factor-analyzer 0.3.1

工厂分析器

这是一个python模块，用于执行探索性和因素分析（efa），其中有几个 可选旋转。它还包括一个类来执行确认因子 分析（CFA），具有某些预定义的约束。在指数因子分析中， 可以使用各种估计技术来执行因子提取。这个 factor_analyzer包允许用户至少使用（1）个 残差（MILRESs）解，（2）最大似然（ML）解，或（3）主元 因子解。然而，cfa只能使用ml溶液进行。

这个包中的efa和cfa类都与scikit learn完全兼容。 部分代码从优秀的r库psych和sem移植而来。 包装为CFA课程提供了灵感。

请参阅official documentation了解更多详细信息。

说明

探索性因素分析（EFA）是一种用于 识别一组观测变量之间的潜在关系 数据集。特别是，efa试图建立一个观察到的 变量是一些未观测到的较小集合的线性组合， 潜在因素。生成的权重矩阵或因子载荷 从一个efa模型描述了 变量和潜在因素。

验证性因素分析（cfa）是一种密切相关的技术。 用于检验集合之间潜在关系的先验假设 观察到的变量。在cfa中，研究人员指定了预期的模式 因子加载（可能还有其他约束），并根据 符合本规范。

通常，在EFA或CFA模型中选择若干因子（k） 这样它就大大小于变量的数目。这个 因子分析模型可以使用多种标准进行估计 估计方法，包括但不限于minres或ml。

因子负荷与标准回归系数相似，且 对某一特定因素具有较高负荷的变量可以解释为 解释了这个因素变化的更大比例。在 对于efa，因子加载矩阵通常在因子之后旋转 分析模型是为了产生一个更简单，更易于解释的 结构以确定哪些变量加载到特定因子上。

两种常见的旋转类型是：

1. 旋转varimax旋转因子加载矩阵，从而 为了最大化平方载荷方差的和，而 保持加载矩阵的正交性。
2. promax旋转，一种用于斜旋转的方法，它构建 在varimax旋转时，但最终允许因子 相关的。

此包包含一个factor_analyzer模块，其中包含一个独立的 FactorAnalyzer类。类包括fit()和transform() 使用户能够执行因子分析和为新数据评分的方法 使用拟合因子模型。用户还可以执行可选的旋转 在因子加载矩阵上使用Rotator类。

以下旋转选项在^{tt3}中都可用$ 以及Rotator：

1. varimax (orthogonal rotation)
2. promax (oblique rotation)
3. oblimin (oblique rotation)
4. oblimax (orthogonal rotation)
5. quartimin (oblique rotation)
6. quartimax (orthogonal rotation)
7. equamax (orthogonal rotation)

此外，包还包括一个confirmatory_factor_analyzer 具有独立ConfirmatoryFactorAnalyzer类的模块。这个 类包括fit()和transform()，它们允许用户执行 验证性因素分析，并使用拟合模型评分新数据。 执行cfa要求用户预先指定一个模型规范 与预期的因子加载关系。这可以用 ModelSpecificationParser类。

示例

探索性因素分析实例。

In[1]:importpandasaspd...:fromfactor_analyzerimportFactorAnalyzerIn[2]:df_features=pd.read_csv('tests/data/test02.csv')In[3]:fa=FactorAnalyzer(rotation=None)In[4]:fa.fit(df_features)Out[4]:FactorAnalyzer(bounds=(0.005,1),impute='median',is_corr_matrix=False,method='minres',n_factors=3,rotation=None,rotation_kwargs={},use_smc=True)In[5]:fa.loadings_Out[5]:array([[-0.12991218,0.16398151,0.73823491],[0.03899558,0.04658425,0.01150343],[0.34874135,0.61452341,-0.07255666],[0.45318006,0.7192668,-0.0754647],[0.36688794,0.44377343,-0.01737066],[0.74141382,-0.15008235,0.29977513],[0.741675,-0.16123009,-0.20744497],[0.82910167,-0.20519428,0.04930817],[0.76041819,-0.23768727,-0.12068582],[0.81533404,-0.12494695,0.17639684]])In[6]:fa.get_communalities()Out[6]:array([0.5887579,0.00382308,0.50452402,0.72841182,0.33184336,0.66208429,0.61911037,0.73194557,0.64929612,0.71149718])

验证性因素分析实例。

In[1]:importpandasaspdIn[2]:fromfactor_analyzerimport(ConfirmatoryFactorAnalyzer,...:ModelSpecificationParser)In[3]:df_features=pd.read_csv('tests/data/test11.csv')In[4]:model_dict={"F1":["V1","V2","V3","V4"],...:"F2":["V5","V6","V7","V8"]}In[5]:model_spec=ModelSpecificationParser.parse_model_specification_from_dict(df_features,...:model_dict)In[6]:cfa=ConfirmatoryFactorAnalyzer(model_spec,disp=False)In[7]:cfa.fit(df_features.values)In[8]:cfa.loadings_Out[8]:array([[0.99131285,0.],[0.46074919,0.],[0.3502267,0.],[0.58331488,0.],[0.,0.98621042],[0.,0.73389239],[0.,0.37602988],[0.,0.50049507]])In[9]:cfa.factor_varcovs_Out[9]:array([[1.,0.17385704],[0.17385704,1.]])In[10]:cfa.transform(df_features.values)Out[10]:array([[-0.46852166,-1.08708035],[2.59025301,1.20227783],[-0.47215977,2.65697245],...,[-1.5930886,-0.91804114],[0.19430887,0.88174818],[-0.27863554,-0.7695101]])

要求

• python 3.4或更高版本
• ^{tt（TT）14}$
• pandas
• scipy
• scikit-learn

贡献

非常欢迎向factor_analyzer捐款。请提出问题 在github上，或者联系jbiggs@ets.org如果您想贡献。

安装

您可以通过pip使用以下命令安装此软件包：

$ pip install factor_analyzer

或者，您也可以通过conda安装：

$ conda install -c ets factor_analyzer

许可证

GNU通用公共许可证（>；=2）