spss进修笔记.docVIP

你的旋转方法有问题，一般是用方差最大化旋转来分析的 说明你的数据不太好，可以考虑斜交 用旋转成份矩阵，里面的数值最好保留0.45以上的，叫因素负荷量。这样你各个维度有多少题就出来了。 用直交旋转的图 直交旋转后因素解释更为显著 在进行主成分分析时，一般取初始因子载荷系数绝对值大于几的变量？(大于0.4) 你肯定是选择了正交或斜交旋转才会产生“旋转成分矩阵”，你可以用主成分分析法来做一下就会发现没有“旋转成分矩阵”了，所以两者是没有关系的，因为“成分矩阵”是主成分分析法得到的，“旋转成分矩阵”是因子分析得到的，（主成分分析和因子分析的关系应该知道吧，理解一下就ok了）。 HYPERLINK /search?word=%D2%F2%D7%D3%B7%D6%CE%F6fr=qb_search_expie=utf8因子分析与HYPERLINK /search?word=%D6%F7%B3%C9%B7%D6%B7%D6%CE%F6fr=qb_search_expie=utf8主成分分析的异同点:都对HYPERLINK /search?word=%D4%AD%CA%BC%CA%FD%BE%DDfr=qb_search_expie=utf8原始数据进行标准化处理; 都消除了原始指标的相关性对综合评价所造成的信息重复的影响; 构造综合评价时所涉及的HYPERLINK /search?word=%C8%A8%CA%FDfr=qb_search_expie=utf8权数具有客观性; 在信息损失不大的前提下，减少了评价工作量公共因子比主成分更容易被解释; HYPERLINK /search?word=%D2%F2%D7%D3%B7%D6%CE%F6fr=qb_search_expie=utf8因子分析的评价结果没有HYPERLINK /search?word=%D6%F7%B3%C9%B7%D6%B7%D6%CE%F6fr=qb_search_expie=utf8主成分分析准确; HYPERLINK /search?word=%D2%F2%D7%D3%B7%D6%CE%F6fr=qb_search_expie=utf8因子分析比HYPERLINK /search?word=%D6%F7%B3%C9%B7%D6%B7%D6%CE%F6fr=qb_search_expie=utf8主成分分析的计算工作量大主成分分析仅仅是变量变换，而因子分析需要构造因子模型。主成分分析:原始变量的HYPERLINK /search?word=%CF%DF%D0%D4%D7%E9%BA%CFfr=qb_search_expie=utf8线性组合表示新的综合变量，即主成分；因子分析：潜在的假想变量和随机影响变量的HYPERLINK /search?word=%CF%DF%D0%D4%D7%E9%BA%CFfr=qb_search_expie=utf8线性组合表示原始变量 因子载荷的意思是左边的和因子的相关系数。因子载荷在“成分矩阵”里分别是0.778、0.453、0.553、0.785，这是左边的那些TB对上面的因子的载荷——因此可以说是因子1=0.778*TB3+0.453*TB4+0.553*TB1+0.785*TB2，（我这么说我像你应该能理解因子2的公式了吧）。 因子载荷在旋转成分矩阵里也是一样的这种纵向的公式。 不知道你的问题解决了么，我回答你的三个问题。第一个：成分矩阵是各个原始变量的主成分表达式的系数；旋转成分矩阵是成分矩阵正交变换（还有其他方法）得到的；成分得分矩阵表示各项指标变量与提取的公因子之间的关系。简单来说通过成分矩阵可以得到原始指标变量的线性组合，如TB3=0.778*F1-0.414*F2,其中F1、F2分别为提取的公因子；通过成分得分矩阵可以得到公因子的线性组合，如F1=0.56*TB30.97*TB4+0.02*TB1+0.57*TB2。第二个问题：因子载荷量也就是成分载荷量，因子矩阵与成分矩阵可以理解为同一个意思。所以因子载荷量就是成分矩阵中的数字。第三个问题：你这四个元素的因子载荷量就是成分矩阵中的数字。这些问题可以归结到一起就是，因子的载荷是什么？怎么看？其实因子载荷就是提取出的公因子的系数。额外给你说一下旋转成分矩阵，这个一般是在分析每个公因子受什么影响时，才会用到。 主成分分析和因子分析十大不同 发表于 2013-06-28 13:22 来源：HYPERLINK /s/blog_8813a3ahtml数据挖掘工人 主成分分析和因子分析无论从算法上还是应用上都有着比较相似之处，本文结合以往资料以及自己的理解总结了以下十大不同之处，适合初学者学习之