SPSS教程05(带图)_因子分析_chenxy.doc

简单教程 05 相关配套数据 已经 上传百度文库： 配套软件 SPSS 17.0 已经上传百度文库； 百度文库搜索“SPSS简单教程配套数据及软件_chenxy” 百度云盘链接； 6. 因子分析 2 6.1 因子分析—理论基础 2 6.2 因子分析—步骤 4 6.3 因子分析—实际操作步骤 6 6.4 因子分析—输出结果 9  因子分析 6.1 因子分析—理论基础 因子分析的特点 因子变量的数量远少于原有的指标变量的数量，对因子变量的分析能够减少分析中的计算工作量。 因子变量不是对原有变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 因子变量之间不存在线性相关关系，对变量的分析比较方便。 因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 （ 原始变量 具有高度相关关系 的组合在一起 重新起一个名字 ） 因子分析和主成分分析的区别（简述） 原理不同 .线性表示方向不同 假设条件不同 求解方法不同 主成分和因子的变化不同 因子数量与主成分的数量 解释重点不同 算法上的不同 优点不同 应用场景不同 因子分析 — 目标 根据因子分析结果构建数学模型 把因子变量包含的原有信息 读出来 因子得分的数学模型得出来 因子载荷： 因子之间关系的系数（相关程度）： 在各个因子变量不相关情况下，因子载荷 就是第 i 个原有变量和第 j 个因子变量的相关系数，即 在第 j 个公共因子变量上的相对重要性。 因此，绝对值越大，则公共因子和原有变量关系越强。 特殊因子： 原始变量不能被因子变量解释的那一部分相当于多元回归分析中的残差部分。 变量共同度 ： 也称公共方差，反映全部公共因子变量对原有变量的总方差解释说明的比例； 原有变量的共同度是因子载荷矩阵A中第i行元素的平方和，即： 公共因子的方差贡献： 为因子载荷矩阵A中第j列各元素的平方和，即： 公共因子的方差贡献反映了该因子对所有原始变总方差的解释能力，其值越高，说明因子重要程度越高。 6.2 因子分析—步骤 步骤： 1. 是否适合做因子分析 一次性选择 三个 以上的奇数个方法（避免偶数个方法出现的判别矛盾性） 构造因子变量 提取因子变量 旋转 因子变量 命名可解释性 3. 利用旋转使得因子变量更具有可解释性 4. 计算因子变量的得分 5. 计算综合得分 6. 根据综合得分进行排序 1. 确定待分析的原有若干变量是否适合于因子分析 相关系数矩阵法： 如果相关系数矩阵在进行统计检验中，大部分相关系数（超过50%）都小于0.3且未通过统计检验（相关系数异于0的显著性检验：不拒绝H0即p0.05），那么这些变量就不适合进行因子分析。 巴特利球形检验 巴特利特球形检验的统计量是根据相关系数矩阵的行列式得到的。如果该值较大，且其对应的相伴概率值小于用户心中的显著性水平，那么应该拒绝零假设，认为相关系数据不可能是单位阵，也即原始变量之间存在相关性，适合作因子分析；相反，不宜于作因子分析。 反映像相关矩阵检验(不需要用) 如果反映像相关矩阵中有些元素（超过50%的元素）的绝对值比较大，那么说明这些变量不适合作因子分析。 KMO检验法 如果KMO 构造因子变量 选择提取因子方法 只能选其一 根据 特征值1 的方法 累计方差贡献率 （到达以上0.80） 当两种方法提取因子不一样时： 借助 陡坡图 判定 找到 拐点 （ 最佳因子提取数 ） 因子的命名解释 因子载荷矩阵 某一行多个比较大 某个原有变量xi可能同时与几个因子有比较大的相关关系。 某一列多个比较大 说明某个因子变量可能解释多个原变量的信息。 对于同一行数据，当出现因子载荷=0.5原始变量出现在两个因子下时 需对因子载荷矩阵 进行旋转 得到旋转后的因子载荷矩阵 并提取每一列 0.5以上解释程度的原始变量 构建多元线性方程： 4. 计算因子得分 通过因子得分矩阵 纵向数据 构建新的多元线性方程： 计算综合得分 对 提取的因子 通过其方差贡献率（或者累计方差贡献率） 做权数 的得分 算出总得分 （一般大多选择 方差贡献率 做权数） 6.3 因子分析—实际操作步骤 操作步骤 1 ： （ 数据文件见因子分析 ） Analyze - Dimension Reduction - Factor 添加全部 原始变量 指标 点击 Descriptive 按钮 Initial solution：表示输出初始分析结果。输出的是因子提取前分析变量的公因子方差，是一个中间结果。 Co