上进型：这类消费者占消费者总人数的不到13%。他们对生活的态度积极，大多为未婚青年，平均年龄在28岁左右，25岁以下的占40%，单身未婚的比例占1/2以上。职业上的显著特征是：1/3为学生，三资企业员工的比例达1/10，都显著高于其他类型。在性别上，男性的比例（56%）高于女性。同时，这类消费者是受教育程度最高的，由于年轻，他们不注重经济保障，但是他们的平均家庭收入却是最高的，月平均2300元左右。
迷茫（缺乏生活目标）型：约占15%，他们既不注重经济保障，也不会去参加什么培训，学习新知识，生活节奏较缓慢。详细的数据表明，这类消费者主要为退休人员，约占该类型人员的2/3，剩下的主要为国营企业员工。他们的年龄是各类型消费者中最高的，平均年龄在50岁以上，45岁以下的比例很小。他们的教育程度是最低的，家庭收入也是最低的，平均不到1600元，在婚姻状态中，丧偶的比例最高，约占15%，而其他消费者类型的比例均低于7%。再性别分布上，女性的比例远远高于男性，占62%。
平庸型：这类消费者约占23%，他们最大的特点是生活没有计划，日常生活没有规律，而其他指标均则处于中间状态。这类消费者在年龄上比较分散，从15岁到54岁之间的各年龄段均有相当比例， 平均教育程度一般，家庭平均收入中等，平均收入在1900元左右。在职业上没有显著特征，但待岗人员的比例稍高于其他各类型。在性别上，男性稍高于女性。
消费购物与生活方式
研究表明：消费者的生活方式与消费者的购物方式有着很高的相关程度。
购物半径：我们这里的购物是指购买食品与日杂用品，不包括衣着与耐用品。调查显示：时尚型的消费者购物半径最大，平均购物半径4.5公里，其次是领袖型，4.2公里，缺乏目标型的购物半径最小，仅为2.6公里。
愿意花费在购物上的最长时间：不出所料，时尚型的消费者是愿意在购物上花费时间最长的，
平均为74分钟，而缺乏目标型的消费者时间最短，为56分钟，其他类型的均在65分钟左右。
购物交通费：时尚型的消费者愿意为购物花费最多的交通费，平均为7.9元，缺乏目标型为3.4元，其他类型再4.2-5.6之间 结束语
从以上结果可以看出：研究消费者生活方式，对消费者进行合理的分类，将有助于我们进一步了解人们的消费行为，提高我们准确把握市场规律的能力。本文的结果旨在抛砖引玉，对于其中的错误不当之处，欢迎大家指出或共同探讨。（上海简博市场研究公司：向采发）
主成分分析与因子分析之比较及实证分析
出处：南京财经大学 发布日期：2007年06月22日 14:44
一、问题的提出
在科学研究或日常生活中，常常需要判断某一事物在同类事物中的好坏、优劣程度及其发展规律等问题。而影响事物的特征及其发展规律的因素（指标）是多方面的，因此，在对该事物进行研究时，为了能更全面、准确地反映出它的特征及其发展规律，就不应仅从单个指标或单方面去评价它，而应考虑到与其有关的多方面的因素，即研究中需要引入更多的与该事物有关系的变量，来对其进行综合分析和评价。多变量大样本资料无疑能给研究人员或决策者提供很多有价值的信息，但在分析处理多变量问题时，由于众变量之间往往存在一定的相关性，使得观测数据所反映的信息存在重叠现象。因此为了尽量避免信息重叠和减轻工作量，人们就往往希望能找出少数几个互不相关的综合变量来尽可能地反映原来数据所含有的绝大部分信息。而主成分分析和因子分析正是为解决此类问题而产生的多元统计分析方法。
近年来，这两种方法在社会经济问题研究中的应用越来越多，其应用范围也愈加广泛。
因子分析是主成分分析的推广和发展，二者之间就势必有着许多共同之处，而 SPSS软件不能直接进行主成分分析，致使一些应用者在使用SPSS进行这两种方法的分析时，常常会出现一些混淆性的错误，这难免会使人们对分析结果产生质疑。因此，有必要在运用SPSS分析时，将这两种方法加以严格区分，并针对实际问题选择正确的方法。
二、主成分分析与因子分析的联系与区别
两种方法的出发点都是变量的相关系数矩阵，在损失较少信息的前提下，把多个变量（这些变量之间要求存在较强的相关性，以保证能从原始变量中提取主成分）综合成少数几个综合变量来研究总体各方面信息的多元统计方法，且这少数几个综合变量所代表的信息不能重叠，即变量间不相关。
主要区别：
1. 主成分分析是通过变量变换把注意力集中在具有较大变差的那些主成分上，而舍弃那些变差小的主成分；因子分析是因子模型把注意力集中在少数不可观测的潜在变量（即公共因子）上，而舍弃特殊因子。
2. 主成分分析是将主成分表示为原观测变量的线性组合，
主成分的个数i=原变量的个数p，其中j=1,2,…,p，
是相关矩阵的特征值所对应
（1）
的特征向量矩阵中的元素， 是原始变量的标准化数据，均值为0，方差为1。其实质是p维空间的坐标变换，不改变原始数据的结构。
而因子分析则是对原观测变量分解成公共因子和特殊因子两部分。因子模型如式（2），
其中i=1,2,…,p, m
3. 主成分的各系数
，是唯一确定的、正交的。不可以对系数矩阵进行任何的旋转，
与
是因子分析
（2）
是第j个公共因子，是第i个原观测变量的特殊
的均值都为0，方差都为1。
且系数大小并不代表原变量与主成分的相关程度；而因子模型的系数矩阵是不唯一的、可以进行旋转的，且该矩阵表明了原变量和公共因子的相关程度。
4. 主成分分析，可以通过可观测的原变量X直接求得主成分Y，并具有可逆性；因子分析中的载荷矩阵是不可逆的，只能通过可观测的原变量去估计不可观测的公共因子，即公共因子得分的估计值等于因子得分系数矩阵与原观测变量标准化后的矩阵相乘的结果。还有，主成分分析不可以像因子分析那样进行因子旋转处理。
5.综合排名。主成分分析一般依据第一主成分的得分排名，若第一主成分不能完全代替原始变量，则需要继续选择第二个主成分、第三个等等，此时综合得分=∑（各主成分得分×各主成分所对应的方差贡献率）,主成分得分是将原始变量的标准化值，代入主成分表达式中计算得到；而因子分析的综合得分=∑（各因子得分×各因子所对应的方差贡献率）÷∑各因子的方差贡献率，因子得分是将原始变量的标准化值，代入因子得分函数中计算得到。
区别中存联系，联系中显区别
由于上文提到主成分可表示为原观测变量的线性组合，其系数为原始变量相关矩阵的特征值所对应的特征向量，且这些特征向量正交，因此，从X到Y的转换关系是可逆的，便得到如下的关系：
下面对其只保留前m个主成分（贡献大），舍弃剩下贡献很小的主成分，得：
由此可见，式（4）在形式上已经与因子模型（2）忽略特殊因子后的模型即：
相一致，且
（j=1,2,…,m）之间相互独立。由于模型（2）*是因子分析中未进行
（2）*
i=1,2,...p （4） （3）
因子载荷旋转时建立的模型，故如果不进行因子载荷旋转，许多应用者将容易把此时的因子分析理解成主成分分析，这显然是不正确的。
然而此时的主成分的系数阵即特征向量与因子载荷矩阵确实存在如下关系：
主成分分析中，主成分的方差等于原始数据相关矩阵的特征根，其标准差也即特征根的平方根
，于是可以将除以其标准差（单位化）后转化成合适的公因子，即令，
可得，
（5） （4）*
，则式（4）变为：
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说教育文库SPSS在市场调查统计分析中的应用(2)在线全文阅读。
相关推荐：