多元统计的分析 因子的分析(的方法+步骤+的分析 总结).docVIP

因子分析+聚类分析： 一． 对数据进行因子分析， 实验步骤： 1在SPSS窗口中选择：分析-降维-因子分析，在因子分析主界面将变量X1 移入变量框 2点击“描述”，在对话框中，统计量选择：原始分析结果，相关矩阵选择：系数，以描述相关系数，点击继续 3点击“抽取”，在对话框中，方法为主成份，分析选择：相关性矩阵，输出选择：未旋转的因子解和碎石图，抽取中选择基于特征值（特征值大于1）或者因子的固定数量（要提取的因子为2），点击继续 4点击“旋转”，在对话框中，方法为最大方差法，在输出中选择旋转解和载荷图（当因子数=2时），点击继续 5点击“得分”，在对话框中，选中“保存为变量”和“显示因子得分系数矩阵”，在方法中选择“回归”，点击继续 6点击确定 实验结果分析： 特征根和累计贡献率 解释的总方差 成份 初始特征值 提取平方和载入 旋转平方和载入 合计 方差的 % 累积 % 合计 方差的 % 累积 % 合计 方差的 % 累积 % 1 2.731 45.520 45.520 2.731 45.520 45.520 2.688 44.802 44.802 2 2.218 36.969 82.488 2.218 36.969 82.488 2.261 37.687 82.488 3 .442 7.360 89.848 4 .341 5.688 95.536 5 .183 3.044 98.580 6 .085 1.420 100.000 提取方法：主成份分析。 由表中可以看出，因为成份1和2的特征值1，被提取出来，而且由于第三个特征根相比下降比较快，我们也只选取两个公共因子，对1和2旋转后其累计贡献率为82.488%。 （缩小版碎石图） 由碎石图，我们也可以看出1和2的特征值大于1，可以被提取出来，其余变量特征值过小，不予提取。 成份矩阵a 成份 1 2 v1 .928 .253 v2 -.301 .795 v3 .936 .131 v4 -.342 .789 v5 -.869 -.351 v6 -.177 .871 由旋转前的成分矩阵可以写出每个原始变量关于各个成份的表达式。 旋转成份矩阵a 成份 1 2 v1 .962 -.027 v2 -.057 .848 v3 .934 -.146 v4 -.098 .854 v5 -.933 -.084 v6 .083 .885 从旋转成份矩阵可以看出，经过旋转的载荷系数产生了明显的区别，横向找到最大的一个数，如上表中黄色部分画出，第一个公因子在v1,v3,v5上占有较大载荷，说明于这三个指标有较大的相关性，命名为；第二个公因子 在v2,v4,v6上有较大载荷，有较大相关性，归为一类，可命名为。 成份转换矩阵 成份 1 2 1 .957 -.290 2 .290 .957 该表为成分转换矩阵，给出旋转所需的矩阵 成份得分系数矩阵 成份 1 2 v1 .358 .011 v2 -.001 .375 v3 .345 -.043 v4 -.017 .377 v5 -.350 -.059 v6 .052 .395 可以用成份得分系数矩阵写出各个因子关于中心标准化后的变量的表达式。 F1=0.385x1-0.001x2+….. F2=….. (分析的举例：第一个因子在 外貌 自信心 洞察力 推销能力 工作魄力 志向抱负 理解能力 潜能 等变量上有较大的系数，可以抽象为应聘者主客观工作能力因子 第二个因子在 简历格式 工作经验 适应力变量上有较大的系数，可抽象为应聘者对客观环境的适应力因子 第三个因子在兴趣爱好 诚信度 求职渴望度变量上有较大的系数，可抽象为应聘者的兴趣和诚信因子。 第四个因子在研究能力变量上系数较大，可抽象为应聘者的学习能力因子。 ） 进行聚类分析 实验步骤：(同之前聚类分析相同的步骤) 在SPSS中选择分析-分类-系统聚类，在主界面中，将fac1-1,fac1-2导入变量框中，分群中选择个案，输出框中选择统计量和图 点击“统计量”，选择“合并进程表”，在聚类成员框中选择单一方案，聚类数输入4，点击继续 点击“绘制”，选择“树状图”，在冰柱及方向框中为默认值，点击继续 点击“方法”，聚类方法选择“组间联接”，区间选择Euclidean距离，标准化中选择Z得分，点击继续 点击“保存”，选择单一方案，聚类数设置为4 点击“确定”，在数据视图中可以看到增加了一列“CLU4-1” 在图形下拉菜单中选择“图表构建程序”，点击散点图，在右边4*2的样式选择框中选择第二个，将fac1-1拖入x轴。fac1-