x x ij ∑∑=它反映了离差平方和的总体情况。 其次，组内离差平方和，用SSE 表示，其计算公式为： 其中j x 反映的是水平内部或组内观察值的离散状况，即反映了随机因素带来的影响。 最后，组间平方和，用SSA 表示，SSA 的计算公式为：

指标权重计算的确定方法

指标权重的计算方法 权重是一个相对的概念，是针对某一指标而言。某一指标的权重是指该指标在整体评价中的相对重要程度。 针对量表类问卷，指标权重计算在学术研究和企业研究中都较为常见。量表类问卷权重研究关注重心在于各个指标的权重得分值，而非影响关系，通过计算各个指标或者题项的权重得分值，最后构建完善的权重体系，并且结合各指标权重情况提供科学建议。 方法分类 权重研究分析方法非常多，以及权重研究均针对量表类题项，基本无法对非量表类问卷进行权重体系构建。针对量表类问卷权重研究方法，根据计算权重时原始数据的来源不同，可以将这些方法分为三类：主观赋权法、客观赋权法和组合赋权法。 主观赋权法：是根据决策者（专家）主观上对各属性的重视程度来确定属性权重的方法，常用的主观赋权法包括专家咨询法（Delphi法）、AHP层次分析法等。专家咨询法是由多位专家讨论共同决定各指标的权重值情况，而AHP层次分析法也是利用专家打分，并且使用数据计算过程最终生成各指标权重值。 客观赋权法：是根据原始数据之间的关系通过一定的数学方法来确定权重，其判断结果不依赖于人的主观判断，有较强的数学理论依据。常用的客观赋权法包括因子分析法、熵值法等，因子分析法和熵值法直接使用收集数据进行数据计算，最终生成指标权重值。 组合赋权法：针对主、客观赋权法各自的优缺点，研究人员可以综合使用两种方法，同时基于指标数据之间的内在规律和专家经验对决策指标进行赋权。

进一步说明 专家咨询法（Delphi法），是采用背对背通信方式征询专家小组成员预测意见，经过几轮征询使专家小组的预测意见趋于集中，最后做出符合市场未来发展趋势的预测结论。本质上是一种反馈匿名函询法。其大致流程是：在对所要预测的问题征得专家的意见之后，进行整理、归纳、统计，再匿名反馈给各专家，再次征求意见，再集中，再反馈，直至得到一致的意见。 AHP层次分析法，根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个剁成次的分析结构模型，从而最终使问题归结为最底层（供决策的方案、措施等）相对于最高层（总目标）的相对重要权值的确定或相对优劣次序的排定。其基本模型如下： 层级分析法的计算步骤为：首先构造两两判断矩阵，然后让专家进行评分，接着计算特征根，并进行一致性检验，最后进行权重的计算。 熵值法，熵值是不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。因而利用熵值携带的信息进行权重计算，结合各项指标的变异程度，利用信息熵这个工具，计算出各项指标的权重，为多指标综合评价提供依据。 通常熵值法的使用场景情况如下： 配合因子分析(或主成分析)得到一级指标权重，进一步使用熵值法计算具体二级指标的权重，最终构建权重体系；

方法：因子分析法

因子分析基础理论知识 1 概念 因子分析（Factor analysis ）：就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis ）：是因子分析的一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA ）和因子分析（FA ）是两种把变量维数降低以便于描述、理解和分析的方法，而实际上主成分分析可以说是因子分析的一个特例。 2 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显着的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显着的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 3 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 4分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : ?????? ????? ???=np n n p p x x x x x x x x x X ΛM M M M ΛΛ212222111211

主成分分析、因子分析步骤

主成分分析、因子分析步骤不同 点 主成分分析因子分析 概念具有相关关系的p 个变量，经过线性 组合后成为k个不 相关的新变量将原数据中多个可能相关的变量综合成少数几个不相关的可反映原始变量的绝大多数信息的综合变量 主要目标减少变量个数，以 较少的主成分来解 释原有变量间的大 部分变异，适合于 数据简化 找寻变量间的内部相关性 及潜在的共同因素，适合做 数据结构检测 强调重点强调的是解释数据 变异的能力，以方 差为导向，使方差 达到最大 强调的是变量之间的相关 性，以协方差为导向，关心 每个变量与其他变量共同 享有部分的大小 最终结果应用形成一个或数个总 指标变量 反映变量间潜在或观察不 到的因素 变异解释程度它将所有的变量的 变异都考虑在内， 因而没有误差项 只考虑每一题与其他题目 共同享有的变异，因而有误 差项，叫独特因素

是否需要旋转主成分分析作综合 指标用， 不需要旋转 因子分析需要经过旋转才 能对因子作命名与解释 是否有假设 只是对数据作变 换，故不需要假设 因子分析对资料要求需符 合许多假设，如果假设条件 不符，则因子分析的结果将 受到质疑 因子分析 1【分析】→【降维】→【因子分析】（1）描述性统计量（Descriptives）对话框设置 KMO和Bartlett的球形度检验（检验多变量正态性和原始变量是 否适合作因子分析）。 （2）因子抽取（Extraction）对话框设置 方法：默认主成分法。主成分分析一定要选主成分法 分析：主成分分析：相关性矩阵。 输出：为旋转的因子图 抽取：默认选1. 最大收敛性迭代次数：默认25. （3）因子旋转（Rotation）对话框设置因子旋转的方法，常选择“最大方差法”。“输出”框中的“旋 转解”。 （4）因子得分（Scores）对话框设置

权重的确定方法

权重的确定方法 权重是一个相对的概念，是针对某一指标而言。某一指标的权重是指该指标在整体评价中的相对重要程度。在模糊决策中，权重至关重要，他反映了各个因素在综合决策过程中所占有的地位和所起的作用，直接影响决策的结果。通常是根据经验给出权重，不可否认这在一定程度上能反映实际情况，但凭经验给出的权重有时不能客观的反映实际情况，导致评判结果“失真”。比较客观的权重的判定方法有如下几种： 1.确定权重的统计方法 1.1专家估测法 该法又分为平均型、极端型和缓和型。主要根据专家对指标的重要性打分来定权，重要性得分越高，权数越大。优点是集中了众多专家的意见，缺点是通过打分直接给出各指标权重而难以保持权重的合理性。 设因素集U={n u u u ,...,2,1},现有k 个专家各自独立的给出各个因素i u （i=1,2,...,n ）的权重， ∑==k j ij i a k a 11（i=1,2,...,n ），即)1,...,1,1(1 1211∑∑∑====k j nj k j j k j j a k a k a k A 。 1.2加权统计方法 当专家人数k<30人时，可用加权统计方法计算权重。 按公式i s i i k x w a ∑==1计算（其中s 为序号数）然后可得权重A 。 1.3频数统计方法 由所有专家独立给出的各个因素的权重，得到权重分配表，对各个因素i u （i=1,2,...,n ）进行但因素的权重统计实验，步骤如下： 第一步：对因素i u （i=1,2,...,n ）在它的权重ij a （j=1,2,...,k)中找出最大值i M 和最小值i m , 即{}ij k j i a M ≤≤=1max ,{} ij k j i a m ≤≤=1min . 第二步;适当选取整数p,利用公式p m M i i -计算出权重分为p 组的组距,并将权重从小到大分 为p 组. 第三步:计算出落在每组内权重的频数和频率. 第四步:根据频数和频率的分布请况,取最大频率所在分组的组中值为因素i u 的权重i a （i=1,2,...,n ）,从而得权重A=(n a a a ,...,,21). 1.4因子分析权重法 根据数理统计中因子分析方法，对每个指标计算共性因子的累积贡献率来定权。累积贡献率越大，说明该指标对共性因子的作用越大，所定权数也越大。 1.5信息量权数法 根据各评价指标包含的分辨信息来确定权数。采用变异系数法，变异系数越大，所赋的

内容分析法的典型案例

内容分析法的典型案例 日本人巧妙搜集信息 第二次世界大战后，日本经济发展速度大大高于其他资本主义国家，重视信息的开发、利用，不能不说是个重要原因。 目前日本的信息传递非常迅速，只要5－10分钟就可以搜集到世界各地金融市场的行情，3－5分钟就可以查询并调用日本国内三万多个重点公司、企业当年或历年经营生产情况的时间系列数据，5分钟即可利用经济模型和计算机模拟出国际国内经济因素变化可能给宏观经济带来影响的变动图和曲线，5－10分钟可以查询或调用政府制定的各种法律、法令和国会记录。这种现代化的信息处理技术，大大提高了行政效率。 日本人十分重视信息的作用，时时处处留意信息的搜集，而且善于从平淡无奇的信息报道中分离出重要的内容。例如，20世纪60年代中国开发大庆油田，惟独日本和中国谈成了征求设计的买卖。原因是别的国家的设计均不符合中国大庆油田的要求，而日本则事先按大庆油田的要求进行产品设计，等待中国人去购买。那么日本人是怎么知道大庆油田的产品设计要求呢？ 其实日本人对大庆油田早有耳闻，但始终得不到准确的信息。后来，日本人从1 964年4月20日出版的《人民日报》上看到“大庆精神大庆人”的字句，于是日本人判断…冲国的大庆油田确有其事”。但是，大庆油田究竟在什么地方，日本人还没有材料作出判断。从1966年7月的一期《中国画报》封面上，日本人看到一张照片，铁人王进喜身穿大棉袄，头顶着鹅毛大雪，猜测到“大庆油田是在冬季为零下三十度的东北地区，大致在哈尔滨与齐齐哈尔之间”。后来，到中国来的日本人坐这段火车时发现，来往的油罐车上有很厚的一层土，从土的颜色和厚度，证实了“大庆油田在东北”的论断，但大庆油田的具体地点还是不清楚。1966年10月，日本人又从《人民中国》杂志上找到了王进喜的先进事迹，从事迹介绍的分析中知道：“最早钻井是在安达东北的北安附近下手的，并且从钻井设备运输情况看，离火车站不会太远。”在该事迹介绍中还写有这样一段话：王进喜一到马家窑看到大片荒野时说：“好大的油海！把石油工业落后的帽子丢到太平洋去。”于是，日本人又从伪满州地图上查找到“马家赛是位于黑龙江海伦县东面的一个小村，在北安铁路上一个小车站东边十多公里处。”就这样，日本人终于将大庆油田的准确地理位置搞清楚了。 后来，日本人又从王进喜的一则事迹报道中了解到“王进喜是玉门油矿的工人，是1959年9月到北京参加国庆之后志愿去大庆的”，由此日本人断定大庆油田在19 59年以前就开钻了，并且大体上知道了大庆油田的规模：“马家窑是大庆油田的北端，即北起海伦的庆安，西南穿过哈尔滨与齐齐哈尔铁路的安达附近，包括公主峰西面的大贪，南北400公里的范围。估计从北满到松辽油田统称为大庆。”但是，日本人一时还搞不清楚大庆的炼油规模。

层次分析法的基本步骤和要点

层次分析法的基本步骤和要点 结合一个具体例子，说明层次分析法的基本步骤和要点。 【案例分析】市政工程项目建设决策：层次分析法问题提出 市政部门管理人员需要对修建一项市政工程项目进行决策，可选择的方案是修建通往旅游区的高速路（简称建高速路）或修建城区地铁（简称建地铁）。除了考虑经济效益外，还要考虑社会效益、环境效益等因素，即是多准则决策问题，考虑运用层次分析法解决。 1. 建立递阶层次结构 应用AHP解决实际问题，首先明确要分析决策的问题，并把它条理化、层次化，理出递阶层次结构。 AHP要求的递阶层次结构一般由以下三个层次组成： ●目标层（最高层）：指问题的预定目标； ●准则层（中间层）：指影响目标实现的准则； ●措施层（最低层）：指促使目标实现的措施； 通过对复杂问题的分析，首先明确决策的目标，将该目标作为目标层（最高层）的元素，这个目标要求是唯一的，即目标层只有一个元素。 然后找出影响目标实现的准则，作为目标层下的准则层因素，在复杂问题中，影响目标实现的准则可能有很多，这时要详细分析各准则因素间的相互关系，即有些是主要的准则，有些是隶属于主要准则的次准则，然后根据这些关系将准则元素分成不同的层次和组，不同层次元素间一般存在隶属关系，即上一层元素由下一层元素构成并对下一层元素起支配作用，同一层元素形成若干组，同组元素性质相近，一般隶属于同一个上一层元素（受上一层元素支配），不同组元素性质不同，一般隶属于不同的上一层元素。 在关系复杂的递阶层次结构中，有时组的关系不明显，即上一层的若干元素同时对下一层的若干元素起支配作用，形成相互交叉的层次关系，但无论怎样，上下层的隶属关系应该是明显的。 最后分析为了解决决策问题（实现决策目标）、在上述准则下，有哪些最终解决方案（措施），并将它们作为措施层因素，放在递阶层次结构的最下面（最低层）。 明确各个层次的因素及其位置，并将它们之间的关系用连线连接起来，就构成了递阶层次结构。 【案例分析】市政工程项目进行决策：建立递阶层次结构 在市政工程项目决策问题中，市政管理人员希望通过选择不同的市政工程项目，使综合效益最高，即决策目标是“合理建设市政工程，使综合效益最高”。 为了实现这一目标，需要考虑的主要准则有三个，即经济效益、社会效益和环境效益。但问题绝不这么简单。通过深入思考，决策人员认为还必须考虑直接经济效益、间接经济效益、方便日常出行、方便假日出行、减少环境污染、改善城市面貌等因素（准则），从相互关系上分析，这些因素隶属于主要准则，因此放在下一层次考虑，并且分属于不同准则。 假设本问题只考虑这些准则，接下来需要明确为了实现决策目标、在上述准则下可以有哪些方案。根据题中所述，本问题有两个解决方案，即建高速路或建地铁，这两个因素作为措施层元素放在递阶层次结构的最下层。很明显，这两个方案于所有准则都相关。 将各个层次的因素按其上下关系摆放好位置，并将它们之间的关系用连线连接起来。同时，为了方便后面的定量表示，一般从上到下用A、B、C、D。。。代表不同层次，同一层次从左到右用1、2、3、4。。。代表不同因素。这样构成的递阶层次结构如下图。

(完整版)SPSS因子分析法-例子解释

因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在： 计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解

因子分析SPSS操作

因子分析作业： 全国30个省市的8项经济指标如下： 要求：先对数据做标准化处理，然后基于标准化数据进行以下操作 1、给出原始变量的相关系数矩阵； 2、用主成分法求公因子，公因子的提取按照默认提取（即特征值大于1），给出公因子的方差贡献度表； 3、给出共同度表，并进行解释； 4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。如果不好解释，请用因子旋转（采用正交旋转中最大方差法）给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义； 5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。 1、输入数据，依次点选分析描述统计描述，将变量x1到x8选入右边变量下面，点选“将标

准化得分另存为变量”，点确定即可的标准化的数据。 依次点选分析降维因子分析，打开因子分析窗口，将标准化的8个变量选入右边变量下面，点选描述相关矩阵下选中系数及KMO和Bartlett的检验，点继续，确定，就可得出8个变量的相关系数矩阵如下图。 由表中数据可以看出大部分数据的绝对值都在以上，说明变量间有较强的相关性。 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.621 Bartlett 的球形度检验近似卡方 df28 Sig..000 由上图看出，sig.值为0，所以拒绝相关系数为0（变量相互独立）的原假设，即说明变量间存 在相关性。 2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因子解，碎石图；抽取：基于特征值（特征值大于1）；继续，确定，输出结果如下3个图。 解释的总方差 成份 初始特征值提取平方和载入 合计方差的 %累积 %合计方差的 %累积 % 1 2 3 4.403

英美文化论文：谈翻译中的案例分析及其文本分析理论

谈翻译中的案例分析及其文本分析理论 一、概述 任何材料的翻译，译前通读全文并进行文本分析，是全面理解源语文本的前提。旅游景点材料，是一种内容包含有地方历史与特色的文本，其文本分析与小说、诗歌、政府报告、产品广告等其他类型的文本分析是否有所不同，还是有某种文本分析模式作为依据呢？德国功能学派第二代的代表人物克里斯蒂安·诺德（Christiane Nord）提出：“我们需要一个能够适用于所有文本类型和文本范例的源语文本分析模式，可以应用于所有的翻译任务。她认为可以建立一个无须参照源语或目标语特征的以翻译为导向的文本分析模式”[1].笔者则认为，一种模式可以起到举一反三的作用，但译者认为分析因素可根据个人主观意愿有所取舍与侧重。这正是本文旨在说明的焦点。 二、文本分析理论 翻译中的文本分析最早源起于德国学者凯瑟琳娜·莱斯（Katharina Reiss）、费米尔（Hans Vermeer）创建的德国翻译功能理论及莱斯的功能文本类型理论。在语言学家布勒语言功能三分法的基础上，莱斯把语言功能与文本联系起来，根据交际功能范畴把文本划分为：信息功能（informative），表达功能（expressive），感召功能（operative）三大文本类型[2]. 在篇章语言学和文本类型理论基础上，诺德提出了翻译的文本分析模式，旨在为译者提供一个分析源语文本的模式，运用于所有的文

本类型和翻译过程。 诺德的翻译导向的文本分析模式强调对源文本的充分理解和准确阐释，解释语言、文本结构及源语言系统规范的关系，为译者选择翻译决策提供可靠的基础[3].相对语篇结构语言学派的文本结构分析，诺德的文本分析模式更为详细全面，对源语文本中的文内外因素进行分析。诺德将源文本中的语言和非语言因素分为“文外因素”和“文内因素”,文外因素包括发送者、发送者意图、接受者、媒介、交际地点、交际时间、交际动机、文本功能八个方面。文内因素包括主题、内容、预设、文本构成、非语言因素、词汇、句子结构、超音段特征八个方面[4].这些因素的排列顺序可以改变，并互相依存，而且其分析是反复进行的，某一因素的分析可能会指引其他因素的分析。 翻译导向的文本分析模式放之四海而皆准，适用于任何的文本分析。因为其模式不变相当具体，对各类翻译问题的解决均有导向的作用。 三、文本分析案例 案例 The Queen of the Adriatic 和 The Majestic Acropo-lis 选自于荷兰作家 Winfried Maas 所编着的英文原版 100Cities of the World 中的两篇城市介绍文章。按照诺德的翻译导向的文本分析模式进行分析。 （一）文本外因素分析 从整体来看，此文本为呼唤型旅游文本，文本实现了唤起读者的

关键因素分析法

关键因素分析法---层次分析法介绍及应用案例 一．方法介绍 层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。它是一种定性和定量相结合的、系统化、层次化的分析方法。例如，如果打算去旅游有3个旅游胜地A、B、C供你选择，你会根据诸如景色、费用和居住、饮食、旅途条件等一些准则去反复比较这3个候选地点．首先，你会确定这些准则在你的心目中各占多大比重，如果你经济宽绰、醉心旅游，自然分别看重景色条件，而平素俭朴或手头拮据的人则会优先考虑费用，中老年旅游者还会对居住、饮食等条件寄以较大关注。其次，你会就每一个准则将3个地点进行对比，譬如A景色最好，B次之；B费用最低，C次之；C居住等条件较好等等。最后，你要将这两个层次的比较判断进行综合，在A、B、C中确定哪个作为最佳地点。 二．使用步骤 1.第一步, 通过分析, 确定所给定问题要达到的总目标, 实现目标的准则, 可供选择的措施或方案。在这一过程中, 要广泛收集信息, 注意把握问题的主要因素, 做到不重不漏。 2.第二步，建立层次结构模型。在深入分析实际问题的基础上，将有关的各个 因素按照不同属性自上而下地分解成若干层次，同一层的诸因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的作用。最上层为目标层，通常只有1个因素，最下层通常为方案或对象层，中间可以有一个或几个层次，通常为准则或指标层。当准则过多时(譬如多于9个)应进一步分解出子准则层。 3.第三步，构造成对比较阵。从层次结构模型的第2层开始，对于从属于(或影 响)上一层每个因素的同一层诸因素，用成对比较法和1—9比较尺度构造成对比较阵，直到最下层。 4.第四步，计算权向量并做一致性检验。对于每一个成对比较阵计算最大特征 根及对应特征向量，利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过，特征向量(归一化后)即为权向量：若不通过，需重新构造成对比较阵。

评价指标权重确定方法综述

评价指标权重确定方法综述 *** （西安科技大学地质与环境学院西安 710600） 摘要:权重是一个相对的概念，是针对某一指标而言的。某一指标的权重是指该指标在整体评价中的相对重要程度。在多因素的各种评价决策问题中，确定各因素的权重是评价决策的关健之一，本文着重介绍了专家估测法、频数统计法、因子分析权重法、信息量权数法、独立性权数法、主成份分析法、层次分析法、模糊关系方程法等几种确定权重的方法。 关键词：权重；变量；因子分析；层次分析。 The review of the weighing values’s evaluation method *** ( xi’an university of science and technology Xi’an 710600 ) Abstract: the weight is a relative concept, is aimed at a certain indicators. One refers to the weights of indicators in the evaluation of the overall relative important degree. In multi-factor evaluation of decision making problems, determine the weight of each factor is one of the key evaluation decision, this paper emphatically introduces the expert estimation method, frequency statistics, factor analysis weighting method, weighting method, independent information weighting method, principal component analysis method, analytic hierarchy process (ahp) and fuzzy relation equation method of several kinds of determining weights methods. Key words: weight; Variables; Factor analysis; Hierarchical analysis. 0 引言 多因素的评价决策问题具有广泛的理论和实际应用背景。解决多因素决策问题的许多方法都需要关于因素权重的信息。所以，如何确定权重是评价决策的关键之一。下面将分别介绍几种不同类型的方法，应用时候可以根据具体情况选用。 1专家估测法

因子分析方法

因子分析法 1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 因子分析法与其他一些多元统计方法的区别： 2.主成分分析 主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data)，b，和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d，在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。 1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释各变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions)，因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这种情况也可以使用因子得分做到。所以这种区分不是绝对的。 总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data)，b，和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d，在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。