回复 1楼 rwxld 的帖子% t0 z4 i" W, u7 n+ D
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： & f4 L! ] b( H
测验的项目 ---> 潜变量 求因子的变量 ---> 因子
9 k' j7 {1 r7 q6 t- }4 Y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”。
( |5 t& O. R) r3 j6 n" f" X! K 因子= w1 x1 + w2 x2 （w是权数，x是变量） ( q0 l# |9 n# T* a/ Q8 k
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） : d9 r1 z! T' @2 O' g% v
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。
3 r8 H- O4 ^( A4 N4 D) _4 w! v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,$）。回归方程是： 6 L- I$ Y; Q! a$ I$ z% _
+ N* D% ?8 v# J9 }4 ^9 I
Y =b0 +b1 x1 + b2 x2
2 V; j, H3 }! i; s# }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”。 $ E, r4 x: |& g+ I$ t$ Q* B4 [
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。 $ X/ ~8 j, w0 Q a
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”
/ w: ~- T$ j3 u; I+ G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）。 / \2 [8 e$ B) \
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 + Q) h7 m; S6 |# m! J- O# \
& F+ k8 Y+ ^9 d' D [5 r9 H6 @
本帖最后由 Kenneth 于 2011-1-3 13:47 编辑
" d% ?0 F) f8 W' G3 ~) }3 I, z" L1 h$ R7 s8 E( t
| 
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
