Spss因子分析介绍.docVIP

Spss因子分析 数据文件：心脏数据（heart.sav）。X1心脏横径，X2心脏纵径，X3心脏宽径，X4胸腔横，X5心脏面积。 目标：找出主成份，对应的因子及命名。 数据间显然存在很强的相关性，也可由下表得出： 2.KMO统计量为0.874，较为接近1，卡方统计量179.633，对应的显著性水平为p=0.0000.001，表示适合做因子分析。可由下表得出： 3.各变量的共同度均较大，大于0.75，表明提取的信息较完整。 4.这可由下表看出。第一个特征根为4.245，方差贡献度为84.909%，接近85%，后面的特征值贡献度越来越小，全部舍去也只损失了15%左右的信息，因此，只提取出一个主成份是较为合适的 5.下图可以更加清晰的显示： 6.找出因子载荷阵，可有下图得到 从而：z心脏横径=0.9299*F1+a1，z心脏纵径=0.955*F1+a2，z心脏宽径=0.871*F1+a3， z胸腔横径=0.879*F1+a4，z心脏面积=0.969*F1+a5 （加z表明为标准化数据） 7.计算因子得分，系数可有下表给出： 从而，对个案1有第一主成份得分= z心脏横径*0.219+z心脏纵径*0.225+z心脏宽径*0.205+ z胸腔横径*0.207+z心脏面积*0.228。这个与系统生成的新变量值相一致： 上面的系数阵由未标准化的数据生成，可以试验，若是用标准化的数据生成，数据完全一样，得分也完全一样。若要手工计算，建议先将数据标准化处理。 8.由于只有一个主成份，无法旋转。 下面强行提取出两个主成份，并进行旋转。 可以看出，若提取出两个因子，信息对变量的解释程度提高了。如下图 只提取一个因子 提取两个因子 10.从旋转的载荷阵中可以看出，原来第一因子与所有的变量都强相关，现在一部分信息转移到了第二因子中，且第二因子与心脏宽径较为相关。 从所谓的因子图中也可看出: X3距离较远，提取因子效果较为显著。 可以看出，虽然提取了两个因子，但似乎并没有什么用处，事实上，一个因子已经足以将信息包含，无需提取两个。所以，要具体问题具体分析，且要注意统计的适用性和实用性。 原假设 obs F统计量 P值 滞后阶数 结果 LNWATER does not Granger Cause LNEX 23 1.09412 0.30804 1 接受 LNEX does not Granger Cause LNWATER 　 7.35878 0.0134 　 　拒绝 LNWATER does not Granger Cause LNEX 22 0.80184 0.46475 2 接受 LNEX does not Granger Cause LNWATER 　 5.8785 0.01147 　 　拒绝 LNWATER does not Granger Cause LNEX 21 2.70888 0.08498 3 接受 LNEX does not Granger Cause LNWATER 　 3.4472 0.04602 　 　拒绝 LNGAS does not Granger Cause LNEX 23 0.1845 0.67213 1 接受 LNEX does not Granger Cause LNGAS 　 5.27078 0.03263 　 　拒绝 LNGAS does not Granger Cause LNEX 22 1.07764 0.36255 2 接受 LNEX does not Granger Cause LNGAS 　 2.13666 0.14867 　 　接受 LNGAS does not Granger Cause LNEX 21 3.58605 0.04121 3 　拒绝 LNEX does not Granger Cause LNGAS 　 1.07979 0.38959 　 　接受 LNWASTES does not Granger Cause LNEX 23 0.2645 0.61268 1 接受 LNEX does not Granger Cause LNWASTES 　 3.73456 0.06759 　 　 拒绝 LNWASTES does not Granger Cause LNEX 22 2.09032 0.15429 2 接受 LNEX does not Granger Cause LNWASTES 　 3.101 0.0711 　 拒绝　 LNWASTES does not Granger Cause LNEX 21 1.43042 0.27585 3 接受 LN