在数据分析中，平均方差提取值（Average Variance Extracted, AVE）是衡量潜变量模型中观测变量解释潜变量方差的指标，通常用于验证因子分析的有效性。AVE 的计算公式如下： $$ AVE = \frac{\sum_{i=1}^{n} \lambda_i^2}{\sum_{i=1}^{n} \lambda_i^2 + \sum_{i=1}^{n} \text{Var}(\varepsilon_i)} $$ 其中： - $ \lambda_i $ 是第 $ i $ 个观测变量在对应潜变量上的因子载荷； - $ \text{Var}(\varepsilon_i) $ 是第 $ i $ 个观测变量的误差方差； - $ n $ 是观测变量的数量。 ### 计算步骤 1. **获取因子载荷**：使用因子分析或结构方程模型（如通过 `lavaan` 库）获得每个观测变量在对应潜变量上的因子载荷 $ \lambda_i $。 2. **计算误差方差**：误差方差可以通过 1 减去因子载荷的平方得到，即 $ \text{Var}(\varepsilon_i) = 1 - \lambda_i^2 $。 3. **代入公式计算 AVE**：将因子载荷和误差方差代入上述公式进行计算。 ### Python 示例代码 以下是一个使用 `pandas` 和 `factor_analyzer` 库计算 AVE 的示例代码： ```python import pandas as pd import numpy as np from factor_analyzer import FactorAnalyzer # 假设我们有一个数据集 data = pd.DataFrame({ 'X1': [5, 4, 5, 6, 7], 'X2': [4, 5, 6, 7, 8], 'X3': [6, 7, 8, 9, 10], 'X4': [7, 8, 9, 10, 11], 'X5': [8, 9, 10, 11, 12] }) # 初始化因子分析器 fa = FactorAnalyzer(n_factors=1, method='principal') fa.fit(data) # 获取因子载荷 loadings = fa.loadings_ # 计算误差方差 error_variances = 1 - np.square(loadings) # 计算 AVE sum_lambda_squared = np.sum(np.square(loadings)) sum_error_variance = np.sum(error_variances) ave = sum_lambda_squared / (sum_lambda_squared + sum_error_variance) print(f"AVE: {ave:.4f}") ``` ### 输出结果 假设因子载荷为： ``` [[0.85], [0.90], [0.92], [0.88], [0.95]] ``` 则计算出的 AVE 为： ``` AVE: 0.8165 ``` 通常，AVE 值大于 0.5 表示潜变量的解释能力较好。 ###