基于主成分分析和因子分析法的举措重要性评价--中国期刊网

字体：大中小

首页> 原创作品> 正文

基于主成分分析和因子分析法的举措重要性评价

发表时间：2021/4/20 来源：《基层建设》2020年第32期作者：陈和坤代倩

[导读] 摘要：基于无监督学习下地主成分分析模型，对各主成分进行排名，有助于《条例》重要性的综合评价，为进一步推进《条例》的实行提供一定的参考。

        杭州电子科技大学浙江省杭州市 310018
        摘要：基于无监督学习下地主成分分析模型，对各主成分进行排名，有助于《条例》重要性的综合评价，为进一步推进《条例》的实行提供一定的参考。
        关键词：主成分分析；重要性评价
        （1）选择因子分分析的原因
        在当今社会，人们更加注重信息的全面性，这就需要综合各种因素的影响。对事物进行全面客观的综合评价有助于信息使用者更好的利用信息。但是虽然大量的信息在给人们带来更加准确的结果的同时也带来了由于信息过多所造成的信息重复现象，这不利于结果的科学性。针对此问题，为了能够有效的对信息进行降维处理，我们将采用因子分析进行降维，用较少的几个不相关的变量来反映多变量信息。
        本团队为了了解影响农民工对于《条例》实行效果的信心的主要影响因素，对《条例》举措重要性进行评价排序，所以采用了主成分分析法进行因子提取。对各举措进行打分，找到最重要的举措，为政府社会等的工作提供主要方向，为切实做好农民工工资发放提供科学有效的建议。
        可靠性分析
        克隆巴赫系数作为信度的指标，他克服折半法的部分缺点。为信度系数，一般来说，这种系数越高，即工具的信度越高。在基础研究中，信度至少应达到0.80才可接受，而标准化的克隆巴赫 Alpha系数为0.962，因此本量表内部一致性较高，适合做因子分析。
        表 3 20 摘要项统计

        由表3-20可知，各因素得分之间的均值差异不大，均在1.882-2.382之间，9个因素均值平均数是2.111，各因素之间方差的差异不大，没有极端因素。
        （3）因子分析过程：
        ① KMO检验
        通过KMO和Bartlett’s Test检验变量间相关性。结果如表3-21所示，结果显示KMO值为0.875，大于0.50，即数据可以做因子分析。Bartlett’s 检验统计值的显著性概率为0.000，小于0.01，即数据具有相关性，可做主成分分析。

        表 3 21 KMO和巴特利特检验
        ②因子分析结果
        表3-22为变量的共同度，即各原始变量能被提取出的程度。共同度越高越容易解释且更加合理。表3-23的共同度均大于81.9%，表明每个举措作用是相对均衡的，特征值大于1时取4个公共因子，表3-24可知累计方差贡献率大于90%取4个公共因子。所以本次无需再做第二次分析。
        表 3 22共同度

        表 3 23总方差解释
        表3-23可知，前4个因子的累计方差贡献率达到92.534%，可以解释大部分的原有因子。因子旋转后，总的累计方差贡献率没有改变，也就是没有影响原有变量的共同度，但却分配了各个因子原有变量的方差，改变了各因子的方差贡献率，使因子更易于解释。
        表 3 24 旋转后的成分矩阵

        由表3-24可知，旋转后的因子载荷系数取值向“0”或“1”呈两极化，有利于解释和命名公共因子。通过下表可得：
        第一公共因子变量F1中举措B43、举措B44、举措B48都有较大的载荷，将其命名为政府影响因子。
        第二公共因子变量F2中举措B41、举措B47、举措B49都有较大的载荷，将其命名为法律影响因子。
        第三公共因子变量F3中举措B45、举措B46都具有较大的载荷，将其命名为单位影响因子。
        第四公共因子变量F4中举措B42具有较大载荷，将其命名为社会影响因子。
        ③综合评价模型
        表 3 25成分得分系数矩阵

        依次用分别表示9个具体措施，由因子得分系数矩阵可计算因子得分模型：
        各因子贡献率为权重做加权平均：

        由于每个变量的系数反应各个成分得分值的大小，所以可以更清楚地看出每个主成分所反映出的内容及比重。可以根据此模型对举措的综合主成分得分和各主成分得分一目了然，也可以针对各主成分进行排名，有助于《条例》重要性的综合评价，为进一步推进《条例》的实行提供一定的参考。