1、因子分析法基本原理
在对某一个问题进行论证分析时,采集大量多变量的数据能为我们的研究分析提供更为丰富的信息与增加分析的精确度。然而,这种方法不仅需要巨大的工作量,并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就就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。这样我们就可以对原始的数据进行分类归并,将相关比较密切的变量分别归类,归出多个综合指标,这些综合指标互不相关,即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。
因子分析法的基本思想就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与来描述原来观测的每一分量。这样,就能相对容易地以较少的几个因子反映原资料的大部分信息,从而达到浓缩数据,以小见大,抓住问题本质与核心的目的。
因子分析法的核心就是对若干综合指标进行因子分析并提取公共因子,再以每个因子的方差贡献率作为权数与该因子的得分乘数之与构造得分函数。因子分析法的数学表示为矩阵:B AF X +=,即:
?????
??
??++++=++++=++++=++++=p
k pk p p p p k k k k k k f f f f x f f f f x f f f f x f f f f x βααααβααααβααααβααααΛΛΛΛΛΛ3322113333323213132232322212121
131******** (k ≤p)………………(1式) 模型中,向量X ()p x x x x ,,,,321Λ就是可观测随机向量,即原始观测变量。F ()k f f f f ,,,,321Λ就是X ()p x x x x ,,,,321Λ的公共因子,即各个原观测变量的表达式中共同出现的因子,就是相互独立的不可观测的理论变量。公共因子的具体含义必须结合实际研究问题来界定。A ()ij α就是公共因子F ()k f f f f ,,,,321Λ的系数,称为因子载荷矩阵,ij α(i=1,2,、、、、、,p;j=1,2,、、、、,k)称为因子载荷,就是第i 个原有变量在第j 个因子上的负荷,或可将ij α瞧作第i 个变量在第j 公共因子上的权重。ij
α
就是x i 与f j 的协方差,也就是x i 与f j 的相关系数,表示x i 对f j 的依赖程度或相关程
度。ij α的绝对值越大,表明公共因子f j 对于x i 的载荷量越大。B ()p ββββ,,,,321Λ就是X ()p x x x x ,,,,321Λ的特殊因子,就是不能被前k 个公共因子包含的部分,这种因子也就是不可观测的。各特殊因子之间以及特殊因子与所有公共因子之间都就是相互独立的。 2、模型的统计意义
因子载荷矩阵A 中有两个统计量对因子分析结果的经济解释十分重要,即变量共同度与公共因子的方差贡献。
（1）变量共同度的统计意义
变量共同度就是因子载荷矩阵A 的第i 行的元素的平方与。记为:∑==
k
j ij
i
h 1
22α
(其中:i=1,2,、、、,p)。
它衡量全部公共因子对x i 的方差所做出的贡献,反映全部公共因子对变量 x i 的影响。2i h 越大,表明X 对于F 每一分量的依赖程度大。
对1式两边取方差,得:
∑∑==+=++++=k j p
i i ij i k ik
i i i Var f Var f Var f Var x Var 1
1
222222
121
)()()()()(βαβαααΛ(2式)
如果∑==
k
j ij i
h 1
22α的结果接近)(i x Var ,且2i β非常小,则因子分析的效果就比较好,从原变量空间到公共因子空间的转化性质就好。
（2）公共因子的方差贡献的统计意义
因子载荷矩阵中各列元素的平方与记为:∑==p
i ij j g 12
2
α(其
中:j=1,2,、、、,k)。
2j g 称为公共因子F ()k f f f f ,,,,321Λ对X ()p x x x x ,,,,321Λ的方差贡献,表示第j
个公共因子f i 对于x 的每一个分量x i (i=1,2,、、、,p)所提供的方差的总与,就是衡量公共因子相对重要性的指标。
对2式进行变换,得:
∑∑==+=++++=k
j p
i i j i k ik
i i i g Var f Var f Var f Var x Var 1
1
222222
121
)()()()()(ββαααΛ
2j g 越大,表明公共因子F ()k f f f f ,,,,321Λ对X ()p x x x x ,,,,321Λ的贡献越大,或
者说对X ()p x x x x ,,,,321Λ的影响与作用就越大。如果将因子载荷矩阵A 的所有
2j g (j=1,2,?,k)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。
项目六矩阵的特征值与特征向量 实验2 层次分析法 实验目的 通过应用层次分析法解决一个实际问题,学习层次分析法的基本原理与方法;掌握用层次 分析法建立数学模型的基本步骤;学会用Mathematica解决层次分析法中的数学问题. 基本原理 层次分析法是系统分析的重要工具之一,其基本思想是把问题层次化、数量化, 并用数学 方法为分析、决策、预报或控制提供定量依据. 它特别适用于难以完全量化, 又相互关联、相互制约的众多因素构成的复杂问题. 它把人的思维过程层次化、数量化,是系统分析的一中 新型的数学方法. 运用层次分析法建立数学模型, 一般可按如下四个基本步骤进行. 1.建立层次结构 首先对所面临的问题要掌握足够的信息, 搞清楚问题的范围、因素、各因素之间的相互关系,及所要解决问题的目标. 把问题条理化、层次化, 构造出一个有层次的结构模型. 在这 个模型下,复杂问题被分解为元素的组成部分. 这些元素又按其属性及关系形成若干层次.层 次结构一般分三层: 第一层为最高层, 它是分析问题的预定目标和结果, 也称目标层; 第二层为中间层, 它是为了实现目标所涉及的中间环节, 如: 准则、子准则, 也称准则层; 第三层为最底层, 它包括了为实现目标可供选择的各种措施、决策方案等, 也称方案层.
图2-1 决策目标 准则1准则2准则n 方案1方案2方案m …… …… 注:上述层次结构具有以下特点:(1) 从上到下顺序地存在支配关系, 并用直线段表示;(2) 整个层次结构中层次数不受限制. 2.构造判断矩阵 构造判断矩阵是建立层次分析模型的关键. 假定以上一层的某元素y 为准则,它所支配 的下一层次的元素为n x x x ,,,21 ,这n 个元素对上一层次的元素y 有影响,要确定它们在y 中的比重. 采用成对比较法. 即每次取两个元素i x 和j x , 用ij a 表示i x 与j x 对y 的影响之比, 全部比较的结果可用矩阵A 表示,即 .,,2,1,,)(n j i a A n n ij ==? 称矩阵A 为判断矩阵. 根据上述定义,易见判断矩阵的元素ij a 满足下列性质: )(,1),(1 j i a j i a a ii ij ji ==≠= 当0>ij a 时,我们称判断矩阵A 为正互反矩阵. 怎样确定判断矩阵A 的元素ij a 的取值呢? 当某层的元素n x x x ,,,21 对于上一层某元素 y 的影响可直接定量表示时, i x 与j x 对y 的影响之比可以直接确定, ij a 的值也可直接确定. 但对于大多数社会经济问题, 特别是比较 复杂的问题, 元素i x 与j x 对y 的重要性不容易直接获得, 需要通过适当的量化方法来解决. 通常取数字1~9及其倒数作为ij a 的取值范围. 这是因为在进行定性的成对比较时, 通常采用 5级制(表1),在每两个等级之间各有一个中间状态, 共1~9个尺度, 另外心理学家认为进行成 对比较的因素太多, 将超出人们的判断比较能力, 降低精确. 实践证明, 成对比较的尺度以 27±为宜, 故ij a 的取值范围是9,,2,1 及其倒数.
构建风险层次结构 通过选取的指标可以看出这是一个多目标的且问题涉及到许多因素，各种因素的作用相互，情况复杂。依据层次分析法处理这类复杂的问题就需要对所涉及的因素指标进行分析：哪些是需相互比较的；哪些是需相互影响的。把那些需相互比较的因素归成同一类，构造出一个各因素类之间相互联结的层次结构模型。各因素类的层次级别由其与目标的关系而定: 第一层是目标层，也就是国家风险的评价排序 第二层是准则层，这一层中是国家风险排序所涉及的国家风险类型，即政治风险、经济风险、社会风险。 第三层是子准则层，这一层是评价衡量准则层中各要素的影响因素及评价指标, 即政权凝聚力、腐败状况、相关法律政策、国际关系、官僚主义、经济政策、汇率稳定性、金融环境、内部冲突、外部冲突、民族差异等。 第四层也就是我们要选择的方案即所要选择的并购方案国家。 为了方便计算以及模型的理解，层次结构中各层次均用字母代替，目标层为A i 准则层为B，子准则层为C,方案层为D。 522重要性程度描述 为了将上述复杂的多因素综合比较问题转化为简单的两因素相对比较问题。首先找出所有两两比较的结果，并且把它们定量化；然后再运用适当的数学方法从所有两两相对比较的结果之中求出多因素综合比较的结果。进行定性的成对比较时, 我们将比较结果分为5种等级：相同、稍强、强、明显强、绝对强并将我们所做出的比较结果应用1?9个数字尺度来进行定量化，比较具体含义及相应数字对应如下表: 表5.2 AHP重要程度描述表 子准则层 方案层 图5.1风险层次结构模型 Fig.5.1 The hierarchical structure model of country
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
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。
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
多元数据处理 ---因子分析方法 多元数据处理主要包括多元随机变量，协方差分析，趋势面分析，聚类分析，判别分析，主成分分析，因子分析，典型相关分析，回归分析以及各个分析方法的相互结合等等。本文主要针对其中的因子分析方法展开了论述，并举了一个因子分析法在我国房地产市场绩效评价中的应用实例。 第一章因子分析方法概述 1.1因子分析的涵义 为了更全面和准确的测量和评估对象的特征，在实际的应用中，我们往往尽可能多的选用特征指标进行系统评估，选取的指标越多，就越能全面、客观的反映评价对象的特征。选取众多指标的同时也带来了统计分析的困难：一、不同的指标，不同重要程度需要赋予不同的权重，而靠主观的评价避免不了一些失误与错误。二、收集到的指标之间可能存在较大的相关性，大量收集指标带来了人力、物力和财力的浪费。而因子分析方法则较好的解决了上述问题。 因子分析[1]是一种多元统计方法，该方法起源于20世纪初Karl Pearson 和Charles Spearman 等人关于心理测试的统计分析，它的核心是用最少的相互独立的因子反映原有变量的绝大部分信息。[2]通过分析事物内部的因果关系来找出其主要矛盾，找出事物内在的基本规律。 因子分析的基本思想是通过变量的相关系数矩阵内部结构的研究，找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系，但是，这少数几个随机变量是不可观测的，通常称为因子。然后根据相关性的大小把变量分组，使得同组内的变量之间相关性较高，使不同组内的变量相关性较低[3]。对于所研究的问题就可试图用最少个数的所谓因子的线性函数与特殊因子之和来描述原来观测的每一变量[4]。因子变量的特点：第一，因子变量的数量远小于原指标的数量，对因子变量的分析能够减少分析的工作量；第二，因子变量不是原有变量的简单取舍，而是对原有变量的
AHP层次分析法详细讲解 。它是一种定性和定量相结合的、系统化、层次化的分析方法。由于它在处理复杂的决策问题上的实用性和有效性很快在世界范围得到重视。它的应用已遍及经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、人才、医疗和环境等领域。 层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一样的。不妨用假期旅游为例假如有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。 层次分析法的基本步骤 1、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 2 / 8 AHP指南-层次分析法详解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。 2、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比较尺度构追成对比较阵直到最下层。 3、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追成对比较阵。 4、计算组合权向量并做组合一致性检验。计算最下层对目标的组合权向量并根据公式做组合一致性检验若检验通过则可按照组合权向量表示的结果进行决策否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。 层次分析法的优点运用层次分析法有很多优点其中最重要的一点就是简单明了。层次分析法不仅适用于存在不确定性和主观信息的情况还允许以合乎逻辑的方式运用经验、洞察力和直觉。也许层次分析法最大的优点是提出了层次本身它使得买方能够认真地考虑和衡量指标的相对重要性。 建立层次结构模型将问题包含的因素分层最高层解决问题的目的中间层实现总目标而采取的各种措施、必须考虑的准则等。也可称策略层、约束层、准则层等最低层用于解决问题的各种措施、方案等。把各种所要考虑的因素放在适当的层次内。用层次结构图清晰地表达这些因素的关系。 〔例1〕购物模型某一个顾客选购电视机时对市场正在出售的四种电视机考虑了八项准则作为评估依据建立层次分析模型如下 3 / 8 AHP指南-层次分析法详解〔例2〕选拔干部模型对三个干部候选人y1、y2 、y3按选拔干部的五个标准品德、才能、资历、年龄和群众关系构成如下层次分析模型假设有三个干部候选人y1、y2 、y3按选拔干部的五个标准品德才能资历年龄和群众关系构成如下层次分析模型构造成对比较矩阵比较第 i 个元素与第 j 个元素相对上一层某个因素的重要性时使用数量化的相对权重aij来描述。设共有 n 个元素参与比较则称为成对比较矩阵。
层次分析法(AHP) AHP(Analytic Hierarchy Process)方法，是由20世纪70年代由美国著名运筹学学家T.L.Satty提出的。它是指将决策问题的有关元素分解成目标、准则、方案等层次，在此基础上进行定性分析和定量分析的一种决策方法。这一方法的特点，是在对复杂决策问题的本质、影响因素及其内在关系等进行深入分析之后，构建一个层次结构模型，然后利用较少的定量信息，把决策的思维过程数学化，从而为求解多准则或无结构特性的复杂决策问题提供了一种简便的决策方法。 AHP十分适用于具有定性的，或定性定量兼有的决策分析。这是一种十分有效的系统分析和科学决策方法，现在已广泛地应用在企业信用评级、经济管理规划、能源开发利用与资源分析、城市产业规划、企业管理、人才预测、科研管理、交通运输、水资源分析利用等方面。 一、递阶层次结构的建立 一般来说，可以将层次分为三种类型： （1）最高层：只包含一个元素，表示决策分析的总目标，因此也称为总目标层。 （2）中间层：包含若干层元素，表示实现总目标所涉及的各子目标，包含各种准则、约束、策略等，因此也称为目标层。 （3）最低层：表示实现各决策目标的可行方案、措施等，也称为方案层。 典型的递阶层次结构如下： 一个好的递阶层次结构对解决问题极为重要，因此在建立递阶层次结构时，应注意到： （1）从上到下顺序地存在支配关系，用直线段（作用线）表示上一层次因素与下一层次因素之间的关系，同一层次及不相邻元素之间不存在支配关系。 （2）整个结构不受层次限制。 （3）最高层只有一个因素，每个因素所支配元素一般不超过9个，元素过多可进一步分层。 （4）对某些具有子层次结构可引入虚元素，使之成为典型递阶层次结构。 二、构造比较判断矩阵 设有m个目标（方案或元素），根据某一准则，将这m个目标两两进行比较，把第i个目标（i=1,2,…,m）对第j个目标的相对重要性记为a ij，(j=1,2,…,m)，这样构造的m阶矩阵用于求解各个目标关于某准则的优先权重，成为权重解析判断矩阵，
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：
1.因子分析法基本原理 在对某一个问题进行论证分析时，采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而，这种方法不仅需要巨大的工作量，并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就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。这样我们就可以对原始的数据进行分类归并，将相关比较密切的变量分别归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。 因子分析法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。这样，就能相对容易地以较少的几个因子反映原资料的大部分信息，从而达到浓缩数据，以小见大，抓住问题本质和核心的目的。 因子分析法的核心是对若干综合指标进行因子分析并提取公共因子，再以每个因子的方差贡献率作为权数与该因子的得分乘数之和构造得分函数。因子分析法的数学表示为矩阵：B AF X +=，即: ????? ?? ??++++=++++=++++=++++=p k pk p p p p k k k k k k f f f f x f f f f x f f f f x f f f f x βααααβααααβααααβααααΛΛΛΛΛΛ332211333332321313223232221212113132121111 (k ≤p)………………(1式) 模型中，向量X ()p x x x x ,,,,321Λ是可观测随机向量，即原始观测变量。F ()k f f f f ,,,,321Λ是X ()p x x x x ,,,,321Λ的公共因子，即各个原观测变量的表达式中共同出现的因子，是相互独立的不可观测的理论变量。公共因子的具体含义必须结合实际研究问题来界定。A ()ij α是公共因子F ()k f f f f ,,,,321Λ的系数，称为因子载荷矩阵，ij α（i=1,2,.....,p;j=1,2,....,k)称为因子载荷，是第i 个原有变量在第j 个因子上的负荷，或可将ij α看作第i 个变量在第j 公共因子上的权重。ij α是x i 与f j
AHP层次分析法计算原理 一般地，可以选用三层结构对发展战略作出整体评价。 第一层为目标层，它是企业要实现的战略目标，第二层是评价因素层，它包括战略目标实现进行评价的所考虑的各种因素以及各因素之间的相对比值，并求出各要素实现总体目标所占的权重。第三层是指标层，即个评价因素需考虑的具体指标。 首先，根据总目标确定各要素之间的相对重要关系，构建两两比较判断矩阵，其基本形式为： 其中，a j表示对于C来说，A对A相对重要性的数值体现，通常a j可取1、2、3……、9以及它们的倒数作为标度。其中， 1――表示两个元素相比，具有同样的重要性； 3――表示两个元素相比，一个元素比另一个元素稍微重要； 5――表示两个元素相比，一个元素比另一个元素明显重要； 7――表示两个元素相比，一个元素比另一个元素强烈重要； 9――表示两个元素相比，一个元素比另一个元素极端重要。 2、4、6、8为上述相邻判断的中值。 矩阵中的元素具有以下特征：①a j >0,②a j二丄，③a H=1o a ji 然后，根据判断矩阵计算相对于战略目标各评价元素的相对重要 性次序的权重，首先计算判断矩阵A的最大特征根入max和其对应的经归一化后的特征向量W=[W i, W2 , W3, , W n ]T,计算的公式为：(8 - 1)
归一化后的特征向量W=[W i, W2, W3, , W n]T即为各评价因素对于总目标的权重。 (8 - 2)W i - n W i i J 其 1 n 中，W = a j (8 - 3) 入max为判断矩阵A的最大特征根，计算公式为: (8 - 4) 其中，(AW)i表示AW的第i个元素。 最后，对矩阵A进行一致性检验。当a q二空时，称判断矩阵为a jk 致性矩阵。判断一致性的指标为C.R.的取值。 C.R.嚅 (8 - 5) (8 - 6) R丄为随机一致性指标，其值是通过多次重复进行随机判断矩阵特征值的计算后得到的。随机一致性指标R丄的取值见表8-2。 表8-2随机一致性指标R.I?的取值表 维数12 345 6 7 8 9 10 J (AW)i i吕nw
1.因子分析法基本原理 在 某一个 行 分析 ， 采集大量多 量的数据能 我 的研究分析提供更 丰富的信息和增加分析的精确度。 然而， 种方法不 需要巨大的工 作量，并且可能会因 量之 存在相关性而增加了我 研究 的复 性。 因子分析法就是从研究 量内部相关的依 关系出 ， 把一些具有 复 关系的 量 少数几个 合因子的一种多 量 分析方法。 我 就可以 原始的数据 行分 并，将相关比 密切的 量分 ， 出多个 合指 ， 些 合指 互不相关， 即它 所 合的信息互相不重叠。 些 合指 就称 因子或公共因子。 因子分析法的基本思想是将 量 行分 ， 将相关性 高， 即 系比 密的分在同一 中， 而不同 量之 的相关性 低， 那么每一 量 上就代表了一个基本 构， 即公共因子。 于所研究的 就是 用最少个数的不可 的所 公共因子的 性函数与特殊因子之和来描述原来 的每一分 量。 ，就能相 容易地以 少的几个因子反映原 料的大部分信息， 从而达到 数据，以小 大，抓住 本 和核心的目的。 因子分析法的核心是 若干 合指 行因子分析并提取公共因子， 再以每个因子的方差 献率作 数与 因子的得分乘数之和构造得分函数。 因子分析法的数学表示 矩 ： X AF B ，即 : x 1 11 f 1 1 2 f 2 1 3 f 3 1k f k 1 x 2 21 f 1 22 f 2 23 f 3 2 k f k 2 x 3 31 f 1 32 f 2 33 f 3 3k f k 3 (k ≤p)?????? (1 式) x p p1 f 1 p 2 f 2 p 3 f 3 pk f k p 模型中，向量 X x 1, x 2 , x 3 , , x p 是可 随机向量，即原始 量。 F f 1 , f 2, f 3 , , f k 是X x 1, x 2 , x 3, , x p 的公共因子，即各个原 量的表达式中 共同出 的因子， 是相互独立的不可 的理 量。 公共因子的具体含 必 合 研究 来 界定。 A ij 是公共因子 F f 1, f 2 , f 3, , f k 的系数，称 因子 荷矩 ， ij （i=1,2,.....,p;j=1,2,....,k)称 因子 荷，是第 i 个原有 量在第 j 个 因子上的 荷，或可将 ij 看作第 i 个 量在第 j 公共因子上的 重。 ij 是 x i 与 f j
8.3.2 层次分析法的计算步骤 一、建立层次结构模型 运用AHP进行系统分析，首先要将所包含的因素分组，每一组作为一个层次，把问题条理化、层次化，构造层次分析的结构模型。这些层次大体上可分为3类 1、最高层：在这一层次中只有一个元素，一般是分析问题的预定目标或理想结果，因此又称目标层； 2、中间层：这一层次包括了为实现目标所涉及的中间环节，它可由若干个层次组成，包括所需要考虑的准则，子准则，因此又称为准则层； 3、最底层：表示为实现目标可供选择的各种措施、决策、方案等，因此又称为措施层或方案层。 层次分析结构中各项称为此结构模型中的元素，这里要注意，层次之间的支配关系不一定是完全的，即可以有元素（非底层元素）并不支配下一层次的所有元素而只支配其中部分元素。这种自上而下的支配关系所形成的层次结构，我们称之为递阶层次结构。 递阶层次结构中的层次数与问题的复杂程度及分析的详尽程度有关，一般可不受限制。为了避免由于支配的元素过多而给两两比较判断带来困难，每层次中各元素所支配的元素一般地不要超过9个，若多于9个时，可将该层次再划分为若干子层。 例如，大学毕业的选择问题，毕业生需要从收入、社会地位及发展机会方面考虑是否留校工作、读研究生、到某公司或当公务员，这些关系可以将其划分为如图8.1所示的层次结构模型。 图8.1 再如，国家综合实力比较的层次结构模型如图6 .2： 图6 .2 图中，最高层表示解决问题的目的，即应用AHP所要达到的目标；中间层表示采用某种措施和政策来实现预定目标所涉及的中间环节，一般又分为策略层、约束层、准则层等；最低层表示解决问题的措施或政策（即方案）。 然后，用连线表明上一层因素与下一层的联系。如果某个因素与下一层所有因素均有联系，那么称这个因素与下一层存在完全层次关系。有时存在不完全层次关系，即某个因素只与下一层次的部分因素有联系。层次之间可以建立子层次。子层次从属于主层次的某个因素。它的因素与下一层次的因素有联系，但不形成独立层次，层次结构模型往往有结构模型表示。 二、构造判断矩阵 任何系统分析都以一定的信息为基础。AHP的信息基础主要是人们对每一层次各因素的相对重要性给出的判断，这些判断用数值表示出来，写成矩阵形式就是判断矩阵。判断矩阵是AHP工作的出发点，构造判断矩阵是AHP的关键一步。 当上、下层之间关系被确定之后，需确定与上层某元素（目标A或某个准则Z）相联系的下层各元素在上层元素Z之中所占的比重。 假定A层中因素Ak与下一层次中因素B1，B2，…，Bn有联系，则我们构造的判断矩阵如表8.16所示。 表8.16 判断距阵 Ak B1 B2 …Bn
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
层次分析案例应用 背景资料: 某企业在扩大企业自主权后，委托某专业咨询机构分析如何合理利用企业利润。负责该项目的咨询工程师从Bl:进一步调动职工劳动积极性、B2:提高企业技术水平、B3:改善职工物质与文化生活三个方面设计问卷调查表，通过问卷调查法得出可供选择的方案有:P1：发奖金;P2：扩建集体福利事业;P3：办职工业余技校;P4：建图书馆、俱乐部;P5：引进新设备。 企业决策层按照调查结果，采用两两对比法，依据企业实际情况给出以下评价：1.B2比B1明显重要；2.B3比B1稍微重要；3.B2比B3稍微重要；基于B1调动职工积极性的目标下的评价 7.P1比P5强烈重要；8.P2比P3稍微重要；9.P2比P4既同样重要又稍微重要；10.P2比P5明显重要； 5、若已知B2、B3目标下的评价结果，作为咨询工程师，运用定量分析方法给出方案的优先顺序？ 6、简述咨询机构运用层次分析法的优缺点有哪些？
第一问：暗地卷烟（基础知识不多说）； 第二问：层次分析法的步骤： ①建立层次结构模型；②构造比较判断矩阵； ③单准则下层次排序和单准则下一致性检验；④总排序和总排序下一致性检验。 A—B
第一步：单准则下的①权重向量和②最大特征值计算，并进行③一致性检验一、权重向量的求解 二、最大特征值的求解 定义：给定某一矩阵A，寻找一个常数λ和非零向量ω，使得A·ω=λ·ω 即A·ω= =λ· A-B A·ω= = 下一步依据高中向量运算公式 即：A=λD B=λE C=λF =λ·= 故：λ=1/3*(A/B+B/E+C/D) 综上得λmax =1/3*(0.3182/0.1047+1.9354/0.6370+0.7847/0.2583)=3.0385B1-P 的计算过程不重复，λmax =5.0792 1 1/5 1/3A —B 51331/3 1 0.1047 ωA —0.6370 0.2583 11/51/351331/3 1 0.10470.63700.2583 0.1047 0.6370 0.2583 A B C D E F λD λE λF
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
层次分析法实例讲解学习 生活实际例题： 旅游实例，有三个旅游地点供游客们选择，连云港，常州，徐州。影响游客们决策的因素主要有以下五项：景色、费用、居住、饮食、旅途。请根据个人偏好选择最佳旅游地点。 分析：旅游点是方案层，将它们分别用B,B2,B3表示，影响旅游决策的因素为准 则层AAAAA；目标层为选择旅游地，即可以建立以下模型: 建立判断矩阵： 准则层判断矩阵（即各种因素在旅客偏好选择中所占有的不同比重） 1 1/ 2 4 3 3 2 1 7 5 5 A 1/4 1/7 1 1/2 1/3 1/3 1/5 2 1 1 1/3 1/5 3 1 1 方案层判断矩阵建立（针对每一个影响因素来对方案层建立） 1 2 5 1 1/3 1/8 1 1 3 B 1/2 1 2 B1 3 1 1/3 B1 1 1 3 1/5 1/2 1 8 3 1 1/3 1/3 1 1 3 4 1 1 1/4 B1 1/3 1 1 B1 1 1 1/4 1/4 1 1 4 4 1 求准则层判断矩阵A的特征值： Matlab 运行程序：[a,b]=eig（A）
'矩阵的对角线为准则层判断矩阵 A 的特征值: 5.073 0 0 0 0 0.031 0 0 0 b 0 0 0.031 0 0 0 0 0 0.005 0 0.005 即 1 5.073, 2 0.031, 3 0.031, 4 0.005, 5 0.005 选出最大特征值： max ( 1, 2, 3, 4, 5 ) 1 最大特征值的特征向量即为准则层的影响因素所占的权重， 为： 所对应的特征向量 w 1 -0.4658 -0.8409 -0.0951 -0.1733 -0.1920 归一化(最简 matlab 程序为 w=w1./sum(w1)) w 0.2636 0.4759 0.0538 0.0981 0.1087 一致性指标的检验： 由max 是否等于5来检验判断矩阵A 是否为一致矩阵。由于特征根连续地依 赖于矩阵A 中的值，故max 比5大得越多，A 的非一致性程度也就越严重， max 对应的标准化特征向量也就越不能真实地反映出对因素 A i (i 1, ,5)的影 响中所占的比重。 计算一致性指标CI : 此题的一致性指标为 5.073-5 0.018 5-1 平均随机一致性指标RI 相对固定，如下表： RI 随机一致性指标 3456789 10 11 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51 计算一致性比例CR : CR q RI 当CR 时，认为判断矩阵的一致性是可以接受的，否则应对判断矩阵作适当修正。 本题： CR ? 皿 0.016 0.1 RI 1.12 可行。 按照如上方式处理矩阵B, B 2, B 3, B 4, B 5得: CI max n n 1 max n n 1 CI n 1 2 RI 0