利用R语言进行因子分析实战(数据+代码+可视化+详细分析)

news2024/11/19 17:23:10

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一|统计学|干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项,参与研究经费10w、40w级横向

文章目录

  • 1 研究背景
  • 2 数据预处理
  • 3 样本相关系数矩阵 R及特征根与特征向量
    • 3.1 相关系数矩阵
    • 3.2 特征根与特征向量
  • 4 因子数确定
    • 4.1 1.bartlett 球体检验
    • 4.2 碎石图及方差累计贡献率
  • 5 因子载荷矩阵
    • 5.1 方差贡献
    • 5.2共同度
    • 5.3 因子载荷
  • 6 因子得分
    • 6.1 因子得分矩阵
    • 6.2 前两个因子得分信息图
    • 6.3 前两个因子信息重叠图
  • 7 因子旋转及结果比较
    • 7.1 旋转后方差贡献
    • 7.2 旋转后共同度
    • 7.3 旋转后因子载荷
    • 7.4 旋转后前两个因子得分信息图
    • 7.5 旋转后前两个因子信息重叠图
  • 8 排序
    • 8.1 旋转前综合得分排序
    • 8.2 旋转前综合得分排序(按排名前后)
    • 8.3 旋转后综合得分排序
    • 8.2 旋转后综合得分排序(按排名前后)

1 研究背景

  因子分析法在股价预报上的探索:在本例中为了验证因子分析法的有效性,特意不区分行业,以上海证券交易所和深圳证券交易 所进行分层,然后把层内全部股票选入抽样框,已进行随机抽取。从 手机金融界(http://www.jrj.com.cn) 得到了23家企业在2004年3月 31日,所考虑的指标如下: x 1 x_1 x1 流动比率(<2偏低)、 x 2 x_2 x2 速动比率(<1偏 低)、 x 3 x_3 x3 现金流动负债比(%)、 x 4 x_4 x4 每股收益(元)、 x 5 x_5 x5 每股未分配利 润(元)、 x 6 x_6 x6 每股净资产(元)、 x 7 x_7 x7 每股资本公积金(元)、 x 8 x_8 x8 每股盈 余公积金(元)、 x 9 x_9 x9每股净资产增长率(%)、 x 10 x_{10} x10 经营净利润率 (%)、 x 11 x_{11} x11 经营毛利率(%)、 x 12 x_{12} x12资产利润率(%)、 x 13 x_{13} x13 资产净利率 (%)、 x 14 x_{14} x14 主营业务收入增长率(%)、 x 15 x_{15} x15 净利润增长率(%)、 x 16 x_{16} x16总 资产增长率(%)、 x 17 x_{17} x17营业利润增长率(%)、 x 18 x_{18} x18主营业务成本比例 (%)、 x 19 x_{19} x19 营业费用比例(%)、 x 20 x_{20} x20 管理费用比例(%)、 x 21 x_{21} x21财务费用 比率(%)。 具体数据见表1所示。

表1 23企业财务数据(2004.03.31)

2 数据预处理

  运行程序:

rm(list=ls()) #清空变量 
library("openxlsx") #加载包 
library("knitr") #加载包 
library("xlsx") #加载包 
data<-read.xlsx("G:\\23 个企业财务数据.xlsx",'Sheet1',encoding = "UTF-8")
 #读取数据 
data1=data.frame(data[,-1],row.names=data$名称) #将第一列作为行名称 
head(data1) #显示前六行 

  运行结果:

## X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 
 X11 X12 
## 深深房A 1.33 0.33 -1.44 -0.02 -0.92 1.11 0.95 0.12 11.10 -12.85 
8.37 -0.67 
## 同人华塑 0.76 0.73 -4.96 0.02 -1.42 1.57 1.86 0.12 -10.38 4.91 3
1.44 0.60 
## 南开戈德 1.21 1.14 -4.72 -0.02 -0.72 1.03 0.53 0.23 -46.59 -28.03 
0.47 -0.62 
## st 昌源 0.79 0.60 -0.19 -0.02 -1.96 0.03 0.86 0.11 -96.94 -993.95 4
0.57 -0.70 
## 山东巨力 0.75 0.58 7.55 -0.35 -0.36 1.78 1.02 0.11 -28.02 0.24 
7.59 0.11 
## 一汽夏利 1.11 1.01 7.27 0.01 -0.26 1.67 0.82 0.10 9.34 0.87 
7.10 0.18 
## X13 X14 X15 X16 X17 X18 X19 X20 X2
1 
## 深深房A -0.67 -16.66 23.64 -11.39 -40.31 89.76 3.43 15.80 6.61 
## 同人华塑 0.37 217.62 218.61 31.30 282.07 68.22 2.86 11.85 9.59 
## 南开戈德 -0.64 133.02 56.28 -32.22 -46.59 98.70 1.87 10.94 13.27 
## st 昌源 -0.70 -96.89 -1841.70 -33.45 -96.94 57.86 3.80 237.64 797.5
5 
## 山东巨力 0.07 -13.35 28.88 27.25 24.36 92.40 3.23 3.46 1.10 
## 一汽夏利 0.18 10.32 -76.29 -5.76 -48.34 88.59 3.94 4.05 2.03 

3 样本相关系数矩阵 R及特征根与特征向量

3.1 相关系数矩阵

  运行程序:

R<-cor(scale(data1))
R #相关矩阵

  运行结果:

## X1 X2 X3 X4 X5 
 X6 
## X1 1.000000000 -0.06153191 0.074080250 0.12217010 0.170396550 -
0.01669067 
## X2 -0.061531909 1.00000000 0.462294864 0.38568343 0.532509303 
0.37491343 
## X3 0.074080250 0.46229486 1.000000000 0.24825336 0.094487515 
0.07353926 
## X4 0.122170105 0.38568343 0.248253364 1.00000000 0.249061005 0.28169643 
## X5 0.170396550 0.53250930 0.094487515 0.24906100 1.000000000 
0.82832779 
## X6 -0.016690668 0.37491343 0.073539262 0.28169643 0.828327787 
1.00000000 
## X7 -0.234562938 0.04621099 0.015007142 0.22298898 0.274511241 
0.75023269 
## X8 -0.003886565 -0.09405736 0.055571811 0.04768421 -0.055839114 
0.09390576 
## X9 0.093608232 0.09354447 -0.052642088 0.11575240 0.488243601 
0.51406649 
## X10 0.061624059 0.17378058 0.003222508 0.04524770 0.372996599 
0.28114151 
## X11 -0.172487326 0.42412261 0.275328202 0.30367342 0.072468988 -
0.01567376 
## X12 0.007435315 0.82503322 0.628388114 0.47130025 0.528646924 
0.46987699 
## X13 0.015583557 0.83755840 0.595317952 0.45416308 0.533697597 
0.44101417 
## X14 -0.081522989 -0.03144020 0.081460679 0.22347530 0.038206165 
0.24603283 
## X15 0.099497513 0.16255701 0.034665896 0.07950735 0.272334749 
0.15238013 
## X16 -0.011304314 0.17903152 -0.007104325 -0.01088111 0.195372221 
0.19022317 
## X17 -0.032394586 -0.03581853 0.131841507 0.17538500 0.005235359 
0.21888924 
## X18 0.163729735 -0.23399008 -0.251764348 -0.37306446 -0.094638183 
0.01962742 
## X19 -0.147420470 -0.05386091 0.066063556 0.21013183 -0.086451006 -
0.16267865 
## X20 -0.096323265 -0.13921246 -0.049401998 -0.06378943 -0.396083117 -
0.27624549 
## X21 -0.061707669 -0.14160451 0.014303681 -0.02744991 -0.351356950 -
0.26568880 
## X7 X8 X9 X10 X11 
 X12 
## X1 -0.23456294 -0.003886565 0.09360823 0.061624059 -0.17248733 
0.007435315 
## X2 0.04621099 -0.094057358 0.09354447 0.173780578 0.42412261 
0.825033221 
## X3 0.01500714 0.055571811 -0.05264209 0.003222508 0.27532820 
0.628388114 
## X4 0.22298898 0.047684210 0.11575240 0.045247704 0.30367342 
0.471300255 
## X5 0.27451124 -0.055839114 0.48824360 0.372996599 0.07246899 
0.528646924 
## X6 0.75023269 0.093905757 0.51406649 0.281141507 -0.01567376 
0.469876993 
## X7 1.00000000 0.040168233 0.31384313 0.072798588 -0.12296917 0.166020894 
## X8 0.04016823 1.000000000 -0.24107141 0.124840958 0.13517281 
0.179242515 
## X9 0.31384313 -0.241071409 1.00000000 0.293291223 -0.32752457 
0.147966103 
## X10 0.07279859 0.124840958 0.29329122 1.000000000 -0.22212248 
0.216368510 
## X11 -0.12296917 0.135172813 -0.32752457 -0.222122482 1.00000000 
0.552749503 
## X12 0.16602089 0.179242515 0.14796610 0.216368510 0.55274950 
1.000000000 
## X13 0.12304282 0.119320235 0.16836925 0.247344634 0.55058564 
0.992446303 
## X14 0.23125318 0.563584784 0.20306690 0.260532186 -0.11056895 
0.237073302 
## X15 -0.06734714 0.203689546 0.30924912 0.929707425 -0.20864321 
0.240829712 
## X16 0.13591627 -0.331929870 0.73026516 0.341540622 -0.03738791 
0.222875746 
## X17 0.22013136 0.616385378 0.08564930 0.170482255 0.03463550 
0.269910101 
## X18 0.13975241 -0.066552262 0.24366474 0.110514023 -0.82785683 -
0.373138052 
## X19 -0.14640045 0.170168664 -0.38169180 0.082697358 0.42935280 -
0.049595354 
## X20 -0.02148457 -0.138708575 -0.35758545 -0.979536298 0.25538811 -
0.234238515 
## X21 -0.07184816 -0.127129057 -0.28076865 -0.997822781 0.25760531 -
0.171628299 
## X13 X14 X15 X16 X17 
 X18 
## X1 0.01558356 -0.08152299 0.09949751 -0.011304314 -0.032394586 
0.16372973 
## X2 0.83755840 -0.03144020 0.16255701 0.179031515 -0.035818526 -
0.23399008 
## X3 0.59531795 0.08146068 0.03466590 -0.007104325 0.131841507 -
0.25176435 
## X4 0.45416308 0.22347530 0.07950735 -0.010881110 0.175384996 -
0.37306446 
## X5 0.53369760 0.03820617 0.27233475 0.195372221 0.005235359 -
0.09463818 
## X6 0.44101417 0.24603283 0.15238013 0.190223171 0.218889235 
0.01962742 
## X7 0.12304282 0.23125318 -0.06734714 0.135916265 0.220131359 
0.13975241 
## X8 0.11932023 0.56358478 0.20368955 -0.331929870 0.616385378 -
0.06655226 
## X9 0.16836925 0.20306690 0.30924912 0.730265160 0.085649300 
0.24366474 
## X10 0.24734463 0.26053219 0.92970742 0.341540622 0.170482255 0.11051402 
## X11 0.55058564 -0.11056895 -0.20864321 -0.037387913 0.034635501 -
0.82785683 
## X12 0.99244630 0.23707330 0.24082971 0.222875746 0.269910101 -
0.37313805 
## X13 1.00000000 0.18917087 0.27038744 0.282668062 0.218131057 -
0.37778065 
## X14 0.18917087 1.00000000 0.42565829 0.080413093 0.932856749 
0.05853132 
## X15 0.27038744 0.42565829 1.00000000 0.391354848 0.343914592 
0.10506220 
## X16 0.28266806 0.08041309 0.39135485 1.000000000 0.051525332 -
0.04790764 
## X17 0.21813106 0.93285675 0.34391459 0.051525332 1.000000000 -
0.06860992 
## X18 -0.37778065 0.05853132 0.10506220 -0.047907635 -0.068609916 
1.00000000 
## X19 -0.06382311 -0.27002736 0.03264792 -0.162400052 -0.172520270 -
0.63224454 
## X20 -0.26416708 -0.32760432 -0.94604894 -0.367968031 -0.221273268 -
0.10935488 
## X21 -0.19966813 -0.24725774 -0.92368522 -0.318668641 -0.154666882 -
0.13756932 
## X19 X20 X21 
## X1 -0.14742047 -0.09632327 -0.06170767 
## X2 -0.05386091 -0.13921246 -0.14160451 
## X3 0.06606356 -0.04940200 0.01430368 
## X4 0.21013183 -0.06378943 -0.02744991 
## X5 -0.08645101 -0.39608312 -0.35135695 
## X6 -0.16267865 -0.27624549 -0.26568880 
## X7 -0.14640045 -0.02148457 -0.07184816 
## X8 0.17016866 -0.13870857 -0.12712906 
## X9 -0.38169180 -0.35758545 -0.28076865 
## X10 0.08269736 -0.97953630 -0.99782278 
## X11 0.42935280 0.25538811 0.25760531 
## X12 -0.04959535 -0.23423851 -0.17162830 
## X13 -0.06382311 -0.26416708 -0.19966813 
## X14 -0.27002736 -0.32760432 -0.24725774 
## X15 0.03264792 -0.94604894 -0.92368522 
## X16 -0.16240005 -0.36796803 -0.31866864 
## X17 -0.17252027 -0.22127327 -0.15466688 
## X18 -0.63224454 -0.10935488 -0.13756932 
## X19 1.00000000 -0.06016584 -0.10488972 
## X20 -0.06016584 1.00000000 0.97643054 
## X21 -0.10488972 0.97643054 1.00000000

3.2 特征根与特征向量

  运行程序:

D.e<-eigen(R,symmetric = T) 
D.e #特征值和特征向量 

  运行结果:

## eigen() decomposition 
## $values ##特征根 
## [1] 5.774321e+00 3.979642e+00 2.568309e+00 2.352965e+00 1.485929e+0
0 
## [6] 1.256102e+00 1.040364e+00 7.745414e-01 6.158785e-01 3.891699e-0
1 
## [11] 3.436507e-01 1.914727e-01 7.919589e-02 6.544455e-02 3.552861e-0
2 
## [16] 2.898949e-02 1.420473e-02 3.223427e-03 8.151549e-04 2.240933e-0
4 
## [21] 2.859577e-05 
## 
## $vectors ##特征向量 
## [,1] [,2] [,3] [,4] [,5] 
 [,6] 
## [1,] -0.02548243 0.06408178 0.05260639 -0.069422778 0.416393421 
-0.38248883 
## [2,] -0.23873362 -0.27946147 0.15110401 -0.111727152 0.177144626 
-0.05852967 
## [3,] -0.13531234 -0.25549050 -0.03424067 -0.005415586 0.339745511 
-0.01603194 
## [4,] -0.16204963 -0.22467262 -0.01293219 0.063138117 -0.094654458 
-0.11010774 
## [5,] -0.28326464 -0.05839568 0.26171192 -0.036427312 -0.131343122 
-0.31841919 
## [6,] -0.27141534 -0.03358116 0.27199746 0.222259801 -0.317460839 
-0.26087668 
## [7,] -0.12870199 0.01012201 0.22689116 0.336935520 -0.432206693 
-0.08686832 
## [8,] -0.08098417 -0.02201499 -0.42140119 0.303888601 -0.020732721 
-0.20311230 
## [9,] -0.20938556 0.17096933 0.35365700 0.067124916 -0.037198420 
 0.28388211 
## [10,] -0.31074028 0.23667594 -0.15003843 -0.225386575 -0.066882560 
-0.07107349 
## [11,] -0.03561490 -0.42632493 -0.13962218 -0.102012315 -0.111671701 
 0.15864530 
## [12,] -0.30296197 -0.30936390 0.03442232 0.030696408 0.178791399 
 0.00634215 
## [13,] -0.30537437 -0.29808149 0.05180101 -0.017727430 0.191386032 
 0.04025364 
## [14,] -0.19505648 0.08674292 -0.25910349 0.444418877 0.072076407 
 0.18216486 
## [15,] -0.30928578 0.23199705 -0.21988794 -0.166138090 0.067897546 
 0.06130767 
## [16,] -0.19149536 0.09710464 0.22084793 -0.128750702 -0.006200085 
 0.61257505 
## [17,] -0.17173736 0.02291563 -0.29807766 0.448341522 0.066229959 
 0.18230766 ## [18,] 0.04384554 0.35714703 0.19426405 0.163259075 0.264698000 
-0.21261659 
## [19,] 0.03053807 -0.15705905 -0.30294607 -0.303918243 -0.433186346 
-0.08244250 
## [20,] 0.31955403 -0.24163112 0.15375322 0.202515841 0.018628571 
 0.04031877 
## [21,] 0.29868243 -0.25189414 0.15593091 0.228876198 0.079812320 
 0.09012865 
## [,7] [,8] [,9] [,10] [,11] 
 [,12] 
## [1,] 0.636366679 0.08143104 0.242686471 0.33858918 -0.13815915 
 0.15688754 
## [2,] -0.262120285 0.04138054 -0.310811412 0.01349571 0.15338838 
 0.59195527 
## [3,] -0.161298467 -0.50143654 0.562631779 -0.31410639 -0.04589144 
-0.06459551 
## [4,] 0.456502771 -0.50845801 -0.532606508 -0.02126754 0.17529782 
-0.15743739 
## [5,] 0.081660547 0.37580391 0.014168454 -0.40914930 -0.11624511 
 0.03913212 
## [6,] -0.010261614 0.12423007 0.143970118 -0.04070487 -0.07860738 
 0.05052630 
## [7,] -0.124687964 -0.33731697 0.194603880 0.46080003 -0.12984044 
 0.03465067 
## [8,] -0.025153184 0.26923527 0.190728138 0.12713442 0.63508627 
-0.12401868 
## [9,] 0.276532749 0.03682955 0.111795887 -0.29605563 0.37110758 
-0.22647356 
## [10,] -0.099348590 -0.04721962 -0.023387799 0.11883698 -0.10302095 
-0.10425004 
## [11,] 0.038169314 0.27976727 -0.007832286 0.27356421 -0.12767072 
-0.28078846 
## [12,] -0.116863126 0.03462099 0.011967932 0.12755751 0.07492971 
-0.12900554 
## [13,] -0.111840324 0.06158336 -0.025169550 0.16399594 0.05712354 
-0.15855071 
## [14,] 0.081996601 -0.01470923 -0.146226247 -0.20166486 -0.15476192 
 0.08290651 
## [15,] -0.006643993 -0.02179444 -0.095335212 0.02419056 -0.01391883 
 0.06901095 
## [16,] 0.179869238 0.05102451 0.186558370 0.26642108 0.16216143 
 0.25051586 
## [17,] 0.114346765 0.07128657 0.030512728 -0.05748123 -0.26535232 
 0.30930689 
## [18,] -0.254424766 -0.12035678 -0.109957932 0.14901261 0.32844551 
 0.08614006 
## [19,] 0.162995316 -0.14958059 0.237549381 -0.12874666 0.26755881 
 0.42274390 
## [20,] 0.033224812 0.04559651 -0.018500557 0.06107555 0.07204513 
 0.18245879 ## [21,] 0.101996230 0.06777678 0.012133026 -0.10333074 0.07512766 
 0.05550375 
## [,13] [,14] [,15] [,16] [,1
7] 
## [1,] 0.05611815 0.091387429 0.109587193 -0.040807848 0.11320361
8 
## [2,] 0.10408241 0.436940811 0.020514714 -0.005671351 0.09454589
4 
## [3,] 0.08964164 0.128443855 -0.050747019 -0.062833388 -0.26041823
7 
## [4,] -0.07194730 -0.020236810 -0.109822203 0.064276818 -0.25233317
9 
## [5,] -0.05650554 -0.176574862 -0.050033310 -0.020200717 -0.37705219
9 
## [6,] -0.01730700 0.005372915 0.028962350 -0.090330985 -0.02350052
5 
## [7,] 0.03707135 0.071489762 -0.034946909 -0.137191759 0.10787300
4 
## [8,] -0.19701134 0.229883594 -0.102623369 -0.053321166 -0.15190365
9 
## [9,] 0.36411191 0.208214161 -0.068986860 0.089735194 0.38334546
9 
## [10,] 0.02293971 0.233492970 0.002408922 0.234858196 -0.10169333
2 
## [11,] 0.62532047 0.050027232 0.104800446 -0.033178514 -0.27318719
8 
## [12,] -0.08566347 -0.306034634 0.102846188 0.086707074 0.31402431
3 
## [13,] -0.21476513 -0.311095415 0.006437673 0.057888266 0.19920674
0 
## [14,] 0.02754061 0.067548254 0.662465708 -0.268410784 -0.00406629
4 
## [15,] 0.17196108 -0.187391464 -0.422293639 -0.706880751 0.06668469
8 
## [16,] -0.27483756 -0.079004876 0.078789368 0.003662778 -0.43133403
7 
## [17,] 0.15143886 -0.158488024 -0.435943945 0.455546165 0.02644860
6 
## [18,] 0.42294373 -0.412234327 0.153290010 0.129631481 -0.26383158
7 
## [19,] 0.16951102 -0.320105070 0.205849312 0.072945220 0.16280363
8 
## [20,] 0.10825745 0.113036534 -0.221808300 -0.127311775 -0.09964591
1 
## [21,] -0.05831066 -0.218234559 -0.054345309 -0.259259884 0.04300996
7 
## [,18] [,19] [,20] [,21] 
## [1,] 0.015363693 -0.026162216 0.0146950823 -0.0037952280 
## [2,] 0.175102686 0.024277360 0.1059086286 -0.0057075941 
## [3,] 0.026680118 0.018849019 -0.0251415557 0.0020082992 ## [4,] 0.015753956 0.072571330 -0.0192674860 0.0112551373 
## [5,] -0.130282113 -0.252520840 0.3315250612 -0.1650565291 
## [6,] 0.122041765 0.425723495 -0.5623462524 0.2531483040 
## [7,] 0.028772099 -0.224151955 0.3409726722 -0.1445139425 
## [8,] 0.041977235 0.003691257 0.0790876720 -0.0287987652 
## [9,] -0.006708339 -0.108069053 0.0224793104 -0.0215644677 
## [10,] -0.222914203 -0.333245026 -0.0088473138 0.6595202885 
## [11,] 0.125967085 0.053978034 0.0219907639 -0.0127675269 
## [12,] -0.493390931 0.397637825 0.2996535631 0.1257090650 
## [13,] 0.227884864 -0.535907054 -0.4003644518 -0.1379027214 
## [14,] -0.118408925 -0.138393553 -0.0442739129 -0.0146585885 
## [15,] -0.044753978 0.033637374 -0.0276925959 0.0015559738 
## [16,] -0.017762823 0.094645692 0.0006321628 0.0121006424 
## [17,] 0.080492345 0.028928446 0.0196597216 0.0002181715 
## [18,] 0.023443061 -0.010554663 -0.0423359074 0.0294920872 
## [19,] -0.048131033 -0.110724985 -0.0505082254 0.0321528848 
## [20,] -0.669930794 -0.258696902 -0.3338816069 0.0097678374 
## [21,] 0.313407571 -0.132317208 0.2623342242 0.6434307976

4 因子数确定

4.1 1.bartlett 球体检验

  运行程序:

msa.bartlett(data1) #bartlett 球体检验 

  运行结果:

R was not square, finding R from data 
$chisq [1] 664.7 
$df [1] 210 
$p.value [1] 1.154e-48 

  根据bartelett球体检验显示,P值小于0.05,拒绝相关矩阵是单位阵的原假设, 数据适合做因子分析。

4.2 碎石图及方差累计贡献率

  运行程序:

caa<-(D.e$values)/sum(D.e$values) #方差贡献率 
ca<-cumsum(D.e$values)/sum(D.e$values)#累计方差贡献率 
par(mfrow=c(1,2)) #1×2 画布 
plot(1:21,caa,type = "o",pch=17,col=4,main="scree plot",xlab = "Compone
nt Number",ylab = "Eigen value") 
plot(1:21,ca,type = "o",pch=17,col=4,main="Comulative Contribution",xla
b = "Component Number",ylab = "Comulative Contribution") 

  运行结果:

  根据碎石图及累计方差贡献率图显示,当因子个数取6时较为适 合,方差累计贡献率超过80%。

5 因子载荷矩阵

5.1 方差贡献

  运行程序:

source("G:\\msaR.R") 
Fp<-msa.fa(data1,m=6,rotation = "none") 
Fp$vars #方差贡献

  运行结果:

## Variance Proportion Cumulative 
## Factor1 5.774 27.497 27.50 
## Factor2 3.980 18.951 46.45 
## Factor3 2.568 12.230 58.68 
## Factor4 2.353 11.205 69.88 
## Factor5 1.486 7.076 76.96 
## Factor6 1.256 5.981 82.94 

5.2共同度

  运行程序:

Fp$common #共同度 

  运行结果:

## X1 X2 X3 X4 X5 X6 X7 X8 X9 X1
0 X11 
## 0.4799 0.7788 0.5404 0.3909 0.8089 0.9713 0.7824 0.7656 0.8046 0.970
8 0.8553 
## X12 X13 X14 X15 X16 X17 X18 X19 X20 X2
1 ## 0.9637 0.9562 0.9362 0.9673 0.8850 0.9218 0.8393 0.8440 0.9818 0.973
0 

5.3 因子载荷

  运行程序:

Fp$loadings #因子载荷

  运行结果:

## Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 
## X1 0.0612 -0.1278 0.0843 -0.1065 0.5076 0.4287 
## X2 0.5737 0.5575 0.2422 -0.1714 0.2159 0.0656 
## X3 0.3252 0.5097 -0.0549 -0.0083 0.4141 0.0180 
## X4 0.3894 0.4482 -0.0207 0.0968 -0.1154 0.1234 
## X5 0.6807 0.1165 0.4194 -0.0559 -0.1601 0.3569 
## X6 0.6522 0.0670 0.4359 0.3409 -0.3870 0.2924 
## X7 0.3093 -0.0202 0.3636 0.5168 -0.5269 0.0974 
## X8 0.1946 0.0439 -0.6753 0.4661 -0.0253 0.2276 
## X9 0.5031 -0.3411 0.5668 0.1030 -0.0453 -0.3182 
## X10 0.7467 -0.4721 -0.2405 -0.3457 -0.0815 0.0797 
## X11 0.0856 0.8505 -0.2238 -0.1565 -0.1361 -0.1778 
## X12 0.7280 0.6172 0.0552 0.0471 0.2179 -0.0071 
## X13 0.7338 0.5946 0.0830 -0.0272 0.2333 -0.0451 
## X14 0.4687 -0.1730 -0.4152 0.6817 0.0879 -0.2042 
## X15 0.7432 -0.4628 -0.3524 -0.2548 0.0828 -0.0687 
## X16 0.4602 -0.1937 0.3539 -0.1975 -0.0076 -0.6865 
## X17 0.4127 -0.0457 -0.4777 0.6877 0.0807 -0.2043 
## X18 -0.1054 -0.7125 0.3113 0.2504 0.3227 0.2383 
## X19 -0.0734 0.3133 -0.4855 -0.4662 -0.5280 0.0924 
## X20 -0.7679 0.4820 0.2464 0.3106 0.0227 -0.0452 
## X21 -0.7177 0.5025 0.2499 0.3511 0.0973 -0.1010 

  当因子个数取为6个时,所保留的因子能够解释的方差占整个方差 的82.94%,基本能全面反映出21项财务指标的信息,故选取6个公共因 子。由因子载荷矩阵可看出: x 10 x_{10} x10 经营净利润率(%)、 x 12 x_{12} x12 资产利润率 (%)、 x 13 x_{13} x13 资产净利率(%)、 x 15 x_{15} x15 净利润增长率(%)、 x 20 x_{20} x20 管理费用比 例(%)、 x 21 x_{21} x21财务费用比率(%)在因子Factor1上载荷相对较高; x 11 x_{11} x11经营毛利率(%)、 x 18 x_{18} x18主营业务成本比例(%)在因子Factor2上载荷相 对较高; x 8 x_{8} x8 每股盈余公积金(元)、 x 9 x_{9} x9每股净资产增长率(%)在因子 Factor3上载荷相对较高; x 14 x_{14} x14 主营业务收入增长率(%)、 x 17 x_{17} x17营业利润 增长率(%)在因子Factor4上载荷相对较高; x 1 x_{1} x1 流动比率(<2偏低)、 x 7 x_{7} x7 每股资本公积金(元)、 x 19 x_{19} x19 营业费用比例(%)在因子Factor5上载 荷相对较高; x 16 x_{16} x16 总资产增长率(%)在因子Factor6上载荷相对较高。 根据其线性组合情况考虑各因子分别表示公司消费能力的公共因子、 负债能力、发展能力、可持续发展能力、经营能力、生存能力,故考 虑从这6个方面衡量公司财务能力。

6 因子得分

6.1 因子得分矩阵

  运行程序:

Fp$scores #因子得分矩阵

  运行结果:

## Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 
## 深深房A -0.4138 -0.8256 0.1788 -0.1608 0.2571 0.1232 
## 同人华塑 0.3733 -0.2325 -0.4077 0.7450 -0.0032 -1.6545 
## 南开戈德 -0.3653 -0.8492 -0.3009 0.2529 0.8208 0.8460 
## st 昌源 -3.2163 2.3411 1.1584 1.6168 0.5075 -0.5117 
## 山东巨力 -0.1665 -0.9703 0.4284 -0.3114 0.6303 -0.5514 
## 一汽夏利 0.0057 -0.4718 0.4306 -0.2135 0.4726 0.3061 
## 闽东电力 -0.1010 -0.4373 1.6309 0.9224 -1.4426 0.9027 
## 深本实 b -0.2042 -0.2539 -0.4842 -0.3974 -0.1010 -0.2175 
## st 啤酒花 -1.6127 0.3350 -3.0826 -1.2720 -0.0402 0.6354 
## 云大科技 -0.7198 -0.3390 0.0030 -0.6483 -1.0559 0.6859 
## 中天科技 0.2078 -0.3361 0.4419 -0.1571 -0.6900 0.2253 
## 爱建股份 1.2328 -0.2998 -2.0373 3.4638 0.3097 -0.1838 
## st 轻骑 0.2110 -1.0573 0.7927 -0.3677 0.4999 -2.8471 
## 张裕 A 2.0838 2.6058 0.2198 0.0019 -0.7342 1.0978 
## 阿继电器 -0.0600 -0.0037 0.0475 -0.6257 -0.8688 -0.0915 
## 广州浪奇 0.0783 -0.3960 -0.3029 0.0459 0.0466 0.3097 
## 浙江震元 0.3614 -0.3640 0.6544 0.3446 -0.5232 0.7923 
## 四环生物 1.2369 1.9140 0.2551 -1.1165 2.4581 -0.7077 
## 深宝安 A -0.0505 0.1374 -0.6893 -0.3240 -0.3792 -0.4315 
## 深发展 A 0.3946 0.7847 -0.6463 -1.1460 -1.7981 -1.1531 
## 数码网络 0.1057 -0.7449 0.3207 -0.4372 2.2411 1.9303 
## 中色建设 0.4367 -0.3644 0.8242 -0.1409 -0.0238 -0.0199 
## 东北药 0.1820 -0.1722 0.5647 -0.0749 -0.5834 0.5150 

6.2 前两个因子得分信息图

  运行程序:

plot(Fp$scores,asp=1) 
abline(h=0,v=0,lty=3,col="red") 
text(Fp$scores,labels = row.names(data1)) #前两个因子得分信息图 

  运行结果:

  由因子得分图可以看出,张裕 A、四环生物、爱建股份在第一因子 Factor1 上得分取正值且相对较大,而 st 昌源、st 啤酒花在第一因子 Factor1 上的得分值相对较小;张裕 A、st 昌源、四环生物在第二因子 Factor2 上得分取正值且相对较大,而 st 轻骑、山东巨力在第二因子 Factor2 上的得分值相对较小。

6.3 前两个因子信息重叠图

  运行程序:

biplot(Fp$scores[,1:2],Fp$loadings[,1:2]) #前两个因子信息重叠图 

  运行结果:

  以公因子 Factor1、Factor2 分别为横纵坐标轴,绘制出各个公司 的因子得分图,前面的分析结果可以在因子得分图上得到直观地反 映。

7 因子旋转及结果比较

7.1 旋转后方差贡献

  运行程序:

Fp1<-msa.fa(data1,m=6,rotation = "varimax") #最大方差法进行因子旋转 
Fp1$vars #旋转后方差贡献 

  运行结果:

## Variance Proportion Cumulative 
## Factor1 4.243 20.203 20.20 
## Factor2 4.078 19.418 39.62 
## Factor3 2.576 12.266 51.89 
## Factor4 2.447 11.653 63.54 
## Factor5 2.202 10.484 74.03 
## Factor6 1.872 8.914 82.94 

7.2 旋转后共同度

  运行程序:

Fp1$common #旋转后共同度

  运行结果:

## X1 X2 X3 X4 X5 X6 X7 X8 X9 X1
0 X11 
## 0.4799 0.7788 0.5404 0.3909 0.8089 0.9713 0.7824 0.7656 0.8046 0.970
8 0.8553 
## X12 X13 X14 X15 X16 X17 X18 X19 X20 X21 
## 0.9637 0.9562 0.9362 0.9673 0.8850 0.9218 0.8393 0.8440 0.9818 0.973
0 

7.3 旋转后因子载荷

  运行程序:

Fp1$loadings #旋转后因子载荷

  运行结果:

## Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 
## X1 0.1449 0.1916 -0.1608 -0.1311 -0.5532 -0.2704 
## X2 0.0953 0.8422 -0.1537 0.1645 0.0214 0.0970 
## X3 -0.0409 0.7100 0.0984 -0.1438 -0.0395 -0.0515 
## X4 0.0187 0.4849 0.1124 0.2903 0.2165 -0.1077 
## X5 0.3345 0.4555 -0.2018 0.6581 -0.1211 0.0336 
## X6 0.1636 0.2771 0.0842 0.9207 -0.0749 0.0861 
## X7 -0.0894 -0.0637 0.2109 0.8386 0.0362 0.1460 
## X8 0.1410 0.0446 0.7086 0.0268 0.1027 -0.4800 
## X9 0.2397 0.0399 -0.0038 0.4133 -0.2779 0.7053 
## X10 0.9721 0.0541 0.0638 0.1081 -0.0196 0.0824 
## X11 -0.2381 0.5805 -0.0078 -0.1099 0.6645 -0.0896 
## X12 0.1202 0.9327 0.1652 0.1916 0.0853 0.0899 
## X13 0.1542 0.9324 0.1070 0.1558 0.0852 0.1418 
## X14 0.1921 0.0689 0.9285 0.1168 -0.0927 0.1012 
## X15 0.9324 0.1007 0.2401 -0.0618 -0.0574 0.1516 
## X16 0.2941 0.1211 -0.0495 0.0286 0.0466 0.8822 
## X17 0.1094 0.1197 0.9428 0.0732 -0.0057 0.0359 
## X18 0.0825 -0.4129 0.0183 0.0912 -0.8066 0.0520 
## X19 0.2019 -0.0339 -0.1998 -0.0889 0.7823 -0.3772 
## X20 -0.9695 -0.0776 -0.1127 -0.0795 0.0598 -0.1152 
## X21 -0.9770 -0.0108 -0.0533 -0.1073 0.0241 -0.0589

7.4 旋转后前两个因子得分信息图

  运行程序:

plot(Fp1$scores,asp=1) 
abline(h=0,v=0,lty=3,col="red") 
text(Fp1$scores,labels = row.names(data1)) #旋转后前两个因子得分信息图 

  运行结果:

7.5 旋转后前两个因子信息重叠图

  运行程序:

biplot(Fp1$scores[,1:2],Fp1$loadings[,1:2]) #旋转后前两个因子得分信息重叠图 

  运行结果:

  利用最大方差法对因子进行旋转后可以发现,各因子载荷差别较 大,更易体现公因子解释能力,公共因子Factor1在 x 10 x_{10} x10经营净利润率 (%)、 x 15 x_{15} x15 净利润增长率(%)、 x 20 x_{20} x20 管理费用比例(%)、 x 21 x_{21} x21财务费用 比率(%)上的载荷值相对较大,可视为反映公司消费能力的公共因 子;Factor2在 x 2 x_{2} x2速动比率(<1偏低)、 x 3 x_{3} x3 现金流动负债比(%)、 x 4 x_{4} x4 每 股收益(元)、 x 12 x_{12} x12资产利润率(%)、 x 13 x_{13} x13 资产净利率(%)上的载荷值 相对较大,可视为反映公司负债能力的公共因子;Factor3在 8 x 每股盈 余公积金(元)、 x 17 x_{17} x17 营业利润增长率(%)上的载荷值相对较大,可视 为反映公司发展能力的公共因子;Factor4在 x 5 x_{5} x5 每股未分配利润 (元)、 x 6 x_{6} x6每股净资产(元)、 x 7 x_{7} x7 每股资本公积金(元)上的载荷值 相对较大,可视为反映公司可持续发展能力的公共因子;Factor5在 x 1 x_{1} x1 流动比率(<2偏低)、 x 11 x_{11} x11 经营毛利率(%)、 x 18 x_{18} x18主营业务成本比例 (%)、 x 19 x_{19} x19 营业费用比例(%)上的载荷值相对较大,可视为反映公司 经营能力的公共因子;Factor6在 x 9 x_{9} x9 每股净资产增长率(%)上的载荷 值相对较大,可视为反映公司生存能力公共因子。

  从旋转后的前两个因子得分图可以看出,四环生物、张裕A在公因 子Factor 2上得分排名相对靠前,即其负债能力相对更强;数码网络 在公因子Factor上得分相对靠前,即其消费能力相对更强。

8 排序

8.1 旋转前综合得分排序

  运行程序:

Fp$ranks #旋转前综合得分排序 

  运行结果:

## Factor Rank 
## 深深房A -0.2903 21 
## 同人华塑 -0.0084 10 
## 南开戈德 -0.1943 17 
## st 昌源 -0.1358 13 
## 山东巨力 -0.2418 18 
## 一汽夏利 -0.0089 11 
## 闽东电力 0.1737 6 
## 深本实 b -0.2751 20 
## st 啤酒花 -1.0421 23 
## 云大科技 -0.4438 22 
## 中天科技 -0.0066 9 
## 爱建股份 0.5209 3 
## st 轻骑 -0.2671 19 ## 张裕 A 1.3355 1 
## 阿继电器 -0.1790 15 
## 广州浪奇 -0.0767 12 
## 浙江震元 0.1922 4 
## 四环生物 0.8929 2 
## 深宝安 A -0.1942 16 
## 深发展 A -0.1765 14 
## 数码网络 0.1835 5 
## 中色建设 0.1605 7 
## 东北药 0.0815 8 

8.2 旋转前综合得分排序(按排名前后)

  运行程序:

order1<-Fp$ranks[order(Fp$ranks[,1],decreasing = TRUE),] 
order1 #旋转前综合得分排序(按排名前后) 

  运行结果:

## Factor Rank 
## 张裕 A 1.3355 1 
## 四环生物 0.8929 2 
## 爱建股份 0.5209 3 
## 浙江震元 0.1922 4 
## 数码网络 0.1835 5 
## 闽东电力 0.1737 6 
## 中色建设 0.1605 7 
## 东北药 0.0815 8 
## 中天科技 -0.0066 9 
## 同人华塑 -0.0084 10 
## 一汽夏利 -0.0089 11 
## 广州浪奇 -0.0767 12 
## st 昌源 -0.1358 13 
## 深发展 A -0.1765 14 
## 阿继电器 -0.1790 15 
## 深宝安 A -0.1942 16 
## 南开戈德 -0.1943 17 
## 山东巨力 -0.2418 18 
## st 轻骑 -0.2671 19 
## 深本实 b -0.2751 20 
## 深深房A -0.2903 21 
## 云大科技 -0.4438 22 
## st 啤酒花 -1.0421 23 

8.3 旋转后综合得分排序

  运行程序:

Fp1$ranks #旋转后综合得分排序 

  运行结果:

## Factor Rank 
## 深深房A -0.2692 18 
## 同人华塑 0.2876 5 
## 南开戈德 -0.3129 20 
## st 昌源 -1.1922 23 ## 山东巨力 -0.1759 17 
## 一汽夏利 -0.1214 15 
## 闽东电力 -0.1398 16 
## 深本实 b -0.0459 14 
## st 啤酒花 -0.4632 22 
## 云大科技 -0.2899 19 
## 中天科技 0.0626 9 
## 爱建股份 0.6190 2 
## st 轻骑 0.1251 6 
## 张裕 A 0.9903 1 
## 阿继电器 0.0414 11 
## 广州浪奇 -0.0036 13 
## 浙江震元 0.0553 10 
## 四环生物 0.4862 3 
## 深宝安 A 0.0961 7 
## 深发展 A 0.4767 4 
## 数码网络 -0.3483 21 
## 中色建设 0.0949 8 
## 东北药 0.0268 12## Factor Rank 
## 深深房A -0.2903 21 
## 同人华塑 -0.0084 10 
## 南开戈德 -0.1943 17 
## st 昌源 -0.1358 13 
## 山东巨力 -0.2418 18 
## 一汽夏利 -0.0089 11 
## 闽东电力 0.1737 6 
## 深本实 b -0.2751 20 
## st 啤酒花 -1.0421 23 
## 云大科技 -0.4438 22 
## 中天科技 -0.0066 9 
## 爱建股份 0.5209 3 
## st 轻骑 -0.2671 19 ## 张裕 A 1.3355 1 
## 阿继电器 -0.1790 15 
## 广州浪奇 -0.0767 12 
## 浙江震元 0.1922 4 
## 四环生物 0.8929 2 
## 深宝安 A -0.1942 16 
## 深发展 A -0.1765 14 
## 数码网络 0.1835 5 
## 中色建设 0.1605 7 
## 东北药 0.0815 8 

8.2 旋转后综合得分排序(按排名前后)

  运行程序:

order2<-Fp1$ranks[order(Fp1$ranks[,1],decreasing = TRUE),] 
order2 #旋转后综合得分排序(按排名前后)

  运行结果:

## Factor Rank 
## 张裕 A 0.9903 1 
## 爱建股份 0.6190 2 
## 四环生物 0.4862 3 
## 深发展 A 0.4767 4 
## 同人华塑 0.2876 5 
## st 轻骑 0.1251 6 
## 深宝安 A 0.0961 7 
## 中色建设 0.0949 8 
## 中天科技 0.0626 9 
## 浙江震元 0.0553 10 
## 阿继电器 0.0414 11 
## 东北药 0.0268 12 
## 广州浪奇 -0.0036 13 
## 深本实 b -0.0459 14 
## 一汽夏利 -0.1214 15 
## 闽东电力 -0.1398 16 
## 山东巨力 -0.1759 17 
## 深深房A -0.2692 18 
## 云大科技 -0.2899 19 
## 南开戈德 -0.3129 20 
## 数码网络 -0.3483 21 ## st 啤酒花 -0.4632 22 
## st 昌源 -1.1922 23 
## Factor Rank 
## 张裕 A 1.3355 1 
## 四环生物 0.8929 2 
## 爱建股份 0.5209 3 
## 浙江震元 0.1922 4 
## 数码网络 0.1835 5 
## 闽东电力 0.1737 6 
## 中色建设 0.1605 7 
## 东北药 0.0815 8 
## 中天科技 -0.0066 9 
## 同人华塑 -0.0084 10 
## 一汽夏利 -0.0089 11 
## 广州浪奇 -0.0767 12 
## st 昌源 -0.1358 13 
## 深发展 A -0.1765 14 
## 阿继电器 -0.1790 15 
## 深宝安 A -0.1942 16 
## 南开戈德 -0.1943 17 
## 山东巨力 -0.2418 18 
## st 轻骑 -0.2671 19 
## 深本实 b -0.2751 20 
## 深深房A -0.2903 21 
## 云大科技 -0.4438 22 
## st 啤酒花 -1.0421 23 

  由程序运行结果显示,在这23个上市企业财务状况中,因子旋转 前后综合财务状况排名前三的公司分别为张裕A、四环生物、爱建股 份;因子旋转前,深深房A、云大科技、st啤酒花排名最后,因子旋转 后,数码网络、st啤酒花、st昌源排名最后。可以发现因子旋转前 后,公司排名前后虽然有细微变化,但变化差别不大,因子旋转后, 各公因子对公司财务能力更易解释。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1478615.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

C++重新入门-string容器

目录 1.包含头文件 2.创建字符串 3.获取字符串长度 4.字符串拼接 5.字符串比较 相等性比较 大小比较 使用比较函数 6.访问字符串 7.查找子串 8.字符串修改 替换子串 插入字符或子串 删除字符或子串 9.提取子串 10.总结 当谈到C中的字符串时&#xff0c;std::str…

蓝桥杯刷题3

目录: 1. 天干地支 2. 明明的随机数 3. ISBN号码 4. 缩位求和 5. 幸运数字 6. 串的处理 7. 最长递增 8. 灌溉 9. 特殊日期 10. 最大距离 1. 天干地支 import java.util.*;public class Main {public static void main(String[] args) {Scanner scan new Scanner(Sys…

spring boot集成Elasticsearch 7.16.3

环境&#xff1a;Elasticsearch 版本 7.16.3 Elasticsearch for windows下载地址 windows 若依 spring boot版本 2.6.0 pom文件添加 <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-elasticsearch<…

Automated Testing for LLMOps 01:使用CircleCI进行持续集成CI

Automated Testing for LLMOps 这是学习https://www.deeplearning.ai/short-courses/automated-testing-llmops/ 这门课的笔记 Learn how LLM-based testing differs from traditional software testing and implement rules-based testing to assess your LLM application. …

Java实战:构建高效预报名管理系统

✍✍计算机编程指导师 ⭐⭐个人介绍&#xff1a;自己非常喜欢研究技术问题&#xff01;专业做Java、Python、微信小程序、安卓、大数据、爬虫、Golang、大屏等实战项目。 ⛽⛽实战项目&#xff1a;有源码或者技术上的问题欢迎在评论区一起讨论交流&#xff01; ⚡⚡ Java实战 |…

基于transform的scale属性,动态缩放整个页面,实现数据可视化大屏自适应,保持比例不变形,满足不同分辨率的需求

文章目录 一、需求背景&#xff1a;二、需求分析&#xff1a;三、选择方案&#xff1a;四、实现代码&#xff1a;五、效果预览&#xff1a;六、封装组件&#xff1a; 一、需求背景&#xff1a; 数据可视化大屏是一种将数据、信息和可视化效果集中展示在一块或多块大屏幕上的技…

GL绘制自定义线条4_使用OpenGL ES实现钢笔效果

在以前的文章里http://t.csdnimg.cn/TgCtl&#xff0c;我简述了如何使用OpenGL ES实现光滑的粗线条的绘制效果&#xff0c;在闲暇时间我把它再进一步进化&#xff0c;实现了端点长度按照压感大小实现伸缩的逻辑&#xff0c;从而实现了如下的笔锋效果&#xff1a; 书写过程中的效…

MCBPS配置成SPI

MCBPS配置成SPI 典型的SPI接口 McBSP作为SPI主机 以McBSP为主的SPI接口如图所示。当McBSP被配置为主控器时,发送输出信号(DX)被用作SPI协议的SPISIMO信号,并且接收输入信号(DR)被用作SPISOMI信号。 表列出了将McBSP配置为主控器所需的寄存器位值。下表是有关配置要求…

动环监控是什么?为什么说它是3d可视化机房的眼睛?

在信息化时代的背景下&#xff0c;数据中心机房的重要性日益凸显&#xff0c;传统的人工管理模式显然已经无法应对持续增长的机房数量和规模、日益复杂的网络、频繁更新迭代的资产硬件......搭建3d可视化机房成为了许多企事业单位的共同选择。想要搭建3d可视化机房&#xff0c;…

iOS中卡顿产生的主要原因及优化思路

卡顿本质上是一个UI体验上的问题&#xff0c;而UI的渲染及显示&#xff0c;主要涉及CPU和GPU两个层面。若 CPUGPU渲染耗时超过16.7ms&#xff0c;就会在屏幕vsync信号到来时无法更新屏幕内容&#xff0c;进而导致卡顿。 iOS中UI渲染主要包含Layout->Draw->Prepare->Co…

在原有项目进行业务逻辑开发:同一用户短时间不得提交多次申请,以及更新主表时数据刷新掉了角色权限以及密码重置的问题,详细思路及代码

开发背景&#xff1a; 用户提交表单后&#xff0c;插入到对应数据库表的字段中去&#xff0c;因需要保存是哪一个用户提交的&#xff0c;所以需要拿到主表的user_id&#xff0c;更新功能为记录提交时间&#xff0c;短时间不得再次提交 在对一个已有角色权限分配&#xff0c;登录…

蓝牙耳机和笔记本电脑配对连接上了,播放设备里没有显示蓝牙耳机这个设备,选不了输出设备

环境&#xff1a; WIN10 杂牌蓝牙耳机6s 问题描述&#xff1a; 蓝牙耳机和笔记本电脑配对连接上了&#xff0c;播放设备里没有显示蓝牙耳机这个设备&#xff0c;选不了输出设备 解决方案&#xff1a; 1.打开设备和打印机&#xff0c;找到这个设备 2.选中这个设备&#…

【iOS ARKit】协作 Session 实例

协作 Session 使用注意事项 协作 Session 是在 ARWorldMap 基础上发展起来的技术&#xff0c;ARWorldMap 包含了一系列的地标、ARAnchor 及在观察这些地标和 ARAnchor 时摄像机的视场&#xff08;View&#xff09;。如果用户在某一个位置新创建了一个 ARAnchor&#xff0c;这时…

C++之善用const修饰成员函数

C之善用const修饰成员函数 文章目录 C之善用const修饰成员函数前言1. 约束函数对成员变量的修改2. 允许 const 对象调用3. 在重载函数中提供重载决策总结 前言 ​ 在C编程中&#xff0c;使用const修饰成员函数是一种非常重要的技术手段&#xff0c;它能够提高代码的可维护性、…

基于Python微博舆情数据爬虫可视化分析系统+可视化+情感分析+爬虫+机器学习(完整系统源码+数据库+详细文档)

文章目录 基于Python微博舆情数据爬虫可视化分析系统可视化情感分析爬虫机器学习&#xff08;完整系统源码数据库详细文档&#xff09;源码资料获取在文章末尾1、项目介绍 Pycharm介绍Python语言Echarts简介Navicat Premium 15简介MySQL简介Flask简介 2、项目界面UI详情源码资料…

事物管理(黑马学习笔记)

事物回顾 在数据库阶段我们已学习过事务了&#xff0c;我们讲到&#xff1a; 事物是一组操作的集合&#xff0c;它是一个不可分割的工作单位。事务会把所有的操作作为一个整体&#xff0c;一起向数据库提交或者是撤销操作请求。所以这组操作要么同时成功&#xff0c;要么同时…

Windows PowerShell 命令行历史记录补全

Windows 命令行历史记录补全 使用 powershell 安装PSReadLine 2.1.0 Install-Module PSReadLine -RequiredVersion 2.1.0检查是否存在配置文件 Test-path $profile # 为 false 则执行命令创建 New-item –type file –force $profile编辑配置文件 notepad $profile# 输入如下…

springboot 实现本地文件存储

springboot 实现本地文件存储 实现过程 上传文件保存文件&#xff08;本地磁盘&#xff09;返回文件HTTP访问服务器路径给前端&#xff0c;进行效果展示 存储 服务端接收上传的目的是提供文件的访问服务&#xff0c;对于SpringBoot而言&#xff0c;其对静态资源访问提供了很…

Python程序的流程

归纳编程学习的感悟&#xff0c; 记录奋斗路上的点滴&#xff0c; 希望能帮到一样刻苦的你&#xff01; 如有不足欢迎指正&#xff01; 共同学习交流&#xff01; &#x1f30e;欢迎各位→点赞 &#x1f44d; 收藏⭐ 留言​&#x1f4dd; 年轻是我们唯一拥有权利去编制梦想的时…

VDP (vSphere Data Protection)vsphere备份组件

一 概述 传统的备份&#xff1a;在需要备份的主机上安装备份代理&#xff0c;通过网络连接备份服务器对备份代理发出指令从而将备份数据传输到备份服务器所连接的存储中 不足&#xff1a; 每个虚拟机使用过多的物理资源&#xff08;备份很占资源&#xff09;备份过程中&#…