SPSS因子分析实验报告.pdfVIP

实验十一（因子分析）报告 一、数据来源 各地区年平均收入.sav 二、基本结果 （1）考察原有变量是否适合进行因子分析 首先考察原有变量之间是否存在线性关系，是否采用因子分析提取因子。 借助变量的相关系数矩阵、反映像相关矩阵、巴特利球度检验和KMO 检验方法 进行分析，结果如表 1、表2 所示： 表1 原有变量相关系数矩阵correlation matrix 表1 显示原有变量的相关系数矩阵，可以看出大部分的相关系数都比较 高，各变量呈较强的线性关系，能够从中提取公共因子，适合进行因子分析。 表2 KMO and Bartletts Test 由表2 可知，巴特利特球度检验统计量观测值为182.913，p 值接近0，显 著性差异，可以认为相关系数矩阵与单位阵有显著差异，同时KMO 值为 0.882，根据Kaiser 给出的KMO 度量标准可知原有变量适合进行因子分析。 （2）提取因子 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 因子并选取大于1 的特征值。具体结果见表3：可知，initial 一列是因子分析 初始解下的共同度，表明如果对原有7 个变量采用主成分分析法提取所有特征 值，那么原有变量的所有方差都可以被解释，变量的共同度均为1。事实上， 因子个数小于原有变量的个数才是因子分析的目的，所以不可以提取全部特征 值。第二列表明港澳台经济单位、集体经济单位以及外商投资经济单位等变量 的绝大部分信息（大于83%）可被因子解释。但联营经济、其他经济丢失较为 严重。因此，本次因子提取的总体效果不理想。 表3 因子分析中的变量共同度 （一） 重新制定提取特征值的标准，指定提取2 个因子，分析表4：可以看出， 此时所有变量的共同度均较高，各个变量的信息丢失较少。因此，本次因子提 取的总体效果比较理想。 表4 因子分析的变量共同度（二） 表5 中，第一列是因子编号，以后三列组成一组，每组中数据项为特征 值、方差贡献率、累计方差贡献率。第一组数据项（2-4 列）描述因子分析初 始解的情况。在初始解中由于提取了7 个因子，因此原有变量的总方差均被解 释，累计方差贡献率为100%。 第二组（5-7 列）描述了因子解的情况。由于指定提取2 个因子，2 个因子 共解释原有变量宗法差的84%，总体上丢失原有信息量较少，因子分析效果理 想。 第三组（8-10 列）描述了最终因子解的情况。因子旋转后，总的累计方差 贡献率没有发生改变，也就是没有影响原有变量的共同度，但却重新分配了各 个因子的解释原有变量的方差，改变了各因子方差贡献，使得因子更易被解 释。 表5 因子解释原有变量总方差的情况 图1 中，横坐标为因子数目，纵坐标为特征值。可以看出，第1 个因子特 征值很高，对解释原有变量的贡献最大，第3 个以后的因子特征值都较小，对 解释原有变量的贡献很小。因此提取两个因子是合适的。 图1 因子的碎石图 表6 显示了因子载荷矩阵，是因子分析的核心内容。根据表6 可以写出因 子分析模型： 港澳台经济单位=0.955f1-0.095f2 集体经济单位=0.923f1+0.057f2 外商投资经济单位=0.911f1-0.159f2 股份制经济单位=0.886f1+0.176f2 国有经济单位=0.872f1+0.086f2 联营经济单位=0.774f1+0.462f2 其他经济单位=0.770f1-0.527f2 由表6 知，7 个变量在第1 个因子上的载荷都很高，意味着它们与第1 个 因子的相关度较高，第1 个因子很重要。第2 个因子与原有变量相关性较小， 它对原有变量解释力较弱。另外可看出，这两个因子实际意义较模糊。 表6 因子载荷矩阵 （3）因子的命名解释 采用方差极大法对因子载荷矩阵实行正交旋转以使因子具有命名解释性。 制定按第一因子载荷降序的顺序输出旋转后的因子载荷，并绘制旋转后的因子