❶ 请举例说明因子分析方法的应用领域
因子分析可以做经济效益的评价，指标有百元固定资产原值实现产值、利税、总产值实现利税、销售收入实现利税。。。。把很多指标综合成较少因子，既有利于对问题进行分析和解释，又能便于抓住主要矛盾做出科学评价。
不过实际中可能作为回归分析的铺垫比较多
❷ 因子分析法的统计意义
模型中F1，F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。e1，e2，…，ep叫做特殊因子，是向量x的分量xi(i=1，2，…，p）所特有的因子，各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素（aij）是为因子载荷。因子载荷aij是xi与Fj的协方差，也是xi与Fj的相关系数，它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权，aij的绝对值越大（|aij|￡1），表明xi与Fj的相依程度越大，或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。
因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1，F2，…，Fm的共同依赖程度大。
将因子载荷矩阵A的第j列（ j =1，2，…，m）的各元素的平方和记为gj2，称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1，2，…，p）所提供方差的总和，它是衡量公共因子相对重要性的指标。gj2越大，表明公共因子Fj对x的贡献越大，或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1，2，…，m）都计算出来，使其按照大小排序，就可以依此提炼出最有影响力的公共因子。
3. 因子旋转
建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。
旋转的方法有很多，正交旋转（orthogonal rotation）和斜交旋转（oblique rotation）是因子旋转的两类方法。最常用的方法是最大方差正交旋转法（Varimax）。进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。常用的斜交旋转方法有Promax法等。
4.因子得分
因子分析模型建立后，还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。例如地区经济发展的因子分析模型建立后，我们希望知道每个地区经济发展的情况，把区域经济划分归类，哪些地区发展较快，哪些中等发达，哪些较慢等。这时需要将公共因子用变量的线性组合来表示，也即由地区经济的各项指标值来估计它的因子得分。
设公共因子F由变量x表示的线性组合为：
Fj = uj1 xj1+ uj2 xj2+…+ujpxjp j=1，2，…，m
该式称为因子得分函数，由它来计算每个样品的公共因子得分。若取m=2，则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2，并将其在平面上做因子得分散点图，进而对样品进行分类或对原始数据进行更深入的研究。
但因子得分函数中方程的个数m小于变量的个数p，所以并不能精确计算出因子得分，只能对因子得分进行估计。估计因子得分的方法较多，常用的有回归估计法，Bartlett估计法，Thomson估计法。
⑴回归估计法
F = X b = X (X ￠X)-1A￠ = XR-1A￠ （这里R为相关阵，且R = X ￠X ）。
⑵Bartlett估计法
Bartlett估计因子得分可由最小二乘法或极大似然法导出。
F = [(W-1/2A）￠ W-1/2A]-1(W-1/2A）￠ W-1/2X = (A￠W-1A)-1A￠W-1X
⑶Thomson估计法
在回归估计法中，实际上是忽略特殊因子的作用，取R = X ￠X，若考虑特殊因子的作用，此时R = X ￠X+W，于是有：
F = XR-1A￠ = X (X ￠X+W)-1A￠
这就是Thomson估计的因子得分，使用矩阵求逆算法（参考线性代数文献）可以将其转换为：
F = XR-1A￠ = X (I+A￠W-1A)-1W-1A￠
❸ 因子分析法的优缺点
它的优缺点是相对主成分分析法而言的
因子分析法与主成分分析法都属于因素分析法，都基于统计分析方法，但两者有较大的区别：主成分分析是通过坐标变换提取主成分，也就是将一组具有相关性的变量变换为一组独立的变量，将主成分表示为原始观察变量的线性组合；而因子分析法是要构造因子模型，将原始观察变量分解为因子的线性组合。通过对上述内容的学习，可以看出因子分析法和主成分分析法的主要区别为：
(1)主成分分析是将主要成分表示为原始观察变量的线性组合，而因子分析是将原始观察变量表示为新因子的线性组合，原始观察变量在两种情况下所处的位置不同。
(2)主成分分析中，新变量Z的坐标维数j(或主成分的维数)与原始变量维数相同，它只是将一组具有相关性的变量通过正交变换转换成一组维数相同的独立变量，再按总方差误差的允许值大小，来选定q个(q<p)主成分；而因子分析法是要构造一个模型，将问题的为数众多的变量减少为几个新因子，新因子变量数m小于原始变量数P，从而构造成一个结构简单的模型。可以认为，因子分析法是主成分分析法的发展。
(3)主成分分析中，经正交变换的变量系数是相关矩阵R的特征向量的相应元素；而因子分析模型的变量系数取自因子负荷量，即。因子负荷量矩阵A与相关矩阵R满足以下关系：
其中，U为R的特征向量。
在考虑有残余项ε时，可设包含εi的矩阵ρ为误差项，则有R − AAT = ρ。
在因子分析中，残余项应只在ρ的对角元素项中，因特殊项只属于原变量项，因此，的选择应以ρ的非对角元素的方差最小为原则。而在主成分分析中，选择原则是使舍弃成分所对应的方差项累积值不超过规定值，或者说被舍弃项各对角要素的自乘和为最小，这两者是不通的。
❹ 解释因子分析起到什么作用
因子分析的用处是：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。用来确定维度数量，对标体系的维度由主观来做判断。
因子分析的内容：
因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。
他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。
将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
❺ 为什么运用因子分析的方法做投资价值的研究
行业的市场表现受到宏观经济、行业经营周期、行业基本面以及市场本身等因素的影响，行业多因子模型就是通过对这些因素进行量化描述，分析其与行业市场表现的相关性，提取若干具有显著影响的因子构建行业投资价值的分析评估体系。
经济增长、商业周期、通货膨胀、预期收益率等宏观行业因素对各个行业产生不同的影响。周期性行业对于经济增长、货币信贷的敏感性强于消费型行业；成长型行业对于市场预期收益率的敏感性高于收入或价值性行业；可选消费行业对于通货膨胀的敏感度高于必需消费行业。宏观行业指标数据的统计口径往往在表征基本面运行状态上考虑得更多，而对于投资来说这些数据需要进行处理，排除干扰分离出更为有用的信息，或者将数据组合起来进行观察。比如，货币供应量M2和M1的剪刀差反映了货币的活化程度；PPI和原材料购进价格之间的剪刀差反映了制造业盈利空间的变化；原材料库存和产成品库存之间的剪刀差又反映了库存周期缺口等等。国际上著名的宏观因素模型BIRR模型中的宏观指标都经过符合逻辑的处理与调整，用公司债与政府债的息差反映市场的风险偏好，用长期政府债与短期国债的息差反映投资者预期收益率。
受宏观经济周期和产业周期的影响，行业的发展态势不仅反映在成长速度、盈利能力、运营能力、收益质量等基本面指标上，还反映在分析师对行业成份公司的预期和市场估值层面，并最终体现在市场价格上。需要通过对行业的财务指标、市场预期、估值水平等因素的综合分析，寻找行业的投资机会。通常情况下，预期增长快的行业处于行业景气向上的周期中；毛利率高的行业占据着产业链中的优势地位，具有较高的议价能力；周转率较高的行业具有较高的资源使用效率。这也反映了公司经营最关键的因素，即量、价和速度。在过去的几年里，白酒行业从营收增长到毛利率，再到净资产收益率的平均水平都高于多数其他行业，二级市场股价表现持续超越大盘。行业的基本面因素情况决定了行业中长期的市场表现，行业的估值水平则是影响行业短期表现的重要影响因素。由于行业收益的高低以及弹性特征不同，各行业的平均估值水平和波动幅度有着固有的差异，降低行业间固有差异的干扰后，有助于帮助投资者把握短期行业的市场表现。
投资者经常说“强者恒强”和“皮球从高处落下总要弹几下”，分别对应的是量化投资领域中的动量和反转两种不同股价运行模式。在行业层面，看似矛盾的动量与反转效应普遍存在，并对应着不同的市场运行逻辑：宏观及行业周期是行业基本面变化的主要推动因素，因此行业的市场表现具有较强的持续性；在行业投资中也经常遇见先期跌幅较大的行业未来一段时间有相当的涨幅。这种动量和反转效应还夹杂着整个宏观经济冷暖导致的股市整体表现，将将市场整体波动从行业层面剥离，行业之间的动量和反转效应更为明显。
行业多因子模型的关键在于因子的选择，不仅需要有普适的逻辑关系，还要有对指标的含义进行深度解读，更要使用合适的数学方法进行规整，才能从繁杂的影响因素里发现市场的规律，分析行业投资价值，制定更为客观可靠的投资决策。
❻ 因子分析有什么用处
因子分析的用处是：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。用来确定维度数量，对标体系的维度由主观来做判断。
❼ 采用因子分析法的竞争力评价论文
炒股票所有的判断分析都体现在个股的操作上了，所做的股票就是从基本面选出来的，具体怎么样操作自然得看你的操作手法自然又用到技术面了。
送你个小故事，博弈论中还有一个经典的故事，称作“智猪博弈”。
故事的大意是，猪圈里养了两头猪，一大一小，最有意思的是他们所待的猪圈很特别。四方型猪圈的一个角落里有个食槽，但控制向食槽中投放食物的按钮却在对角位置。假设按一次钮可以出７两食物，如果大猪去按按钮，小猪就可以在食槽边先下嘴吃到４两，而大猪因为跑过来晚了，只能吃到其中的３两。而如果小猪去按按钮，大猪会一嘴全包。它们的博弈策略情况如下：
面对上面的规则，结果会怎样呢？不妨设身处地地为猪儿们想想。
很显然，小猪的选择自然是等待，而且是“死等”，否则只能是白忙乎。而大猪呢？不按就大家都没得吃，所以只能去按按钮。在这种规则下，最终的结果是，小猪在槽边坐享其成，而原本处于优势的大猪，却不得不来回奔跑，为小猪服务，而自己还不如小猪吃到的多。真是好可怜哦！
在“智猪博弈”的情景中，大猪是占据比较优势的，但是，由于小猪别无选择，使得大猪为了自己能吃到食物，不得不辛勤忙碌，反而让小猪搭了便车，而且比大猪还得意。这个博弈中的关键要素是猪圈的设计，即按按钮的成本。
其实个股投资中也是有这种情形的。例如，当个股主力已经在底位买入大量股票后，他已经付出了相当的资金和时间成本，如果不拉抬就撤退，就等于接受亏损。所以，基于和大猪一样的贪吃本能，只要大势不是太糟糕，主力一般都会拉抬股价，以求实现吃进筹码的增值。这时的中小散户，就可以对该股追加资金，当一只聪明的小猪，让主力庄家给咱抬轿子。当然，这种股票的发觉并不容易，所以当小猪所需要忙碌的就是发现有这种情况存在的猪圈，并冲进去当聪明的小猪。
从散户与庄家的策略选择上看，这种博弈结果是有参考意义的。例如，对股票的操作是需要成本的，事先、事中和事后的信息处理都需要一定量的投入，如行业分析、个股调研、财务比较等等，一旦已经付出，机构投资者是不太甘心就此放弃的。而中小散户，不太可能事先支付这些高额成本，更没有资金控盘操作，因此只能采取小猪的等待策略。即在庄家重仓的股票里等着，庄家一定比散户更着急。等到主力动手为自己觅食而主动出击时，散户就可以坐享其成了。
遗憾的是，股市中的机构们要比大猪们聪明的多，且不守本分，他们不会甘心为小猪们按按钮。因此，他们会选择破坏猪圈的规矩，甚至自己重新打造一个猪圈，比如把按钮放在食槽旁边，或者可以遥控，这样小猪们就没有机会了。例如，机构和上市公司串通，散布虚假的利空消息，这就类似于按按钮前骗小猪离开食槽，好让自己饱餐一顿。
股市中，散户投资者与小猪的命运有相似之处，没有能力承担炒作成本，所以就应该充分利用资金灵活、成本低和不怕套的优势，发现并选择那些机构投资者已经或可能坐庄的股票，事先蹲点，等着大猪们为自己服务。由此也可看到，散户和机构的博弈中，散户并不是总没有优势的，关键是找到有大猪的那个圈儿，并等到对自己有利的猪圈规则形成时再进入。
❽ 请问做因子分析目的是什么问答题。
目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。跟多因子分析有相同之处。
因子分析主要用于：1、减少分析变量个数；2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。