browncpc
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。 
主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。因子分析是研究如何以最少的信息丢失，将众多原始变量浓缩成少数几个因子变量，以及如何使因子变量具有较强的可解释性的一种多元统计分析方法。主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。主成分分析和因子分析的不同：1、原理不同：主成分分析是利用降维(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，使得主成分比原始变量具有某些更优越的性能，从而达到简化系统结构，抓住问题实质的目的。而因子分析更倾向于从数据出发，描述原始变量的相关关系，是由研究原始变量相关矩阵内部的依赖关系出发，把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。2、线性表示方向不同：主成分分析中是把主成分表示成各变量的线性组合，而因子分析是把变量表示成各公因子的线性组合。3、假设条件不同：主成分分析不需要有假设条件；而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，特殊因子之间也不相关，共同因子和特殊因子之间也不相关。
在各个领域的科学研究中，往往需要对反映事物的多个变量进行大量的观测并收集大量数据，以便分析寻找规律。多变量大样本无疑会为科学研究提供丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在的相关性增加了问题分析的复杂性，同时对分析带来不便。如果分别分析每个指标，分析又可能是孤立的，而不是综合的。盲目减少指标会损失很多信息，产生错误的结论。因此需要找到一个合理的方法，在减少分析指标的同时，尽量减少原指标包含信息的损失，对所收集的资料作全面的分析。由于各变量间存在一定的相关关系，因此用较少的指标分别综合存在于各变量中的各类信息，这少数几个综合指标彼此不相关，即所代表的信息是不重叠的，通常称为因子，因子分析法因此得名。因此，因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法（于志钧等，1984；赵旭东，1992；陆明德，1991）。因子分析方法由Spearman在19世纪初研究心理学问题时提出，1957年由Krumbein引入地质学，后来Imbrie对因子分析在地质学中的应用和发展做了大量工作。因子分析可以从以下几个方面为地质研究提供帮助：①压缩原始数据。因子分析为众多复杂的地质数据精简提供了一种数学算法，它能在数量上大大精简原始数据但又不损失数据中包含的成因信息，这样就有利于地质人员进行综合分析。②指示成因推理方向。因子分析能够把庞杂纷乱的原始数据按成因上的联系进行归纳、整理、精炼和分类，理出几条客观的成因线索，为地质人员提供逻辑推理方向，启发思考相应的成因结论。③分解叠加的地质过程。现实中观测到的地质现象往往是多种成因过程叠加的产物，因子分析提供了一个分解叠加过程而识别每个单一地质过程的手段。鉴于上述原因，因子分析在地学领域的应用十分广泛，已有效地应用于沉积盆地蚀源区的研究、沉积物的粒度分析、沉积相研究、地层分析、古环境与古生态的研究、石油及天然气成因研究、油田水化学研究、有机地球化学研究及石油、天然气化探资料分析等各个方面（曾溅辉等，2002；张俊，2005；陈科贵等，2006）。
