如何为宠物网站创建有效的WordPress移动端域名策略？

宠物网站建站目标,wordpress 移动端 域名,seo外包服务方案,手机如何制作链接因子分析两类权重计算方法总结 案例背景 疫情爆发以来#xff0c;越来越多的人为了避免线下与人接触#xff0c;选择了线上购买生活必需品。网购虽然方便快捷#xff0c;但是随着订单压力的增加#xff0c;物流问题也随之出现#xff0c;近期有很多卖家收到物流投诉的问题…因子分析两类权重计算方法总结 案例背景 疫情爆发以来越来越多的人为了避免线下与人接触选择了线上购买生活必需品。网购虽然方便快捷但是随着订单压力的增加物流问题也随之出现近期有很多卖家收到物流投诉的问题。淘宝某网店想要使用因子分析研究物流服务质量不同维度所占权重的情况采用随单进行问卷调查的方式共收集到200份数据其中14个项调查数据可分为可靠性、经济性、时间性、灵活性4个维度。具体维度划分见下表前期准备 在使用因子分析计算权重的前期需要按照因子分析的流程完成因子分析适用性判断、对应关系调整以及因子命名这3项准备工作。 1因子分析适用性判断 因子分析适用性通过KMO值和Bartlett球形度检验进行判断KMO值是一个用于检验是否适合因子分析的指标一般大于0.6即说明数据适合进行因子分析。Bartlett球形度检验对应的p值小于0.05则说明适合进行因子分析。 2对应关系调整 分析14个指标与因子的对应关系如果对应关系与预期4个维度基本一致比如经过因子分析后隶属于“可靠性”这一维度的三个指标“包装完好”、“信息保密”、“退货包运费”确实属于“可靠性”这一维度则说明对应关系良好否则则说明指标与因子对应关系需要进行调整。当指标与因子对应关系出现严重偏差的时候可以将指标做删除处理。关于对应关系调整这一部分内容不是本篇文章讲解的重点内容可以参考SPSSAU帮助手册进行学习https://spssau.com/helps/advancedmethods/factor.html。 3因子命名 在第二步指标项与因子对应关系调整好之后就可以结合专业知识对信息浓缩完成的4个因子进行因子命名。比如“运费合理”、“个性化服务”、“退换货费用”、“误差处理”这四个指标可以代表物流服务的价格是否经济合理那么就可以将提取出的因子命名为“经济性”。本案例在初始阶段已经预设将指标项分为可靠性、经济性、时间性、灵活性四个维度。 三、因子权重计算 因子权重计算是指经过因子分析后信息浓缩为几个因子要计算这几个因子的权重大小即各个因子所占比重的大小。比如在本案例中因子权重计算是指计算“可靠性”、“经济性”、“时间性”、“灵活性”这四个维度的权重值。因子权重计算主要利用下图所示表格进行计算如下图 1基本概念 特征根 特征根在因子分析中被用来解释因子的总贡献特征根越大说明因子越重要。特征根一般还可用于自动确定因子最佳个数通常以大于1作为标准多数情况自行设置因子个数。方差解释率 方差解释率是因子提取的信息量方差解释率特征根/总分析项个数。比如上图中因子1的方差解释率7.910/130.6084意味着该因子共提取出这13个分析项60.845%的信息。累计方差解释率 因子累计提取出的信息量最大方差旋转法 最大方差旋转法是一种因子分析旋转方法它的目标是使每个因子的方差尽可能大。这种方法的基本思想是将每个因子的载荷矩阵进行调整使得每个因子的方差尽可能大。旋转后方差解释率 经过最大方差旋转后因子的方差解释率。使用旋转后方差解释率可以提高分析的准确性和可解释性。 2计算原理 因子权重计算主要使用旋转后方差解释率和旋转后累计方差解释率进行计算。因为在经过因子旋转后更有利于应用现实语言描述所得因子使公共因子更具有实际意义。可以更突出各个因子的典型代表变量是谁这样更容易发觉因子的作用。旋转的目的是通过改变坐标轴位置重新分配各个因子所解释方差比例使其载荷系数更接近1或0能更好地解释和命名变量。旋转后的因子不改变模型对数据的拟合程度也不改变各个变量的公因子方差使因子结构变得更简单。所以使用旋转后方差解释率可以提高因子分析的可解释性。 3计算示例 从上表可知4个因子旋转后的方差解释率分别是33.530%32.248%12.046%10.571%旋转后累积方差解释率为88.395%。旋转后方差解释率归一化可以得到4个因子的权重计算如下 因子1时间性权重33.530% / 88.395%0.379 因子2经济性权重32.248% / 88.395%0.365 因子3灵活性权重12.046% / 88.395%0.136 因子4可靠性权重10.571% / 88.395%0.120 计算得到关于该淘宝网店物流服务质量研究的四个维度时间性、经济性、灵活性、可靠性的权重分别是0.379、0.365、0.136、0.120。 四、指标权重计算 因子权重计算完成后还可以进行指标项权重计算。指标权重计算是指所有指标项所占权重。比如在本例中“包装完好”、“信息保密”“退换货保障”等14个指标项各自所占的权重。或者可以将因子权重理解为一级指标权重将指标权重理解为二级指标权重。计算指标权重主要使用到两个指标分别是线性组合系数和综合得分系数下面将逐个进行说明。 线性组合系数 线性组合系数可用于表述信息浓缩的大小计算线性组合系数公式为loading矩阵/Sqrt(eigen)即载荷系数除以对应特征根的平方根。 2综合得分系数 综合得分系数可用于衡量指标所占信息比重的大小综合得分系数越大说明指标所携带信息越大指标权重越大。计算综合得分系数公式为累积线性组合系数*方差解释率/累积方差解释率即线性组合系数分别与方差解释率相乘后累加然后除以累积方差解释率 如上图可靠性1综合得分系数0.0898*33.53%0.2706*32.25%0.0951*12.05%0.6573*10.57%/33.53%32.25%12.05%10.570.2244 3计算示例 计算指标权重将综合得分系数进行归一化处理即得到各指标权重值 如上图可靠性1权重(0.2244/∑综合得分系数)*100%7.54% 可靠性2权重(0.2340/∑综合得分系数)*100%7.86% 其他指标权重计算过程同上。 注上述loading矩阵特征根eigen方差解释率或累积方差解释率均为旋转后对应值 五、总结 因子权重计算与指标权重计算都可以通过SPSSAU因子分析输出的结果进行计算。因子权重使用旋转后方差解释率以及旋转后累计方差解释率进行计算指标项权重使用归一化综合得分系数进行计算。虽然指标项计算过程略显复杂但SPSSAU会在线性组合系数及权重结果这张表中自动输出权重值大大简化了手动计算的繁琐步骤。 如果使用了因子分析计算因子权重后不想再使用因子分析计算指标项权重那么可以使用其他权重计算方法进行指标项权重的计算。例如可以使用熵值法进行指标项权重计算那么这里就使用了因子分析与熵值法两种计算权重的方法可以丰富研究方法。