因子分析
Parent: ai_keywords
因子分析
核心定义
因子分析（Factor Analysis）是一种多变量统计降维技术，旨在从大量可观测变量中提取少数不可直接测量的潜在因子（公共因子），以解释变量间的协方差结构。在人工智能与医学交叉领域，它常作为特征工程与数据预处理工具，帮助揭示高维临床数据背后的生理或病理机制。
关键技术点
- 主成分法与因子分析的区别：主成分分析追求方差最大化，因子分析则侧重协方差解释，并明确分离公共因子与特殊因子（误差）。
- 因子载荷与旋转：载荷矩阵反映变量与公共因子的相关强度；通过正交旋转（如Varimax）或斜交旋转（如Promax）简化结构，使因子更具临床可解释性。
- 公共因子与特殊因子：公共因子贡献共享变异，特殊因子包含唯一变异与测量误差；二者共同构成观测变量的总方差。
- 因子得分：估计每个样本在因子上的得分，可用于后续分类或回归（如卒中预后预测）。
- 模型拟合评估：采用KMO检验（>0.6）与Bartlett球性检验（p<0.05）判断数据是否适合因子分析；通过累积方差贡献率（通常>60%）决定因子数。
医学/神经科学应用场景
在首都医科大学神经病学研究中，因子分析被用于脑卒中后康复评估的多维度数据降维。例如，针对200例缺血性脑卒中患者，采集5个量表（NIHSS、Fugl-Meyer、Barthel指数、MoCA、汉密尔顿焦虑量表）共32个条目，通过最大似然因子分析提取出3个公共因子：运动功能因子（载荷>0.7的条目：上肢运动、下肢运动、平衡）、认知-情绪因子（注意力、记忆、焦虑评分）、日常生活能力因子（进食、穿衣、行走）。该模型累积解释方差71.2%。进一步计算患者各因子得分，可精准识别康复过程中的核心短板，指导个性化神经康复方案——若认知因子得分低，则优先进行认知训练。此方法有效避免了原始变量间的多重共线性，为AI辅助下的卒中后综合评估提供了可解释的潜在结构。
