2018-05-03

如何利用STATA进行因子分析

首先在进行因子分析之前，一定要将数据清理好后再进行，否则你有可能会得到不同的结果，然后开始纠结需要选择哪个结果。

以CGSS2013B卷D部分第8题下设23道为例做因子分析，首先需要进行KMO检验或者巴特利特球形检验，巴特利特球形检验可以在提取因子之前进行检验，但是STATA对KMO指令的实现需要在因子提取完成之后再进行，故先进行因子提取

1.factor var1-var10,pcf   其中附加指令pcf是为了假定共同度为1

结果呈现如下

从第一列可知，这23道小题在进行因子提取后生成五个公共因子，只有初始值大于1才可以被认为成构成因子，而这五个公共因子解释力达到55.03%

完成公共因子提取后，就需要检验我们提取的因子是否成立，检验的方式有两种：1.KMO检验 2.巴特利特球形检验

2.estat kmo

例子的KMO检验结果为0.9232，一般来讲>0.6可以接受、>0.7较好、>0.8很好、>0.9就算是非常合适了，0.9232算是非常靠谱的结果，证明我们之前进行的公因子提取是OK的

estat smc 也是可以的，如果值越大，说明共线性越大，越适合做主成分分析，但是这个例子所出来结果不太理想，意外的KMO很高，也不知道是为啥（？）

巴特利特球形检验需要另外安装指令，指令如下

net install factortest.pkg

help factortest

factortest var1-var10   该检验需要显著性小于0.001，经检验这一例子也符合这个要求

3.rotate  我们在完成公共因子提取和检验之后，需要了解一下每个因子具体包含哪些题目，进行因子载荷矩阵旋转可以达成这一目的

那我们如何能从这个表格中看出每个题目从属哪个因子呢？这里介绍一个方法。以d801为例，从中挑选出系数最大的，这一题最大的系数为0.5816，从属于factor1，也就是属于第一个公共因子中。在完成所有题目归纳后，我们就可以依据题目的性质来给公共因子命名，实现我们需要的变量。

当然如果认为这样一个一个对着看比较烦可以尝试以下指令

predict f1 f2 f3 f4 f5  

会获得这样一个结果

可以将正负和大小比较结合起来就能比较快速的挑选因子题目，也能把因子分别保存成新的变量，我们会在变量栏里找到新生成的f1-f5

4.为了方便我们将计算好的因子带入到模型中，我们需要计算出具体的因子得分，其公式为

综合因子得分=因子占比权重*因子

eg : gen zf=(0.1447*f1+0.1360*f2+0.1077*f3+0.0817*f4+0.0802*f5)

由于我们之前生成了新的各因子变量，该指令后也会直接报告各因子得分，然后就可以作为尺度变量带入模型