得到主成分得分：
PC1=0.28*height+0.30*arm.span+0.30*forearm+0.29*lower.leg-0.06*weight-0.08*bitro.diameter-0.10*chest.girth-0.04*chest.width
PC2=-0.05*height-0.08*arm.span-0.09*forearm-0.06*lower.leg+0.33*weight+0.32*bitro.diameter+0.34*chest.girth+0.27*chest.width
3.探索性因子分析
EFA的目标是通过发掘隐藏在数据下的一组较少的、更为基本的无法观测的变量，来解释一组可观测变量的相关性。这些虚拟的、无法观测的变量称作因子。（每个因子被认为可解释多个观测变量间共有的方差，也叫作公共因子） 模型的形式为：
Xi=a1F1+a2F2+……apFp+Ui Xi是第i个可观测变量（i=1,2,……k） Fj是公共因子（j=1,2,……p） 并且p [plain] view plain copy 1. options(digits=2) 2. covariances<-ability.cov$cov 3. correlations<-cov2cor(covariances) 4. correlations ability.cov提供了变量的协方差矩阵 cov2cor（）函数将其转化为相关系数矩阵 （1）判断需提取的公共因子数 [plain] view plain copy 1. library(psych) 2. convariances<-ability.cov$cov 3. correlations<-cov2cor(covariances) 4. fa.parallel(correlations,n.obs=112,fa=\ th parallel analysis\ 若使用PCA方法，可能会选择一个成分或两个成分。当摇摆不定时，高估因子数通常比低估因子数的结果好，因为高估因子数一般较少曲解“真实”情况。 （2）提取公共因子 可使用fa（）函数来提取因子 fa（）函数的格式为： fa（r，nfactors=，n.obs=，rotate=，scores=，fm） r是相关系数矩阵或原始数据矩阵； nfactors设定提取的因子数（默认为1）； n.obs是观测数（输入相关系数矩阵时需要填写）； rotate设定放置的方法（默认互变异数最小法）； scores设定是否计算因子得分（默认不计算）； fm设定因子化方法（默认极小残差法）。 与PCA不同，提取公共因子的方法很多，包括最大似然法（ml）、主轴迭代法（pa）、加权最小二乘法（wls）、广义加权最小二乘法（gls）和最小残差法（minres）。 [plain] view plain copy 1. 未旋转的主轴迭代因子法 [plain] view plain copy 1. fa<-fa(correlations,nfactors=2,rotate=\ 2. fa （3）因子旋转 [plain] view plain copy 1. 用正交旋转提取因子 [plain] view plain copy 1. fa.varimax<-fa(correlations,nfactors=2,rotate=\ 2. fa.varimax [plain] view plain copy 1. 正交放置将人为地强制两个因子不相关 [plain] view plain copy 1. 正交旋转，因子分析的重点在于因子结构矩阵（变量与因子的相关系数）
相关推荐：
loading