因子分析因素分析详解.pptVIP

案例 1 （6）设置因素分析的选项：单击图1-1对话框中的“Options…”按钮，弹出“Factor Analyze:Options”（因素分析：选项）对话框。 ①“Missing Values”（缺失值）选项框：缺失值的处理方式。 A “Exclude cases listwise”（完全排除缺失值）：观察值在所有变量中没有缺失值后才加以分析。B “Exclude cases pairwise”（成对排除观察值）：在成对相关分析中出现缺失值的观察值舍弃。 C “Replace with mean”（用平均数置换）：以变量平均值取代缺失值。 ②“Coefficient Display Format”（系数显示格式）选项框：因素负荷量出现的格式。 A “Sorted by size”（依据因素负荷量排序）：根据每一因素层面的因素负荷量的大小排序。 B “Suppress absolute values less than”（绝对值舍弃的下限）：因素负荷量小于后面数字者不被显示，默认的值为0.1。 图1-6 Factor Analyze：Options对话框 操作过程 完全排除缺失值 用平均数置换 依据因素负荷量排序 绝对值舍弃的下限 成对排除观察值 SPSS正在吭哧吭哧地为我们计算结果，请大家耐心等待哦！ 案例 1 （7）设置完所有的选项后，单击“OK”按钮，输出结果。 经过千辛万苦的努力，我们终于可以看到结果数据了，大家有没有很兴奋呢？ 案例 1 结果分析 （1）相关系数矩阵及其检验结果 相关矩阵 表1-7 相关系数矩阵及其检验结果 表1-7是原有变量的相关系数矩阵及其检验。可以看到，大部分的相关系数都较高，各变量呈较强的线性关系，能够从中提取公共因子，初步判定适合进行因素分析。 结果分析 案例 1 KMO是Kaiser-Meyer-Olkin的取样适当性量数，用于比较变量间简单相关和偏相关系数。 KMO的取值范围在0-1之间。当KMO值越大时，表示变量间的共同因素越多，越适合进行因素分析。 Kaiser（1974）给出一个KMO的选取适合做因子分析的标准： KMO0.9 非常适合 0.8KMO0.9 适合 0.7KMO0.8 一般 0.6KMO0.7 不太适合 0.5KMO0.6不适合 KMO0.5 非常不适合 进行因素分析的普通准则至少要在0.6以上 此处的KMO值为0.762，表示适合因素分析。 KMO取样适切性量数 Bartlett球形检验 近似卡方分布 自由度 显著性 Bartlett’s球形检验是以变量的相关系数矩阵为出发点，零假设相关矩阵是一个单位阵。（即sig.值小于0.05时，适合做因子分析。） 此题中，Bartlett’s球形检验的?2值为131.281，自由度为36，sig.值为0.000，达到显著，适合进行因素分析。 表1-8 KMO及Bartlett检验结果 （2） KMO及Bartlett检验结果 具体标准 结果分析 案例 1 （3） 共同性 表1-9 因素间共同性结果 共同性 初始 萃取 萃取法：主成分分析法 表1-3为每个变量的初始共同性以及主成分分析法抽取主成分后的共同性。 共同性越低，表示该变量不适合投入主成分分析中；共同性越高，表示该变量与其他变量可测量的共同特质越多，即该变量越有影响力。 采用主成分分析法抽取共同因素时，初步的共同性估计值均为1。 此题中，所有变量的共同性均较高，各个变量信息丢失较少。因此本次因子提取的总体效果较理想。 我们所选的3个主成分反映了x1（在校生数）的信息程度。 X1的共同度 结果分析 案例 1 （4）解释总变异量 表1-10 解释总变异量 表1-10分三大部分， ①初始特征值（初步抽取共同因素的结果）。Total（总和）直列的数字为每一因子的特征值，特征值越大表示因子在解释9个变量的变异量时越重要；第二直列“% of Variance”（方差的%）为每一个抽取因素可解释变量的百分比；第三直列“Cumulative%”（累计%）为解释变量的变异量的累计百分比。 ②平方和负荷量萃取（转轴前的特征值、解释变异量和累计解释变异量）将左边9个成份中抽取3个特征值最大的列于右边。 ③转轴平方和负荷量（转轴后的特征值、解释变异量及累计解释变异量）。 解释总变异量 初始特征值 平方和负荷量萃取 转轴平方和负荷量 累计% 方差的% 总和 成分 萃取法：主成分分析法 ② ③ ① 第一个因子的特征值为4