回复 1楼 rwxld 的帖子, U: J; g" w$ s0 h y3 i* p9 i: A
Rwxld，测量模型其实是因子分析的一个应用。测验的项目是“因子分析”里的变量，测量的潜变量，就是“因子分析”里的因子。所以对应的关系是： ( U8 q$ O$ A, p* ]% C/ y# P0 b
测验的项目 ---> 潜变量 求因子的变量 ---> 因子 ' I' e2 P R+ f( ~ @
所以，我在下面就用因子分析来解释测量模型的潜变量。为了简化，我用两个变量的例子。因子（或潜变量）的定义是变量的“加权总和”。
F% B" A- U% }3 C: t% \1 Z# X 因子= w1 x1 + w2 x2 （w是权数，x是变量）
. M2 z* @1 ~% g+ { u- Z你问为什么：公司管理的专业化 = w1 （公司经营的年限） + w2 （公司销售额） ) ]6 [! S% e2 X" }) K5 |% b0 D
一个是年，一个是钱，如何能加起来呢？答案很简单，是数字就可以加起来了。 z2 M! V: |0 Y" `" k! U: x
让我举一个例子，我们用学位（x1,读了书几年）和有否受过专业投资训练（x2,1=有；0=没有）来预测在股票市场上赚钱多少（y,$）。回归方程是：
" {1 b. _0 s5 [% Y0 W* P
! K4 m$ w* j- P9 d Y =b0 +b1 x1 + b2 x2 1 G5 i* M. g) Q9 J5 ?" X7 k
同样的，为什么“读了几年书？years”可以和一个虚拟变量（0或1）加起来，等如“赚钱多少”（$）呢？你去看看一般回归的书就知道了。与回归分析类似，我们可以定义一个因子是等如两个不同单位的变量的“加权总和”。
7 B% t% C5 }7 K5 k如果还是觉得这样太抽象，不如我们用标准化的变量来代表。我们做一个新的变量，叫做 z1 = （x1 -x1均值）/（x1的标准差）。同样，z2 = （x2 - x2均值）/（x2的标准差）。现在“年数”变成了“这家企业离开样本中所有企业平均年数的几个标准差”，那 z1 就变成没有量度单位了。同样，“销售额”变成了“这家企业离开样本中所有企业平均销售额的几个标准差”，那 z2 就变成没有量度单位了。Y就变成“这家企业离开样本中所有企业平均专业化的几个标准差”，那 Y 也变成没有量度单位了。 ( K8 N. L& o$ q: |5 T" ~" ~
在因子分析中，我们有兴趣的是当“公司经营的年限”（x1）和“公司销售额”（x2）改变时，这个所谓“公司管理的专业化”是如何的改变。如果“公司经营的年限”改变一点点，“公司管理的专业化”
' n) Q L Y: s& U' v的改变就很大，那么权数 w1 就很大。同样，如果“公司销售额”稍微改变一点点，“公司管理的专业化”的改变就很大，那么权数 w2 就很大。所以，我们有兴趣的不是数学的加减，而是两个变量的相关。你可以直接把这个权数看成是回归系数吧（虽然它们在概念上的意义不是等同的，不过也很类似）。 6 b/ A' V0 Q6 v7 O+ S, t( O
注：w1 和w2不是因子载荷，虽然他们跟因子载荷有很大的关系（它们是一个函数的关系）。希望这样你能看得懂吧。 本帖最后由 Kenneth 于 2011-1-3 13:47 编辑
, I& d8 {! S5 w8 |5 x2 m
# z: N& S) x( @- R: f( {4 B 本帖最后由 Kenneth 于 2011-1-3 13:47 编辑 " b8 n3 C8 |* Z( a h* F
) \5 |9 c. D/ Z5 W$ {' F | 
窥视卡
雷达卡
发表于 2010-12-31 15:21:07
转播
淘帖
分享
收藏
支持
反对
@朋友
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡
