发布时间：
1 主要功能 多元分析处理的是多指标的问题。由于指标太多，使得分析的复杂性增加。观察指标的增加本来是为了使研究过程趋于完整，但反过来说，为使研究结果清晰明了而一味增加观察指标又让人陷入混乱不清。由于在实际工作中，指标间经常具备一定的相关性，故人们希望用较少的指标代替原来较多的指标，但依然能反映原有的全部信息，于是就产生了主成分分析、对应分析、典型相关分析和因子分析等方法。 调用Data Reduction菜单的Factor过程命令项，可对多指标或多因素资料进行因子分析。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，这与上一章的聚类分析不同），以较少的几个因子反映原资料的大部分信息。
因子分析的用处是：因子分析是将多个被测变量转化为几个综合指标（或潜变量），体现了一种降维的思想。 通过降维，将相关性高的变量聚集在一起，从而减少需要分析的变量数量，降低问题分析的复杂度。 它用于确定维数。 对标系统的维度是主观判断的。拓展资料：一、因子分析的内容：因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家CE斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。二、分析现状是我们数据分析的基本目的，我们需要明确当前市场环境下，我们的产品市场占有率是多少，注册用户的来源有哪些，注册转化率是多少，购买转化率是多少，竞品是什么，竞品的发展现状如何，我们和竞争对手相对，优势有哪些，不足又有哪些等等，都是属于对于现状的分析。这里包括两方面的内容，分析自己的现状和分析竞争对手的现状。三、数据分析的第三个目的就是预测未来，所谓未雨绸缪，用数据分析的方法预测未来产品的变化趋势，对于产品的运营者来说至关重要。作为运营者，可根据最近一段时间产品的数据变化，根据趋势线和运营策略的力度，去预测未来的趋势，并用接下来的一段时间去验证这个趋势是否可行，而且实现数据驱动业务增长。
是的。因子分析可以主要分为2类，一类是探索性因素分析，一类是验证性因素分析，验证性因素分析借鉴了很多探索性因素分析的概念，只是，他不是让数据告诉我们因素结构。而是我们预先决定了因素结构，并验证了之前开发的量表的心理测量结构。EFA的历史比较常，可以追溯到1969年，同时，他们的区别也在软件上看的出来，比如，EFA可以用spss，SAS，以及stata做，但是，spss的CFA要用Amos做。其他可以做CFA的还包括Mplus，EQS，SAS，stata的sem，但是我就喜欢用R的lavaan做。
主成分分析和因子分析无论从算法上还是应用上都有着比较相似之处，本文结合以往资料以及自己的理解总结了以下十大不同之处，适合初学者学习之用。原理不同主成分分析基本原理：利用降维（线性变换)的思想，在损失很少信息的前提下把多个指标转化为几个不相关的综合指标（主成分),即每个主成分都是原始变量的线性组合,且各个主成分之间互不相关,使得主成分比原始变量具有某些更优越的性能（主成分必须保留原始变量90%以上的信息），从而达到简化系统结构，抓住问题实质的目的。因子分析基本原理：利用降维的思想，由研究原始变量相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量表示成少数的公共因子和仅对某一个变量有作用的特殊因子线性组合而成。就是要从数据中提取对变量起解释作用的少数公共因子（因子分析是主成分的推广，相对于主成分分析，更倾向于描述原始变量之间的相关关系）线性表示方向不同因子分析是把变量表示成各公因子的线性组合；而主成分分析中则是把主成分表示成各变量的线性组合。假设条件不同主成分分析：不需要有假设(assumptions),因子分析：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。求解方法不同求解主成分的方法：从协方差阵出发（协方差阵已知），从相关阵出发（相关阵R已知），采用的方法只有主成分法。（实际研究中，总体协方差阵与相关阵是未知的，必须通过样本数据来估计）注意事项：由协方差阵出发与由相关阵出发求解主成分所得结果不一致时，要恰当的选取某一种方法；一般当变量单位相同或者变量在同一数量等级的情况下，可以直接采用协方差阵进行计算；对于度量单位不同的指标或是取值范围彼此差异非常大的指标，应考虑将数据标准化，再由协方差阵求主成分；实际应用中应该尽可能的避免标准化，因为在标准化的过程中会抹杀一部分原本刻画变量之间离散程度差异的信息。此外，最理想的情况是主成分分析前的变量之间相关性高，且变量之间不存在多重共线性问题(会出现最小特征根接近0的情况)；求解因子载荷的方法：主成分法，主轴因子法，极大似然法，最小二乘法，a因子提取法。主成分和因子的变化不同主成分分析：当给定的协方差矩阵或者相关矩阵的特征值唯一时，主成分一般是固定的独特的；因子分析：因子不是固定的，可以旋转得到不同的因子。因子数量与主成分的数量主成分分析：主成分的数量是一定的，一般有几个变量就有几个主成分（只是主成分所解释的信息量不等），实际应用时会根据碎石图提取前几个主要的主成分。因子分析：因子个数需要分析者指定（SPSS和sas根据一定的条件自动设定，只要是特征值大于1的因子主可进入分析），指定的因子数量不同而结果也不同；解释重点不同：主成分分析：重点在于解释个变量的总方差，因子分析：则把重点放在解释各变量之间的协方差。算法上的不同：主成分分析：协方差矩阵的对角元素是变量的方差；因子分析：所采用的协方差矩阵的对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）优点不同：因子分析：对于因子分析，可以使用旋转技术，使得因子更好的得到解释，因此在解释主成分方面因子分析更占优势；其次因子分析不是对原有变量的取舍，而是根据原始变量的信息进行重新组合，找出影响变量的共同因子，化简数据；主成分分析：第一：如果仅仅想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析，不过一般情况下也可以使用因子分析；第二：通过计算综合主成分函数得分，对客观经济现象进行科学评价；第三：它在应用上侧重于信息贡献影响力综合评价。第四：应用范围广，主成分分析不要求数据来自正态分布总体，其技术来源是矩阵运算的技术以及矩阵对角化和矩阵的谱分解技术，因而凡是涉及多维度问题，都可以应用主成分降维；应用场景不同：主成分分析：可以用于系统运营状态做出评估，一般是将多个指标综合成一个变量，即将多维问题降维至一维，这样才能方便排序评估；此外还可以应用于经济效益、经济发展水平、经济发展竞争力、生活水平、生活质量的评价研究上；主成分还可以用于和回归分析相结合，进行主成分回归分析，甚至可以利用主成分分析进行挑选变量，选择少数变量再进行进一步的研究。一般情况下主成分用于探索性分析，很少单独使用，用主成分来分析数据，可以让我们对数据有一个大致的了解。几个常用组合：主成分分析+判别分析，适用于变量多而记录数不多的情况；主成分分析+多元回归分析，主成分分析可以帮助判断是否存在共线性，并用于处理共线性问题；主成分分析+聚类分析，不过这种组合因子分析可以更好的发挥优势。因子分析：首先，因子分析+多元回归分析，可以利用因子分析解决共线性问题；其次，可以利用因子分析，寻找变量之间的潜在结构；再次，因子分析+聚类分析，可以通过因子分析寻找聚类变量，从而简化聚类变量；此外，因子分析还可以用于内在结构证实zhuanzi 网页链接
本来想给你截图的，可是传不上来，我就简单说一下哈。首先你得进行一次预计算，选择菜单里分析——降维——因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。旋转里边选最大方差法，输出旋转解。继续。得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。确定。然后就可以分析结果了。先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常7以上为一般，5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于05，当然越小越好，就适于因子分析。如果这两个检验都合格的话，才可以去写因子模型。为了便于描述，假设我们有两个因子f1，f2，旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。根据这个我们就能算出因子得分了。因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量，然后我们不是有一个公式吗总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+根据这个公式计算一下就可以了。用spss或者Excel都可以。希望能对你有帮助哦。ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。常，但只要接听或者拨打电话就自动关机排除软件
这要看你们学校怎么样了，差一点的学校SCI能不能发表都是个问题，有的学校高IF的一年有几十篇。 SCI一般是收录理工科的较多，我是学化学的，以化学为例，化学的论文明显要比物理什么的好发，IF小于3的就很一般，5左右的算是你那个小专业优秀的杂志了，10左右就是你整个一级学科十分优秀的杂志，10以上的一般都是综述类杂志，一般为约稿，很难投，20以上的cell，science，nature什么的大多为跨学科的，全国每年都没多少。我们学院硕士生毕业是要求有一篇3以上的才能毕业，硕博连读是3篇，也就是说其实3以上就算不错了。因为化学是个大门类，一般二级学科的专门杂志IF都不会太高，最好的也就是5左右，比如有机里面的JOC也就是3点多。影响因子不是越高就说明杂志越好，美国化学会的JACS也就是在8，比ANGEW10点多要少不少，但是其公认要比angew难接收，只是在评奖的时候遇到些外行的评委可能会吃亏，因为他们可能会注重IF。 具体还是要看你们学校的科研水平了，如果要稳拿奖项，即使你们是牛校，能发表到JACS等级的也就可以了，因为全国一年也就几十篇。
“投稿医学领域的sci期刊肯定选择影响因子较高的期刊,低分值是0~1分,高的到10分,甚至几十分。但是对于学sci影响因子多少算高并没有明确的划分,一般10分左右的医学期刊就算是相当优秀的期刊了,大多数作者投稿的sci医学期刊都是5分左右的刊物就够了,当然这只是个人的理解,对于理论水平高的作者来说,十几分的sci期刊投稿也是很常见的。”
sci影响因子8-10分算高
外文文献有，翻译没有，翻译得靠你自己了，如果需要直接百度Hi中留言贴出问题的链接地址及邮箱地址即可，希望能满足你的需要，能帮到你，并请及时知道评价，多多给点悬赏分吧，急用的话请多选赏点分吧，这样更多的知友才会及时帮到你，我找到也是很花时间的外文文献已发送，翻译没有，翻译得靠你自己了，希望能满足你的需要，能帮到你，多多给点悬赏分吧，急用的话请多选赏点分吧，这样更多的知友才会及时帮到你，我找到也是很花时间的
kmo，方差贡献率，因子载荷，这三个
炒股票所有的判断分析都体现在个股的操作上了，所做的股票就是从基本面选出来的，具体怎么样操作自然得看你的操作手法自然又用到技术面了。送你个小故事，博弈论中还有一个经典的故事，称作“智猪博弈”。 故事的大意是，猪圈里养了两头猪，一大一小，最有意思的是他们所待的猪圈很特别。四方型猪圈的一个角落里有个食槽，但控制向食槽中投放食物的按钮却在对角位置。假设按一次钮可以出７两食物，如果大猪去按按钮，小猪就可以在食槽边先下嘴吃到４两，而大猪因为跑过来晚了，只能吃到其中的３两。而如果小猪去按按钮，大猪会一嘴全包。它们的博弈策略情况如下： 面对上面的规则，结果会怎样呢？不妨设身处地地为猪儿们想想。 很显然，小猪的选择自然是等待，而且是“死等”，否则只能是白忙乎。而大猪呢？不按就大家都没得吃，所以只能去按按钮。在这种规则下，最终的结果是，小猪在槽边坐享其成，而原本处于优势的大猪，却不得不来回奔跑，为小猪服务，而自己还不如小猪吃到的多。真是好可怜哦！ 在“智猪博弈”的情景中，大猪是占据比较优势的，但是，由于小猪别无选择，使得大猪为了自己能吃到食物，不得不辛勤忙碌，反而让小猪搭了便车，而且比大猪还得意。这个博弈中的关键要素是猪圈的设计，即按按钮的成本。 其实个股投资中也是有这种情形的。例如，当个股主力已经在底位买入大量股票后，他已经付出了相当的资金和时间成本，如果不拉抬就撤退，就等于接受亏损。所以，基于和大猪一样的贪吃本能，只要大势不是太糟糕，主力一般都会拉抬股价，以求实现吃进筹码的增值。这时的中小散户，就可以对该股追加资金，当一只聪明的小猪，让主力庄家给咱抬轿子。当然，这种股票的发觉并不容易，所以当小猪所需要忙碌的就是发现有这种情况存在的猪圈，并冲进去当聪明的小猪。 从散户与庄家的策略选择上看，这种博弈结果是有参考意义的。例如，对股票的操作是需要成本的，事先、事中和事后的信息处理都需要一定量的投入，如行业分析、个股调研、财务比较等等，一旦已经付出，机构投资者是不太甘心就此放弃的。而中小散户，不太可能事先支付这些高额成本，更没有资金控盘操作，因此只能采取小猪的等待策略。即在庄家重仓的股票里等着，庄家一定比散户更着急。等到主力动手为自己觅食而主动出击时，散户就可以坐享其成了。 遗憾的是，股市中的机构们要比大猪们聪明的多，且不守本分，他们不会甘心为小猪们按按钮。因此，他们会选择破坏猪圈的规矩，甚至自己重新打造一个猪圈，比如把按钮放在食槽旁边，或者可以遥控，这样小猪们就没有机会了。例如，机构和上市公司串通，散布虚假的利空消息，这就类似于按按钮前小猪离开食槽，好让自己饱餐一顿。 股市中，散户投资者与小猪的命运有相似之处，没有能力承担炒作成本，所以就应该充分利用资金灵活、成本低和不怕套的优势，发现并选择那些机构投资者已经或可能坐庄的股票，事先蹲点，等着大猪们为自己服务。由此也可看到，散户和机构的博弈中，散户并不是总没有优势的，关键是找到有大猪的那个圈儿，并等到对自己有利的猪圈规则形成时再进入。
影响因子（Impact Factor，IF）是汤森路透（Thomson Reuters）出品的期刊引证报告（Journal Citation Reports，JCR）中的一项数据。 即某期刊前两年发表的论文在该报告年份（JCR year）中被引用总次数除以该期刊在这两年内发表的论文总数。这是一个国际上通行的期刊评价指标。影响因子现已成为国际上通用的期刊评价指标，它不仅是一种测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平，乃至论文质量的重要指标。影响因子是一个相对统计量。影响因子并非一个最客观的评价期刊影响力的标准。扩展资料影响因子虽然可在一定程度上表征其学术质量的优劣，但影响因子与学术质量间并非呈线性正比关系，比如不能说影响因子为0的期刊一定优于影响因子为0的期刊，影响因子不具有这种对学术质量进行精确定量评价的功能。国内部分科研机构，在进行科研绩效考评时常以累计影响因子或单篇影响因子达到多少作为量化标准，有的研究人员可能因影响因子差1分而不能晋升职称或评定奖金等，这种做法绝对是不可取的。参考资料来源：百度百科-影响因子
研究生和博士学习期间，打交道最多的就是期刊论文。工作之后，能力和职称也需要论文来帮你实现。说到论文，捆绑话题就是影响因子了。那么影响因子是什么？
影响因子是美国科学信息研究所（ISI）的期刊引证报告（JCR）中的一项数据，指的是某一期刊的文章在特定年份或时期被引用的频率，由尤金·加菲得在1960年代创立。它是国际上通用的期刊评价指标，不仅是一种测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平，乃至论文质量的重要指标。影响因子(ImPact Factor)是1972年由E·加菲尔德提出的，现已成为国际上通用的期刊评价指标，它不仅是一种测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平，乃至论文质量的重要指标。影响因子是一个相对统计量
影响因子是1972年由E1加菲尔德提出的，现已成为国际上通行的一个期刊评价指标。学术期刊影响因子（Impact Factor）是指期刊近两年的平均被引率，即该期刊前两年发表的论文在评价当年被引用的平均次数。用公式表示为：影响因子=该刊前2年所发表的论文在第3年被引用的次数/该刊2年内所发表的论文总数从其定义可知，影响因子的三个决定因素分别为时间（2年）、论文总数（该刊连续2年内所发表论文总数）、被引用次数（上述论文在第3年被引用的总次数）。影响因子是一个相对数量指标，一般认为能够较好的反映期刊被使用的真实客观情况，可较公平的评价各类学术期刊，通常影响因子越大，期刊的学术影响力和作用也越大！我是润勉论文网的袁老师，以上是我了解到的资料，如果你还有什么问题，可以随时登陆我的网站详细咨询！