因子分析实验报告.docVIP

青海大学财经学院 实 验 报 告 实验项目名称 因子分析 所属课程名称 统计分析软件 实 验 类 型 验证性实验 实 验 日 期 2014年5月23日 班 级 11国贸 学 号 姓 名 成 绩 【实验目的及要求】 1.通过实验验证性研究SPSS数据的因子分析，熟练掌握SPPS软件的应用。学会SPSS数据因子分析的相关步骤、方法。 2.根据数据文件“购房调查指数”完成以下要求： （1）.熟悉因子分析的用途、目的。 （2.）掌握因子分析的适用条件，能正确选择适当的因子。 （3）.熟悉因子旋转的含义并能正确使用。 （4.）掌握分析结果的解释。 【实验原理】 统计分析软件的因子分析。 【实验环境】（使用的软件） 统计分析软件18.0 实验内容： 【实验过程】（实验步骤、记录、数据、分析） 2.（1）选择【分析】中的【降维】，打开【因子分析】，如下图所示，将选项一一添加到变量中。 2.（2）在（1）图界面中选择【描述统计】，勾选相应分析项如下。并继续： 2.（3）在（1）图界面中，选择【抽取】，勾选相应分析项如下，并继续 2.（4）在（1）图界面中，选择【旋转】，勾选相应分析项如下，并继续： （5）在（1）图界面中，选择【得分】，勾选相应分析项如下，并继续 （6）在（1）图界面中，选择【选项】，勾选相应分析项如下，并继续 【结论】（结果） 2.（1） 如上图表（1）为原有变量的相关系数矩阵。可以看到，大部分相关系数都较高，各变量呈较强的线性关系，能够从中提取公因子，适合进行因子分析。 2.（2） 由表（2）可知，巴特利特球度检验统计量的观测值为596.158，相应的概率P值接近0.如果显著性顺平α为0.05，由于概率P值小于显著性水平α，应拒绝零假设，认为相关系数矩阵与单位阵有显著差异。同时，KMO值为0.609，根据kaiser给出的KMO度量标准可知，原有变量适合进行因子分析。 2.（3） 表（3）是因子分析的初始解，显示了所有变量的共同数据。第一列是因子分析初始解下的变量共同度，它表明，对原有8各变量如果采用主成分分析方法提取所有特征值（8个），那么原有变量的6个方差可被解释，变量的共同度均为1.。第二列是在按指定提取条件提取特征值时的变量共同度，可以看出上述变量信息丢失都较为严重，因此本次因子提取的总体效果并不理想。 2.（4） 由表（4）可知，第一列是因子编号，以后三列组成一组，每组中数据项的含义依次是特征值、方差贡献率、累积方差贡献率。 第一组数据项（第二列至第四列）描述了初始因子了解的情况，可以看到第一个因子的特征值为1.905，解释原有8个变量总方差的31.752%（1.905÷8×100%），累积方差贡献率为31.752%，其余数据含义类似。在初始解中由于提取了8个因子， 因此原有变量的总方差均被解释掉。 第二组数据项（第五列至第七列）描述了因子了解的情况。可以看到，由于指定提取两个因子，两个因子共解释了原有变量总方差的53.531%，总体上，原有变量的信息丢失还比较少，因子分析效果还算比较理想。 第三组数据项（第八列至第十列）描述了最终因子了解的情况。可见因子旋转后，累积方差贡献率没有改变，也就是没有影响原有变量的共同度，但却重新分配了各个因子解释变量的方差，改变了各因子的方差贡献，使得因子更易于解释。 2.（5） 在表（5）中横坐标为因子数目，纵坐标为特征值。可以看到：第一个因子的特征值很高，对解释原有变量的贡献最大；第3个以后的因子特征值都较小，对解释原有变量的贡献很小，已经成为可被忽略的“高山脚下的碎石”，因此提取两个因子是合适的。 （6） 由表（6）可知，前2个变量在第一个因子上的载荷都很高，意味着他们与第一个因子的相关程度高，第一个因子很重要，而后4个变量在第二个因子上载荷较高，其与第二个因子相关程度高，但对原有变量的解释其实并不是太显著。另外可以看到，这两个因子的实际含义比较模糊 2.（7） （7）.1 （7）.2 （7）.3 （7）.4 由表（7）.1可知，现住面积、人均面积、住房满意在第1个因子上有