使用spss16.0对上述调研数据进行分析,其具体过程如下：.doc

使用spss16.0对上述调研数据进行分析，其具体过程如下： （1）导入数据 启动spss16.0程序，导入数据35data.sav如图1所示： 图1 （2）因素分析 a．选择analyze→data reduction→factor，打开factor analyze对话框，如图 2所示： 图 2 b．将变量a1……等全部导入variables框中，如图 3所示 图 3 C．设置描述性变量： 单击descriptives …按钮，得到对话框如图 4图 5所示： 图 4 图 5 选择statistics对话框下的initial solution，和correlation matrix对话框下的kMO……选项，如图 6所示： 图 6 单击continue，回到factor analyze对话框，如图 2所所示。单击Extraction，并在弹出的对话框中做出如下选择，如图 7所示： 图 7 单击continue，回到factor analyze对话框，如图 2所所示。单击Rotation，并在弹出的对话框中做出选择，如图 8所示 图 8 单击continue，回到factor analyze对话框，如图 2所所示，单击options，并在对话框中作如下选择，入图 9所示： 图 9 单击continue，回到factor analyze对话框，如图 2所所示，单击ok，如图 10所示，运行得到计算结果。 图 10 结果分析： KMO值，Barlelt球型检验: KMO and Bartletts Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .708 Bartletts Test of Sphericity Approx. Chi-Square 1676.822 df 595.000 Sig. .000 KMO值大于0.5，而且约为0.7，根据kaiser的观点，适合使用因素分析法。 从Barlelt球型检验的值为1676.822，自由度为595，达到显著，即母群体相关矩阵有公用因素存在，适合进行因素分析。 共同性 Communalities Initial Extraction a1 1.000 .642 a2 1.000 .688 a3 1.000 .765 a4 1.000 .680 a5 1.000 .631 a6 1.000 .652 a7 1.000 .634 a8 1.000 .714 b9 1.000 .751 b10 1.000 .780 b11 1.000 .681 b12 1.000 .712 b13 1.000 .540 b14 1.000 .622 b15 1.000 .626 c16 1.000 .574 c17 1.000 .647 c18 1.000 .764 c19 1.000 .644 c20 1.000 .732 c21 1.000 .746 c22 1.000 .629 d23 1.000 .761 d24 1.000 .664 d25 1.000 .704 d26 1.000 .692 d27 1.000 .752 d28 1.000 .720 d29 1.000 .737 e30 1.000 .703 e31 1.000 .873 e32 1.000 .848 e33 1.000 .833 e34 1.000 .742 e35 1.000 .837 Extraction Method: Principal Component Analysis. 上表中的含义：第一列是35个原始变量名，第二列是根据因素分析初始解计算出的变量共同度，故共同度都是1。 第三列是根据因子分析最终解计算出的变量共同度。例如：第一行中的0.642表示。之后抽取的因素变量总共解释了原变量a1方差的64.2％。 整体解释的变异数（Total Variance Explained） 其意义是：第一列至第四列描述了因素分析的初始解对原有变量总体的刻画情况。第一列是因子分析的35个初始解的序号；第二列是因子变量的方差贡献（特征值）；第三列是各因素变量的方差贡献率，第四列是 因子变量的累计方差贡献率。第五列至第七列是从初始解中提取了9个公共因子后对原变量总体的刻画情况。各列数据的含义与第二至第四列的含义相同。 第八至十列是旋转后的因子对原变量总体的刻画情况。各列的数据含义同 前。 从图 11亦可看出，因子变量的提取情况，表格中所表示的信息一致。  Total Variance Explained Component Initial Eigenvalues Extra