精华内容
下载资源
问答
  • 特征值分析matlab程序,包括左右特征向量及参与因子计算
  • 模态指标包括一致模态指标和模态参与因子的特征系统实现算法。 提供了示例文件,用于识别受到脉冲激励的 2DOF 系统,响应中增加了不确定性(高斯白噪声)。 函数 [Result]=ERA(Y,fs,ncols,nrows,inputs,cut,shift,...
  • 具有模态指标的随机子空间识别,包括一致模式指标和模态参与因子。 该函数不使用系统识别工具箱函数n4sid。 示例文件用于识别受高斯白噪声激励的 2DOF 系统,并为激励和响应增加了不确定性(也是高斯白噪声)。 ...
  • Matlab因子分析

    2021-04-18 11:39:16
    % 从相关系数矩阵出发进行因子分析%***************************定义相关系数矩阵PHO*****************************PHO = [1 0.79 0.36 0.76 0.25 0.510.79 1 0.31 0.55 0.17 0.350.36 0.31 1 0...

    %  从相关系数矩阵出发进行因子分析

    %***************************定义相关系数矩阵PHO*****************************

    PHO = [1     0.79    0.36    0.76    0.25    0.51

    0.79  1       0.31    0.55    0.17    0.35

    0.36  0.31    1       0.35    0.64    0.58

    0.76  0.55    0.35    1       0.16    0.38

    0.25  0.17    0.64    0.16    1       0.63

    0.51  0.35    0.58    0.38    0.63    1

    PHO=xlsread('fa1.xls',2)

    %******************调用factoran函数根据相关系数矩阵作因子分析*****************

    % 从相关系数矩阵出发,进行因子分析(不进行因子旋转),公共因子个数是2,delta设定特殊方差psi的下界

    % ‘covariance’表示协方差或相关系数矩阵,'rotate'='none'不旋转

    % 输出的lambda是因子载荷L矩阵,psi是估计的个体方差,T为旋转矩阵

    [lambda,psi,T] = factoran(PHO,2,'xtype','covariance','delta',0,'rotate','none')

    % 定义元胞数组,以元胞数组形式显示结果

    head = {'变量', '因子f1', '因子f2'};

    varname = {'身高','坐高','胸围','手臂长','肋围','腰围','',''}';

    Contribut = 100*sum(lambda.^2)/6;

    CumCont = cumsum(Contribut);

    result1 = num2cell([lambda; Contribut; CumCont]);

    result1 = [head; varname, result1]

    biplot(lambda,'LineWidth',2,'MarkerSize',20)

    scatter(lambda(:,1),lambda(:,2))

    %从相关系数矩阵出发,进行因子分析(进行因子旋转),默认是使用最大方差旋转法

    [lambda,psi,T] =factoran(PHO,2,'xtype','covariance','delta',0)

    Contribut = 100*sum(lambda.^2)/6

    CumCont = cumsum(Contribut)

    biplot(lambda,'LineWidth',2,'MarkerSize',20)

    scatter(lambda(:,1),lambda(:,2))

    % 从相关系数矩阵出发,进行因子分析,公共因子数为3(进行因子旋转)

    [lambda,psi,T] = factoran(PHO,3,'xtype','covariance','delta',0)

    Contribut = 100*sum(lambda.^2)/6

    CumCont = cumsum(Contribut)

    biplot(lambda,'LineWidth',2,'MarkerSize',20)

    % 不建议做m>=4,报错

    [lambda,psi,T] = factoran(PHO,4,'xtype','covariance','delta',0)

    %*********************************读取数据*********************************

    [X,textdata] = xlsread('fa2.xls');

    X = X(:,3:end);

    varname = textdata(4,3:end);

    obsname = textdata(5:end,2);

    %******************调用factoran函数根据原始观测数据作因子分析*****************

    % 从原始数据(实质还是相关系数矩阵)出发,进行因子分析,公共因子数为4

    % 进行因子旋转(最大方差旋转法),stats返回一些拟合的检验统计量

    [lambda,psi,T,stats] = factoran(X,4)

    Contribut = 100*sum(lambda.^2)/8

    CumCont = cumsum(Contribut)

    % 从原始数据(实质还是相关系数矩阵)出发,进行因子分析,公共因子数为2

    % 进行因子旋转(最大方差旋转法),F返回因子得分

    [lambda,psi,T,stats,F] = factoran(X, 2)

    Contribut = 100*sum(lambda.^2)/8

    CumCont = cumsum(Contribut)

    [varname', num2cell(lambda)]

    biplot(lambda,'LineWidth',2,'MarkerSize',20)

    plot(lambda(:,1),lambda(:,2),'k*')

    %**************将因子得分F分别按耐力因子得分和速度因子得分进行排序*************

    obsF = [obsname, num2cell(F)];

    F1 = sortrows(obsF, 2);    % 按耐力因子得分排序,默认按列排序

    F2 = sortrows(obsF, 3);    % 按速度因子得分排序

    head = {'国家/地区','耐力因子','速度因子'};

    result1 = [head; F1];

    result2 = [head; F2];

    %*************************绘制因子得分负值的散点图***************************

    plot(-F(:,1),-F(:,2),'k.');

    xlabel('耐力因子得分(负值)');

    ylabel('速度因子得分(负值)');

    展开全文
  • 因子分析matlab

    2021-04-24 23:15:22
    === 主成分分析和因子分析的区别 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、...... 因子分析法在体育测量中的应用研究 刘先国;周利兵 【期刊名称】...

    分析表 Matlab实现 §2 双因素方差分析 2.1 2.2 2.3 2.4 数学模型 无交互影响的双因素方差分析 有交互影响的双因素方差分析 Matlab实现 第 1章 方差分析 ?...

    第1章 方差分析(analysis of variance) §1 单因素方差分析 1.1 数学模型 1.2 统计分析 1.3 方差分析表 1.4 Matlab实现 §2 双因素方差分析 2.1 数学......

    分析表 Matlab实现 §2 双因素方差分析 2.1 2.2 2.3 2.4 数学模型 无交互影响的双因素方差分析 有交互影响的双因素方差分析 Matlab实现 第1章 方差分析 ? ...

    直接调用 Matlab 软件实现在软件 Matlab 中实现主成分分析可以采取两种方式实现:...使用主成分分析法得到 3 个因子,因子矩阵(Factor Matrix)如下,变量与 某一......

    《计量地理学》 (徐建华,高等教育出版社,2006)配套实习指导 §9 利用 Matlab 和 SPSS 实现主成分分析 1.直接调用 Matlab 软件实现在软件 Matlab 中实现主成分......

    MATLAB 中对原始数据标准化可以直接用 zscore 函数 主成分分析和因子分析的区别 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......

    (tmp.*tmp)'; === 主成分分析和因子分析的区别 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、......

    因子分析法在体育测量中的应用研究 刘先国;周利兵 【期刊名称】《科技创新导报》 【年(卷),期】2011(000)004 【摘要】运用因子分析方法,结合 MATLAB2010 软件,......

    多元线性回归分析 判别分析 聚类分析 3 4 5 6 主成分分析 数理统计的Matlab实现 7 8 典型相关分析因子分析 数理统计的Matlab实现 一、统计量的计算与简单统计 1......

    基于MATLAB 的合肥市空气质量影响因子分析 摘要 本文基于 MATLAB 工...

    基于Matlab 的化学实验数据分析摘要:本文对化学实验数据分析方法做了详细的介绍,包括定量分析方法、模式识别、光谱 分析法、色谱分析法,并对其中的一些方法给出了具体......

    环境质量评价的主成分因子分析的可视化方法_自然科学_专业资料。,用Excel加Visual Basic 强有力的界面设计功能和MATLAB的强大的计算和图形处理功能,通过在MATLAB中提供......

    表格 6 旋转后载荷图 可以看出数理方法、windows 程序设计、Matlab 基础与应用、计算机基 础、c 语言等课程在因子 1 上的载荷比较大;普通物理学 2、大学数学 1......

    三维荧光数据平行因子分析(PARAFAC) 基于 Matlab 子软件 SOLO...

    主成分分析法;因子分析法;灰色关联度分析法;模糊综合评价法 摘要:以实际问题为例,使用主成分分析法,因子分析法,灰色关联度分析 法,模糊综合评价法四种算法,运用 ......

    蛋白质糖基化位点的因子分析及 KNN 预测 ◇咸阳师范学院数学与信息科学学院 杨...

    因子分析;Matlab 摘要:以 Matlab 软件为工具,对 2013 年中国统计年鉴记录的全国主要城市气 温数据进行因子分析.阐述了数据预处理与因子分析的具体过程,结合地理知识......

    X unb b ? regress(y, X) 2019/10/29 化学计量学方法简介 20/40 主成分回归(PCR) 主成分回归(Principle Component Regression ,PCR) 是在因子分析的基础上......

    关键词 :三维荧光光谱 ;荧光 矩阵 ;平行因子分析 ;Matlab 中图分 类...

    参考文献: MATLAB金融计算与金融数据处理 张树德 著 北京航空航天大学出版社, ...学会常 用的统计绘图命令,掌握回归的方法,学会运用主成份、 因子分析金融问题。...

    展开全文
  • 首先,基于小信号模型分析系统状态矩阵的特征值,借助二分法在参与因子阈值闭区间内优化幂指数参数;然后,由归一化的参与因子获得机电振荡模式的局域性指标;相较于传统指标,所提指标计算效率高、实用性好;最后,...
  • MATLAB因子分析

    万次阅读 多人点赞 2018-02-10 14:18:50
    因子分析就是从研究对象中寻找公共因子的方法。 判别分析、聚类分析、因子分析的比较: 对面来了来了一群女生,我们一眼就能分辨出谁美谁丑,这是判别分析;并且在我们脑海里会对这群女生聚为两类:美的一类和丑的一...

    因子分析就是从研究对象中寻找公共因子的方法。

    判别分析、聚类分析、因子分析的比较:

    对面来了来了一群女生,我们一眼就能分辨出谁美谁丑,这是判别分析;并且在我们脑海里会对这群女生聚为两类:美的一类和丑的一类,这是聚类分析;我们之所以认为某个女孩漂亮是因为她具有漂亮女孩所具有的一些共同点,比如漂亮的脸蛋、高挑的身材等等,这种从研究对象中寻找公共因子的办法就是因子分析。

     因子分析也是利用降维思维,把每一个原始变量分解成两部分,一部分是少数几个公共因子的线性组合,另一部分是该变量所独有的特殊因子,其中公共因子和特殊因子都是不可观测的隐变量,我们需要对公共因子做出具有实际意义的合理解释。

    1.因子分析简介

    1.1 基本因子分析模型

    设p维总体x=(x1,x2,….,xp)’的均值为u=(u1,u2,….,u3)’,因子分析的一般模型为

    x1=u1+a11f1+a12f2+……..+a1mfm+ε1

    x2=u2+a21f1+a22f2+……..+a2mfm+ε2

                             ………

                            ..  …

     xp=up+ap1f1+fp2f2+……….+apmfm+εp


    其中,f1,f2,…..,fm为m个公共因子;εi是变量xi(i=1,2,…..,p)所独有的特殊因子,他们都是不可观测的隐变量。称aij(i=1,2,…..,p;j=1,2,…..,m)为变量xi的公共因子fi上的载荷,它反映了公共因子对变量的重要程度,对解释公共因子具有重要的作用。上式可以写为矩阵形式

     x=u+Af+ε

    其中A=(aij)pxm 称为因子载荷矩阵;f=(f1,f2,….,fm)’为公共因子向量;ε=(ε1,ε2,…..εp)称为特殊因子向量

    1.2 共性方差与特殊方差

     xi的方差var(xi)由两部分组成,一个是公共因子对xi方差的贡献,称为共性方差;一个是特殊因子对xi方差的贡献,称为特殊方差。每个原始变量的方差都被分成了共性方差和特殊方差两部分。

    1.3 因子旋转

    因子分析的主要目的是对公共因子给出符合实际意义的合理解释,解释的依据就是因子载荷阵的个列元素的取值。当因子载荷阵某一列上各元素的绝对值差距较大时,并且绝对值大的元素较少时,则该公共因子就易于解释,反之,公共因子的解释就比较困难。此时可以考虑对因子和因子载荷进行旋转(例如正交旋转),使得旋转后的因子载荷阵的各列元素的绝对值尽可能量两极分化,这样就使得因子的解释变得容易。

     因子旋转方法有正交旋转和斜交旋转两种,这里只介绍一种普遍使用的正交旋转法:最大方差旋转。这种旋转方法的目的是使因子载荷阵每列上的各元素的绝对值(或平方值)尽可能地向两极分化,即少数元素的绝对值(或平方值)取尽可能大的值,而其他元素尽量接近于0.

    1.4 因子得分

     在对公共因子做出合理解释后,有时还需要求出各观测所对应的各个公共因子的得分,就比如我们知道某个女孩是一个美女,可能很多人更关心该给她的脸蛋、身材等各打多少分,常用的求因子得分的方法有加权最小二乘法和回归法。

     注意:因子载荷矩阵和得分矩阵的区别:

    因子载荷矩阵是各个原始变量的因子表达式的系数,表达提取的公因子对原始变量的影响程度。因子得分矩阵表示各项指标变量与提取的公因子之间的关系,在某一公因子上得分高,表明该指标与该公因子之间关系越密切。简单说,通过因子载荷矩阵可以得到原始指标变量的线性组合,如X1=a11*F1+a12*F2+a13*F3,其中X1为指标变量1,a11、a12、a13分别为与变量X1在同一行的因子载荷,F1、F2、F3分别为提取的公因子;通过因子得分矩阵可以得到公因子的线性组合,如F1=a11*X1+a21*X2+a31*X3,字母代表的意义同上。   

    1.5 因子分析中的Heywood(海伍德)现象

     如果x的各个分量都已经标准化了,则其方差=1。即共性方差与特殊方差的和为1。也就是说共性方差与特殊方差均大于0,并且小于1。但在实际进行参数估计的时候,共性方差的估计可能会等于或超过1,如果等于1,就称之为海伍德现象,如果超过1,称之为超海伍德线性。超海伍德现象意味着某些特殊因子的方差为负,表明肯定存在问题。造成这种现象的可能原因包括:

     共性方差本身估计的问题;

    太多的共性因子,出现了过拟合;

    太少的共性因子,造成拟合不足;

    数据太少,不能提供稳定的估计;

     因子模型不适合这些数据。

     当出现海伍德现象或超海伍德现象时,应对估计结果保持谨慎态度。可以尝试增加数据量,或改变公共因子数目,让公共因子数目在一个允许的范围内变动,观察估计结果是否有改观;还可以尝试用其他多元统计方法进行分析,比如主成分析。


    2. 因子分析的MATLAB函数

    MATLAB提供了factoran函数来进行因子分析。

    factoran函数用来根据原始样本观测数据、样本协方差矩阵和样本相关系数矩阵,计算因子模型总的因子载荷矩阵A的最大似然估计,求特殊方差的估计、因子旋转矩阵和因子得分,还能对因子模型进行检验。factoran函数的调用格式如下:

     <1>lambda=factoran(X,m)

      返回包含m个公共因子模型的载荷矩阵lambda。输出参数X是n行d列的矩阵,每行对应一个观测,每列对应一个变量。m是一个正整数,表示模型中公共因子的个数。输出参数lambda是一个d行m列的矩阵,第i行第j列元素表示第i个变量在第j个公共因子上的载荷。

    <2>[lambda,psi]=factoran(X,m)

     返回特殊方差的最大似然估计psi,psi是包含d个元素的列向量,分别对应d个特殊方差的最大似然估计。

    <3>[lambda,psi,T]=factoran(X,m)

     返回m行m列的旋转矩阵T

    <4>[lambda,psi,T,stats]=factoran(X,m)

    返回一个包含模型检验信息的结构体变量stats,模型检验的原假设是H0:因子数=m。输出参数stats包括4个字段,其中stats.loglike表示对数似然的最大值,stats.def表示误差自由度,stats,chisq表示近似卡方检验统计量,stats.p表示检验的p值。对于给定的显著性水平a,若检验的p值大于显著性水平a,则接受原假设H0,说明用含有m个公共因子的模型拟合原始数据是合适的,否则,拒绝原假设,说明拟合是不合适的。

    <5>[lambda,psi,stats,F]=factoran(X,m)

     返回因子得分矩阵F。F是一个n行m列的矩阵,每一行对应一个观测的m个公共因子的得分。如果X是一个协方差矩阵或相关系数矩阵,则factoran函数不能及时因子得分。factoran函数用相同的旋转矩阵计算载荷阵lambda和因子得分F。

    <6> […….]=factoran(…..,param1,val1,param2,val2,…….)

     允许用户指定可选的成对出现的参数名和参数值,用来控制模型的拟合和输出,可用的参数名与参数值如下:

    参数名

    参数值

    说明

     

    ‘xtype’

    指定输出参数X的类型

    ‘data’

    原始数据(默认情况)

    ‘covariance’

    正定的协方差矩阵或相关系数矩阵

     

    ‘scores’

    预测因子得分方法。若X不是原始数据,‘score’将被忽略

    ‘wls’‘Bartlett’

    加权最小二乘估计(默认情况)

    ‘regression’‘Thomson’

    最小均方误差法,相当于岭回归

     

     

    ‘start’

    最大似然估计中特殊方差psi的最初值

    ‘random’

    选取d个在[0 1]区间上服从均匀分布的随机数

    ‘Rsquared’

    用一个尺度因子乘以diag(inv(corrcoef(X)))作为初始点(默认情况)

    正整数

    指定最大似然法拟合的次数

    矩阵

    用矩阵指定最大似然法的初始点

     

     

     

     

     

     

    ‘rotate’

    指定因子载荷矩阵和因子得分矩阵的旋转方法

    ‘none’

    不进行旋转

    ‘equamax’

    Orthomax旋转的特殊情况

    ‘orthomax’

    最大方差旋转法

    ‘parsimax’

    Orthomax旋转的一个特殊情况(默认)

    ‘pattern’

    执行斜交旋转(默认)或正交旋转

    ‘procrustes’

    执行斜交旋转(默认)或正交旋转

    ‘promax’

    执行一次斜交procrustes旋转

    ‘quartimax’

    Orthomax旋转的一个特殊情况

    Varimax

    Orthomax旋转的以特殊情况

    函数句柄

    用户自定义的旋转函数的句柄

    ‘coeff’

    一个介于0-1之间的数

    不同的值对应不同的orthomax旋转

    ‘normalize’

    ‘on’或1

    ‘off’或0

    若为‘on’或1,(默认),单位化

    ‘off’或0,不进行单位化

    ‘reltol’

    正标量

    指定‘orthomax’或‘varimax’的收敛容限

    ‘maxit’

    正整数

    指定‘orthomax’或‘varimax’的最大迭代次数,默认250

    ‘target’

    矩阵

    指定‘orthomax’旋转所必须的目标因子载荷阵

    ‘type’

    ‘oblique’或

    ‘orthogonal’

    指定‘procrustes’旋转的类型,默认‘oblique’

    ‘power’

     

    大于或等于1的变量

    指定‘promax’旋转中生成目标矩阵的幂指数,默认值是4

    ‘userargs’

    自定义旋转的额外参数

    一个标记开始位置的参数

    ‘nobs’

    正整数

    指定实际观测的个数

    ‘delta’

    [0,1)内的标量

    设定最大似然估计中特殊方差 psi 的下界,默认0.005

    ‘qptimopts’

    由命令statset(‘factoran’)生成的结构体变量

    指定用来计算最大似然估计的迭代算法的控制参数

     

     3.基于样本观测值矩阵的因子分析

    下表列出了奥运会上55个国家和地区男子径赛的成绩数据。


    %读取数据
    [X,textdata] = xlsread(‘径赛成绩.xls’);%读取数据
    X = X(:,3:end); %提取X的第3至最后一列,即要分析的数据
    varname = textdata(4,3:end);%提取textdata的第4行,第3至最后一列,即变量名
    obsname = textdata(5:end,2);%提取textdata的第2列,第5行至最后一行,即国家名或地区名

    (1)4个公共因子
    %调用factoran函数根据原始观测数据作因子分析
    % 从原始数据)出发,进行因子分析,公共因子数为4
    % 进行因子旋转(最大方差旋转法)
    [lambda,psi,T,stats] = factoran(X,4)

    %计算贡献率,因子载荷矩阵的列元素的平方和除以维数
    Contribut = 100*sum(lambda.^2)/8
    CumCont = cumsum(Contribut) %计算累积贡献率


    lambda =

        0.2786    0.9537    0.0229   -0.0115
        0.3857    0.8530    0.1155    0.0794
        0.5339    0.7211    0.2231    0.0133
        0.6679    0.5884    0.3984    0.0271
        0.7852    0.5020    0.2316    0.2177
        0.8963    0.3866    0.0919    0.0441
        0.9076    0.3966    0.0722    0.0276
        0.9132    0.2759    0.0889   -0.0473


    psi =

        0.0122
        0.1040
        0.1449
        0.0484
        0.0305
        0.0368
        0.0130
        0.0797


    T =

        0.7359    0.6640    0.1248    0.0450
        0.6576   -0.7471    0.0762    0.0600
       -0.1612   -0.0180    0.9055    0.3921
        0.0102   -0.0240    0.3984   -0.9169


    stats =

        loglike: -0.0159
            dfe: 2
          chisq: 0.7600
              p: 0.6839


    Contribut =

       50.4392   39.2256    3.7195    0.7459


    CumCont =

       50.4392   89.6648   93.3843   94.1303

    结果分析:

    从因子载荷矩阵的估计lambda来看,前2列个元素的取值差距较大,也就是说前2个因子易于解释,而后2列元素取值都比较小,后两个因子很难给出合理的解释。

    从特殊方差矩阵的估计psi来看,各变量的特殊方差都比较小, 并没有出现海伍德现象,这说明4因子模型的拟合效果非常好。

    从模型检验信息stats来看,检验的p值为0.6830>0.05,说明在显示性水平0.05下接受原假设,原假设是H0:m=4,也就是说用4个公共因子的因子模型拟合原始数据是比较合适的。

     从贡献率Contribut和累积贡献率CumCont来看,前2个因子对原始数据总方差的贡献率分别为50.4392和39.2256,累积贡献率达到了89.6648%,这说明因子模型中公共因子的数目还可以进一步减少,只考虑2个公共因子应该是比较合适的。

    (2)2个公共因子

    % 从原始数据出发,进行因子分析,公共因子数为2
    % 进行因子旋转(最大方差旋转法)
    [lambda,psi,T,stats,F] = factoran(X, 2)
    Contribut = 100*sum(lambda.^2)/8 %计算贡献率
    CumCont = cumsum(Contribut) %计算累积功效率

    %为了显示直观,定义元胞数组,以元胞数组形式显示因子载荷阵
    [varname’ num2cell(lambda)]


    lambda =

        0.2876    0.9145
        0.3790    0.8835
        0.5405    0.7460
        0.6891    0.6244
        0.7967    0.5324
        0.8993    0.3968
        0.9058    0.4019
        0.9138    0.2809


    psi =

        0.0810
        0.0758
        0.1514
        0.1353
        0.0817
        0.0338
        0.0180
        0.0860


    T =

        0.8460    0.5331
       -0.5331    0.8460


    stats =

        loglike: -0.3327
            dfe: 13
          chisq: 16.3593
              p: 0.2303


    F =

        0.3559   -0.2915
       -0.4780   -0.8471
       -0.7700    0.2096
       -0.8101   -0.2296
        1.5513   -1.2863
        0.1130   -0.9439
        0.4870    0.6517
       -0.1077   -0.9427
        0.1283   -0.3221
       -0.0807    0.3137
       -0.6971    0.4201
        2.1491    3.8666
       -0.7703    2.0418
       -0.3658   -0.3744
       -0.5524   -0.0057
        2.2451   -1.6206
       -0.8307   -0.0362
       -0.2249   -1.0027
       -0.5469   -0.9058
       -0.4472   -0.9495
       -0.5690   -1.0585
        0.3541   -0.6699
       -0.1484    1.7113
       -0.1908   -0.4946
       -0.4443    0.6125
        1.1054    0.2773
       -0.9685    0.5613
       -0.3487    0.6141
       -0.1339   -1.5855
       -0.7194    0.0366
       -1.0005   -0.0460
        0.2728   -0.2344
       -0.4679    1.7101
        0.1439   -0.2381
        1.6495   -0.9003
        0.8386    1.7727
       -0.8522    0.5704
       -0.9430    0.2815
       -1.0196    0.3119
       -1.0439    0.6911
        0.9329    1.1914
        0.8011    0.5121
       -0.2759   -0.9260
       -1.3163    0.8694
       -0.8484    0.2215
        1.9305   -0.5694
       -0.7851    0.0249
       -0.4985   -0.4038
       -0.6000   -0.3152
        0.3723    0.2694
        2.3334   -0.8775
       -0.8423    1.1545
       -0.1616   -1.8243
       -0.2886   -1.2890
        3.3842    0.2935


    Contribut =

       51.1556   40.5565


    CumCont =

       51.1556   91.7121


    ans =

        ‘100米’      [0.2876]    [0.9145]
        ‘200米’      [0.3790]    [0.8835]
        ‘400米’      [0.5405]    [0.7460]
        ‘800米’      [0.6891]    [0.6244]
        ‘1500米’     [0.7967]    [0.5324]
        ‘5000米’     [0.8993]    [0.3968]
        ‘10000米’    [0.9058]    [0.4019]
        ‘马拉松’       [0.9138]    [0.2809]



    结果分析:

    从此时的因子载荷阵的估计lambda来看,5000m,10000m和马拉松的成绩在第1个公共因子的载荷比较大,说明第1个公共因子反映的是人的耐力,可解释为耐力因子;100m和200m的成绩在第2个公共因子上的载荷比较大,说明第2个公共因子反映的是人的速度,可解释为速度因子。两个因子对原始数据总方差的贡献率分别为51.1556%和40.5565%,累积贡献率达到了91.7121%。

     从特殊方差矩阵的估计psi来看,个变量的特殊方差也都比较小,只有400m和800m的成绩对应的特殊方差超过了0.1,并没有出现海伍德现象,这说明2因子模型的拟合效果是非常好的。

     从模型检验信息stats来看,检验的p值为0.2303>0.05,可知在显著性水平0.05下接受原假设,原假设H0:m=2,也就是说用2个公共因子的因子模型拟合原始数据是合适的。

    (3)因子得分

     下面将因子得分F分别按耐力因子得分和速度因子得分进行排序,以便分析各个国家或地区在径赛项目上的优势。

    %将因子得分F分别按耐力因子得分和速度因子得分进行排序
    obsF = [obsname, num2cell(F)] %将国家和地区名与因子得分刚在一个元胞数组中显示
    F1 = sortrows(obsF, 2) ;   % 按耐力因子得分排序
    F2 = sortrows(obsF, 3);   % 按速度因子得分排序
    head = {‘国家/地区’,’耐力因子’,’速度因子’};
    result1 = [head; F1]
    result2 = [head; F2]


    因为数据较多,先不显示,然后做出因子得分的散点图。

    从因子得分的取值可以看出,速度优势越明显的国家或地区,其速度因子得分值越小。耐力优势越明显的地区,其耐力因子得分值越小,因此用因子得分的负值做出散点图,从散点图上可以看出各个国家和地区在径赛上的优势。

    %绘制因子得分负值的散点图
    plot(-F(:,1),-F(:,2),’k.’);%作因子
    xlabel(‘耐力因子得分(负值)’);
    ylabel(‘速度因子得分(负值)’);
    gname(obsname);%交互式添加各散点的标注


    从图中可以看出,葡萄牙人耐力优势明显,美国人和多米尼亚和意大利人速度优势明显,中国人总体实力居中,耐力和速度都不占优势。


    更多MATLAB数据分析视频请点击,或者在网易云课堂上搜索《MATLAB数据分析与统计》 http://study.163.com/course/courseMain.htm?courseId=1003615016

    展开全文
  • MATLAB(2)--因子分析

    千次阅读 2018-03-01 00:09:00
    ​ 在MATLAB中封装了有关因子分析的方法-- factoran ,读者可以通过 help 命令来查看如何调用这个方法。 需要读者注意的是,factoran方法并不会做数据规范化,所以读者需要自己来做这个操作。 代码展示 %数据...

    目的描述

    ​ 出于模型的需要,我们的团队选择做一次因子分析,通常这部分在队伍中是会有同学专门负责这块的,至于为什么笔者就不在这里多说了。

    解决思路

    ​ 在MATLAB中封装了有关因子分析的方法--factoran,读者可以通过help命令来查看如何调用这个方法。

    需要读者注意的是,factoran方法并不会做数据规范化,所以读者需要自己来做这个操作。

    代码展示

    %数据单位化
    TX_F_D=zscore(TX_D)
    
    %5,求和
    SUM_F_D=TX_F_D+AZ_F_D+CA_F_D+NM_F_D
    
    %6,因子分析
    [SUM_lambda,SUM_psi,SUM_T,SUM_stats,SUM_F]=factoran(SUM_F_D,6)
    
    %求取贡献率
    SUM_Contribute=Factor_Contribute(SUM_lambda,index)
    
    %求各项因子的得分
    ALL_F=Factor_F(TX_F_D,AZ_F_D,CA_F_D,NM_F_D,SUM_lambda,SUM_Contribute)
    
    %画图
    subplot(2,2,1)
    plot(YEARS,ALL_F{1}(:,1),'r-',YEARS,ALL_F{2}(:,1),'g--',YEARS,ALL_F{3}(:,1),'b:',YEARS,ALL_F{4}(:,1))
    xlabel('YEARS')
    ylabel('F1')
    legend('TX','AZ','CA','NM','Location','SouthEast')
    
    %画单个的图
    figure
    plot(YEARS,ALL_F{1}(:,1),'r-',YEARS,ALL_F{2}(:,1),'g--',YEARS,ALL_F{3}(:,1),'b:',YEARS,ALL_F{4}(:,1))
    xlabel('YEARS')
    ylabel('F1')
    legend('TX','AZ','CA','NM','Location','SouthEast')
    
    figure
    plot(YEARS,ALL_F{1}(:,2),'r-',YEARS,ALL_F{2}(:,2),'g--',YEARS,ALL_F{3}(:,2),'b:',YEARS,ALL_F{4}(:,3))
    xlabel('YEARS')
    ylabel('F2')
    legend('TX','AZ','CA','NM','Location','SouthEast')
    
    figure
    plot(YEARS,ALL_F{1}(:,3),'r-',YEARS,ALL_F{2}(:,3),'g--',YEARS,ALL_F{3}(:,3),'b:',YEARS,ALL_F{4}(:,3))
    xlabel('YEARS')
    ylabel('F3')
    legend('TX','AZ','CA','NM','Location','SouthEast')
    
    figure
    plot(YEARS,ALL_F{1}(:,4),'r-',YEARS,ALL_F{2}(:,4),'g--',YEARS,ALL_F{3}(:,4),'b:',YEARS,ALL_F{4}(:,4))
    xlabel('YEARS')
    ylabel('F')
    legend('TX','AZ','CA','NM','Location','SouthEast')
    
    

    结果展示

    由于结果有多种多样的,直接给出MATLAB的工作空间,有兴趣的读者可以自行下载。

    链接 密码:zffr

    转载于:https://my.oschina.net/u/3483440/blog/1626627

    展开全文
  • 基因相互作用(GGI)网络编码),以便即使是最初未包含在途径中的一组基因(由于具体来说,如果那些基因与GGI网络上这些途径的成员基因相连,则可以随机方式将其参与因子分解。 项目 BSNMTF_supplementary_PSB2020....
  • JMJD6参与调节肿瘤抑制因子p53的转录活性,张艳君,程谟斌,目的 确定JMJD6与转录因子p53的相互作用,研究JMJD6对p53转录活性的影响,并通过鉴定JMJD6的赖氨酸羟化酶活性探讨其可能的作用机制。方�
  • FunRich数据库:一个主要用于基因和蛋白质的功能富集以及相互作用网络分析的独立的软件工具】等以外,如果我们想找到参与调控这些差异基因的转录因子,作为研究的上游机制,是一个思路。而很多转录因子预测的数据库...
  • 概述脑源性神经营养因子参与伤害性感受调制的生理和病理,杨建平,王丽娜,脑源性神经营养因子(brain-derived neurotrophic factor,BDNF)对神经元的正常生长发育起调节作用,且促进损伤神经的再生并参与了大脑...
  • 脊髓活化的小胶质细胞趋化因子受体表达参与痛觉调制的研究进展,谭雍慧,傅开元,小胶质细胞通常被认为是中枢神经系统中的免疫细胞,是常驻中枢神经系统单核吞噬细胞家族的成员之一。近年来,越来越多的研究表明
  • 回顾性分析评估有毒献血者HIV-1的脂多糖刺激的外周血单核细胞(PBMC)核提取物中转录因子因子κB(NF-kB p65)的p65组分水平感染表明具有铁摄入史的亚组中的NF-kB p65明显高于无此病史的HIV-1感染的亚组。...
  • 影响因子与特征因子的区别

    千次阅读 2019-09-06 10:03:31
    作为世界范围内被普遍使用的期刊定量评价指标,期刊影响因子(Impact Factor – IF)和另一个期刊评价的指标特征因子(Eigenfactor,包含了特征因子积分(EigenFactor Score – EF)和文章影响积分(Article ...
  • 凝血因子是指参与血液凝固过程的各种物质,多为蛋白质。它在血管出血时被激活,和血小板粘连在一起,并且补塞血管上的漏口,这个过程被称为凝血。世界卫生组织按其被发现的先后次序用罗马数字统一命名,有凝血因子Ⅰ...
  • 致热性细胞因子的研究进展,张羽墨,莫岩君,发热是一个由刺激物引起,通过内生致热原介导使机体体温中枢温度调控点上升的过程。其中内生致热原是发热的关键。研究表明内生致
  • 什么是多因子量化选股模型?

    千次阅读 2020-12-11 05:14:31
    引言量化投资中经常听到的“多因子模型”是个什么鬼?因子是影响因素的简称,或简单理解成指标。我们都知道股票收益受到多重因素的影响,比如宏观、行业、流动性、公司基本面、交易情绪等等。所谓“多因子模型”,...
  • 炎性因子在癫痫发生发展中的作用,韩志斌,唐重阳,癫痫是大脑神经元突发性异常放电,导致短暂的大脑功能障碍的一种慢性疾病。中枢神经系统炎症是脑固有免疫的重要组成部分,炎症反
  • 牛市因子和熊市因子

    2020-09-18 10:22:53
    来源:Chihiro Quantitative Research,作者:刀疤连 未经授权...经典的因子包括价值、规模、低风险、盈利、成长、动量和红利等,投资者可以通过Smart Beta基金低成本参与因子投资的盛宴。 量化策略不存在圣杯,...
  • A股市场高频量价因子探索

    千次阅读 2019-07-13 12:04:15
    传统的因子指标挖掘主要集中于财务报表、个股中低频率的价量等相关的数据维度,而这部分数据维度的增量价值的挖掘已逐渐饱和,需从其他新的数据维度中挖掘新的因子指标,本篇研究内容参考海通证券研报《高频量价因子...
  • 细胞骨架存在于所有真核生物中,并参与许多重要的细胞生物学过程,尤其是植物细胞的运动和发育变化。 细胞骨架由微管(MT),微丝(MF)和中间丝(IF)组成。 MT和MF是植物细胞骨架的重要组成部分。 交联因子充当MF...
  • 依据煤矿事故风险因子参与因素,将煤矿事故风险因子耦合划分为同质因子风险耦合和异质因子风险耦合。依据耦合对风险的作用方向,将煤矿事故的风险耦合划分为正向耦合、零度耦合和负耦合。在上述风险耦合分类的基础上,...
  • GPS精度因子

    千次阅读 2017-08-03 22:09:52
    PDOP:位置精度因子(Position Dilution of Precision),直译为“精度强弱度”,通常翻译为“相对误差”。具体含义是:由于观测成果的好坏与被测量的人造卫星和接收仪间的几何形状有关且影响甚大,所以计算上述所...
  • 因子

    2020-11-19 14:23:45
    因子模型梗概 股票收益受到多重因素的影响,比如宏观、行业、流动...在量化实践中,由于不同市场参与者或分析师对于市场的动态、因子的理解存在较大差异,因此构建出各种不同的多因子模型。 理论背景&发展历史
  • 在今天的文章中,我们将向大家再次介绍经典的CAPM和三五因子模型,并通过beta和市值因子构建一个双因子模型,从一个因子到五个因子,试图来解释中国股票市场的个股价格,我们的模型模板来自经典的三五因子模型,我们...
  • p=172 "前文")介绍了股票日线数据下载,从本文起开始记录一些股票因子的计算方法,这些因子将用于后续策略的编写。 我们将实现双神穿多线策略,策略的选股条件是,股票当日形成双神(间隔的2个涨停),K线同时上穿5...
  • 因子分析通过研究变量间的相关系数矩阵,把这些变量间错综复杂的关系归结成少数几个综合因子,由于归接触的因子个数少于原始变量的个数,但是他们又包含原始变量的信息,所以,这一分析过程也成为降维。 正常情况下...
  • HashMap与加载因子(负载因子loadFactor)

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 29,818
精华内容 11,927
关键字:

参与因子