主成分因子解析总结报告步骤.docxVIP

主成分、因子分析总结报告步骤 主成分、因子分析总结报告步骤 主成分、因子分析总结报告步骤 适用文案 主成分分析、因子分析步骤 不一样点主成分分析看法拥有相关关系的p个变量，经过线性组合后成为k个不相关的新变量  因子分析将原数据中多个可能相关的变量综合成少量几个不相关的可反响原始变量的绝大多数信息的综合变量 主要 减少变量个数，以较少的主成分 找寻变量间的内部相关性及潜伏的共同要素， 目标 来解说原有变量间的大多数变 合适做数据结构检测 异，合适于数据简化 重申 重申的是解说数据变异的能力 ， 重申的是变量之间的相关性，以协方差为导向， 要点 以方差为导向，使方差达到最大 关怀每个变量与其余变量共共享有部分的大小 最后结 形成一个或数个总指标变量 反响变量间潜伏或观察不到的要素 果应用 变异解 它将全部的变量的变异都考虑 只考虑每一题与其余题目共共享有的变异，因 释程度 在内，因此没有偏差项 而有偏差项，叫独到要素 能否需 主成分分析作综合指标用， 因子分析需要经过旋转才能对因子作命名与解 要旋转 不需要旋转 释 能否有 不过对数据作变换，故不需要假 因子分析对资料要求需吻合好多假设，假如假 假设 设 设条件不符，则因子分析的结果将遇到怀疑 因子分析【分析】→【降维】→【因子分析】 （1）描述性统计量（Descriptives）对话框设置KMO和Bartlett的球形度检验（检验多变量正态性和原始变量能否合适作因子分析）。 标准文档 适用文案2）因子抽取（Extraction）对话框设置方法：默认主成分法。主成分分析必定要选主成分法分析：主成分分析：相关性矩阵。输出：为旋转的因子图抽取：默认选1.最大收敛性迭代次数：默认25. 3）因子旋转（Rotation）对话框设置因子旋转的方法，常选择“最大方差法”。“输出”框中的“旋转解”。 标准文档 适用文案（4）因子得分（Scores）对话框设置“保存为变量”，则可将新建立的因子得分储蓄至数据文件中，并产生新的变量名称。（5）选项（Options）对话框设置结果分析（1）KMO及Bartlett’s检验 KMO和Bartlett 的检验 取样足够度的Kaiser-Meyer-Olkin 胸襟。 .515 Bartlett的球形度检验近似卡方 3.784 df 6 Sig. .706 当KMO值愈大时，表示变量间的共同因子愈多， 愈合适作因子分析 。依据Kaiser的观 标准文档 适用文案点，当KMO＞0.9（很棒）、KMO＞0.8（很好）、KMO＞0.7（中等）、KMO＞0.6（一般）、KMO＞0.5（粗劣）、KMO＜0.5（不可以接受）。（2）公因子方差 公因子方差 初步 撷取 卫生 1.000 .855 饭量 1.000 .846 等候时间 1.000 .819 滋味 1.000 .919 平和 1.000 .608 撷取方法：主体元件分析。 Communalities （称共同度）表示公因子对各个变量能说明的程度，每个变量的 初始公因子 方差都为1，共同度越大，公因子对该变量说明的程度越大，也就是该变量对公因子的依赖 程度越大。共同度低说明在因子中的重要度低 。一般的基准是0.4 就可以以为是比较低， 这时变量在分析中去掉比较好 。 （3）解说的总方差 说明的变异数总计 各因子的特色值 因子贡献率 因子积累贡献率 元件 总计 变异的% 累加% 总计 变异的% 累加% 总计 变异的% 累加% 1 2.451 49.024 49.024 2.451 49.024 49.024 2.042 40.843 40.843 2 1.595 31.899 80.923 1.595 31.899 80.923 2.004 40.079 80.923 3 .662 13.246 94.168 4 .191 3.823 97.992 5 .100 2.008 100.000 撷取方法：主体元件分析。 第二列：各因子的统计值 第三列：各因子特色值与全体特色值总和之比的百分比。也称因子贡献率。 第四列：积累百分比也称因子积累贡献率 第二列统计的值是各因子的特色值，即各因子能解说的方差，一般的， 特色值在1 以上就 是重要的因子；第三列%是各因子的特色值与全部因子的特色值总和的比，也称 因子贡献 率；第四列是因子累计贡献率。 如因子1的特色值为2.451，因子2的特色值为 1.595，因子3,4,5 的特色值在 1以下。因 子1的贡献率为 49.0%，因子2的贡献率为 31.899%，这两个因子贡献率积累达 80.9%，即 这两个因子可解说原有变量 80.9%的信息，因此因子取二维比较明显 。 标准文档 适用文案 至此已经将5个问项降维到两个因子，在数据文件中可以看到增添了2个变量，fac1_1、f