因子分析在市场研究中的应用

因子分析Method是指从研究 index相关矩阵内的依赖关系出发，将一些信息重叠、关系复杂的变量化简为几个不相关的积分因子。它是隐藏在多元数据中但不能直接观察到但影响或支配可测变量的多元统计量因子，估计潜在因子对可测变量的影响程度以及潜在因子。以至于同一组中的变量相关性高，而不同组中的变量不相关或相关性低，每组变量代表一个基本结构——public因子。

在选择试点门店的过程中，要注意很多因素，比如:↘社区房价↘总面积↘户主年龄分布↘门店区域2公里内的竞争门店数量等。虽然所有这些数据可以全面准确地确定试点商店的选择标准，但这些变量在实际建模中可能不会起到预期的作用。主要体现在两个方面:计算的问题；变量之间的相关性。

1。主成分分析主成分分析它主要是一种探索性的技术。在分析多数据执行分析之前，已被他人使用。主成分分析很少单独使用:a、了解数据。(screeningthedata)、b和cluster analysis(clustering分析)一起使用，c和discriminal分析一起使用。比如变量多，情况少时，判别式分析不一定能直接求解。这时可以用主成分来简化变量。d .在多元回归中，主成分分析可以帮助判断是否存在共线性(条件指标)，也可以用来处理共线性。

可以用因子熵值法:因子熵值法的原理是用因子 分析的方法来降低评价指标，在尽量减少原指标所含信息损失的基础上，会减少很多项。采用熵值法客观确定指标权重，综合评价中涉及的权重在数学变换中生成，尽量减少评价者个人因素对评价结果的影响。如下:案例A建筑集团公司有6家施工企业，每年都需要进行评估。

以往采用加权综合和模糊综合评价的方法进行评价，评价工作复杂，评价结果往往受评价者个人因素影响较大。因此，企业尝试在绩效评价体系中应用因子熵值法。项目经理联盟文章，深度讨论。因子熵值法首先需要提取本金因子 分析并命名。其过程包括以下内容:①将原始数据标准化，求出标准化指标的相关系数矩阵。相关系数可以反映指标之间的信息重叠程度，其值越大，信息重叠程度越高；该值越小，重叠程度越低。

因子分析参考研究从变量组中提取共性因子的统计技术。它是由英国心理学家C.E .斯皮尔曼首先提出的，他发现学生各科成绩之间存在一定的相关性，一科成绩好的学生往往其他科成绩更好，从而推断是否存在某些潜在的共性因子，或者是某些一般性的智力条件影响了学生的学习成绩。因子 分析隐藏的和代表的因子可以在众多变量中找到，将本质相同的变量归入一个因子可以减少变量个数，检验变量间关系的假设。