因子分析中因子载荷aij的统计意义是（ ）。

利用标准化的数据计算的相关阵R的特征值对应的单位特征向量，这既是因子载荷的统计学意义，实际上也简要说明了因子载荷的计算方式。

自变量与应变量之间是应该相关的，而不是独立的。这些局限性就要求有一种更加灵活的建模方法，使研究者不但可以更细致地描述测度项与因子之间的关系。

而且可以对这个关系直接进行测试。而在探索性因子分析中，一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。

扩展资料：

才能更准确地把握。换句话说，这些变量无法直接测量。可以直接测量的可能只是它所反映的一个表征(manifest)，或者是它的一部分。

在这里，表征与部分是两个不同的概念。表征是由这个隐性变量直接决定的。隐性变量是因，而表征是果，比如学习积极性是课堂参与程度 (表征测度)的一个主要决定因素。

参考资料来源：百度百科-因子分析

D

利用标准化的数据计算的相关阵R的特征值对应的单位特征向量，这既是因子载荷的统计学意义，实际上也简要说明了因子载荷的计算方式。

因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1，F2，…，Fm的共同依赖程度大。

扩展资料：

在因子分析中，通常只选其中m个（m

参考资料来源：百度百科-因子载荷

利用标准化的数据计算的相关阵R的特征值对应的单位特征向量，这既是因子载荷的统计学意义，实际上也简要说明了因子载荷的计算方式。

自变量与应变量之间是应该相关的，而不是独立的。这些局限性就要求有一种更加灵活的建模方法，使研究者不但可以更细致地描述测度项与因子之间的关系。

而且可以对这个关系直接进行测试。而在探索性因子分析中，一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。

因子分析：

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C.E.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。

因子分析中因子载荷aij的统计意义是第i个变量与第j个公因子的相关系数。

因子分析从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计。

基本思想是：根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构一即公共因子。

扩展资料：

应用因子分析的主要步骤如下：

1、对数据样本进行标准化处理。

2、计算样本的相关矩阵R。

3、求相关矩阵R的特征根和特征向量。

4、根据系统要求的累积贡献率确定主因子的个数。

5、计算因子载荷矩阵A。

6、确定因子模型。

7、根据上述计算结果，对系统进行分析。

因子分析的形成和早期发展，一般认为是从斯皮尔曼(Spearman，C.)在1904年发表的文章开始，他用这种方法解决智力测验得分的统计分析问题。后来在心理学、教育学、社会科学、经济学等领域都取得了成功的应用。

D
利用标准化的数据计算的相关阵R的特征值对应的单位特征向量
这既是因子载荷的统计学意义，实际上也简要说明了因子载荷的计算方式