SPSS课程_因子分析.pptVIP

* * 因子1在V1（预防蛀牙）、V3（保护牙龈）、V5（预防坏牙）上的载荷较大，可解释为“护牙因子”。 因子2在V2（牙齿亮泽）、V4（口气清新）、V6（富有魅力）上的载荷较大，可解释为“美牙因子”。 * * Eigenvalue Difference Proportion Cumulative 3 2 0.6498 0.6498 1 0 0.2429 0.8927 0 0 0.0503 0.9431 0 0 0.0368 0.9799 0 0.0201 ? 1.0000 特征根与各因子的贡献 * ? Factor1 Factor2 x1 -0.76062 0.55316 x2 0.56898 -0.76662 x3 0.89184 0.25374 x4 0.87066 0.34618 x5 0.89076 0.36962 没有旋转的因子结构 * 在这个例子中我们得到了两个因子，第一个因子是社会经济 发展水平因子，第二个是计划生育因子。有了因子得分值后，则 可以利用因子得分为变量，进行其他的统计分析。 ? Factor1 Factor2 x1 -0.35310 -0.87170 x2 0.07757 0.95154 x3 0.89114 0.25621 x4 0.92204 0.16655 x5 0.95149 0.15728 ? Factor1 Factor2 x1 -0.05897 -0.49252 x2 -0.05805 0.58056 x3 0.33042 0.03497 x4 0.35108 -0.02506 x5 0.36366 -0.03493 方差最大旋转后的因子结构 标准化得分函数 * § 6 因子分析的步骤 1. 选择分析的变量 用定性分析和定量分析的方法选择变量，因子分析的前提条件是观测变量间有较强的相关性。如果变量之间无相关性或相关性较小的话，它们不会有公共因子。 * 因子分析的前提条件 计算相关系数矩阵 计算反映像相关矩阵（Anti-image correlation matrix） 巴特利特球度检验（Bartlett test of sphericity） KMO（Kaiser-Meyer-Olkin）检验 * 反映象相关矩阵（Anti-image correlation matrix） 观察反映象相关矩阵，如果反映象相关矩阵中除主对角元素外，其他大多数元素的绝对值均较小，对角线上元素的值较接近1，则说明这些变量的相关性较强，适合进行因子分析。 * 巴特利特球度检验（Bartlett test of sphericity） H0:相关系数矩阵是一个单位阵 如果概率p值小于用户指定的显著性水平，拒绝原假设，适合作因子分析。 反之，接受原假设，不适合作因子分析。 * KMO（Kaiser-Meyer-Olkin）检验 Kaiser给出了常用的KMO度量标准：0.9以上表示非常适合；0.8~0.9表示适合；0.7~0.8表示一般；0.6~0.7表示不太适合；0.5以下表示极不适合。 * 2. 将原始变量数据标准化 3. 求解标准化变量的相关系数矩阵 4. 求解相关系数矩阵R的特征根、特征向量和贡献率 * 5.提取公共因子 这一步要确定因子求解的方法和因子的个数。需要根据研究者的设计方案或有关的经验或知识事先确定。因子个数的确定可以根据因子方差的大小,只取方差大于1(或特征值大于1)的那些因子，因为方差小于1的因子其贡献可能很小。或者按照因子方差累积贡献率大于80％的原则。 * 6.因子旋转 通过坐标变换使每个原始变量在尽可能少的因子之间有密切的关系，这样因子解的实际意义更容易解释,并为每个潜在因子赋予有实际意义的名字。 * 7.计算因子得分 有了因子得分值，则可以在许多分析中使用这些因子，例如进行多指标综合评价、以因子的得分做聚类分析的变量、做回归分析中的解释变量。 * 多指标综合评价 * 因子分析具有一定程度的主观性，在许多出版的资料中，因子分析模型都用少数因子提供了合理解释。实际上，绝大多数因子分析并没有产生如此明确的结果。不幸的是，评价因子分析质量的法则尚未很好量化，质量问题只好依赖一个 “哇！”准则