【摘要】:表7-3因子解释变量总方差的情况取三个因子时,经过方差最大法正交旋转后得到的因子载荷矩阵见表7-4,协方差矩阵见表7-5,抽取方法采用了主成分分析法,旋转方法采用Kaiser方差最大旋转法,经过五次旋转迭代。表7-4因子载荷矩阵表7-5因子协方差矩阵因子分析中,每个因子所关联的词义之间都具有很大的相关性,而每个因子之间却是相互独立的。
首先进行尝试性分析。根据原有变量的相关系数矩阵,采用主成分分析法提取因子,并列出其特征根值。如下图所示为因子碎石图,其横坐标为因子数目,纵坐标为特征根,根据特征根大于或等于1的判断准则,以及考虑累计贡献率为70%~85%的准则,碎石图显示第四个因子开始特征根很小,对解释原有变量的贡献很小,成为可以被忽略的“高山下的碎石”,因此在计算中取三个因子。
因子碎石图
取三个因子时,因子解释原有变量总方差的情况见表7-3,抽取方法采用了主成分分析法。由表7-3可以看出,当取三个因子时,可以解释原有变量总方差的90.488%(>85%),总体上原有变量的信息丢失很少,因子分析效果较合适。
表7-3 因子解释变量总方差的情况
取三个因子时,经过方差最大法正交旋转后得到的因子载荷矩阵见表7-4,协方差矩阵见表7-5,抽取方法采用了主成分分析法,旋转方法采用Kaiser方差最大旋转法,经过五次旋转迭代。对该旋转后的载荷矩阵,根据各共同因素中情感词项的因子负荷量的大小进行了排序,便于考查各个因子所解释的词义变量。
表7-4 因子载荷矩阵
表7-5 因子协方差矩阵
因子分析中,每个因子所关联的词义之间都具有很大的相关性,而每个因子之间却是相互独立的。
“强烈的—柔和的”、“温暖的—凉爽的”、“华丽的—简约的”、“高雅的—朴素的”、“张扬的—文静的”、“厚重的—飘逸的”、“丰富的—纯净的”七对情感词的面料情感描述值不妨分别用E1,E2,…,E7来表示。根据因子载荷矩阵,可以把每对情感变量表示为三因子的线性组合,得出因子分析模型为:
其中f1、f2、f3为因子。同时,采用回归法估计出因子得分系数,得到的因子得分系数矩阵见表7-6。抽取方法也采用了主成分分析法,旋转方法采用Kaiser方差最大旋转法。
表7-6 因子得分系数矩阵
根据表7-6得出的因子得分函数为:
根据因子得分系数矩阵,可以由每个图像样本的七对情感评估值,计算得出三个因子的值。作为共同因子,各因子分别对应着不同的情感语义。由因子得分系数矩阵看出,第一个因子能较好的解释“高雅的—朴素的”、“丰富的—纯净的”、“华丽的—简约的”这三组词义;“丰富的—纯净的”、“高雅的—朴素的”与第二个因子相关程度高,第二个因子主要解释了这两个语义;第三个因子则主要对应着情感词对“厚重的—飘逸的”和“温暖的—凉爽的”。这三个因子之间是相互独立的,且对初始七对情感语义形容词的解释程度高达90.488%,表明可以使用这三个因子来概括描述服装面料图像的七对情感语义,且信息损失较小。
相关推荐