spss因子分析 spss因子分析教程

　　spss是一款由IBM公司推出的軟件分析軟件，如果我們利用spss軟件進(jìn)行數(shù)據(jù)結(jié)構(gòu)處理的時(shí)候，可以使用因子分析的方法來簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu)，將具有錯(cuò)綜復(fù)雜關(guān)系的變量綜合為數(shù)據(jù)較少的因子，達(dá)到信息損失最少就可以完成對(duì)變量的分類。

　　研究問題時(shí)盡可能多的收集資料，便于對(duì)問題有充分了解，這樣確實(shí)便于全面、精確地描述事物，實(shí)際數(shù)據(jù)建模中，有些變量不一定可以真正發(fā)揮作用，還可能加大計(jì)算工作量，所以要因子分析。對(duì)于高緯變量和海量數(shù)據(jù)是不可忽略的問題。收集到的變量數(shù)據(jù)通常之間存在一定的相關(guān)性，變量間的信息高度重疊和高度相關(guān)給統(tǒng)計(jì)方法帶來困難，例如，在多元線性回歸分析中，若變量之間有較強(qiáng)的相關(guān)性，則會(huì)對(duì)回歸方程參數(shù)估計(jì)帶來困難，致使參數(shù)不準(zhǔn)確，模型不可用。

　　1、因子相關(guān)性的檢驗(yàn)：方法有相關(guān)系數(shù)矩陣、反映像相關(guān)矩陣、巴特利特球度檢驗(yàn)、KMO檢驗(yàn)。

　　2、因子提取和因子載荷矩陣的求解：基于主成分模型的主成分分析法、基于因子分析模型的主軸因子法、極大似然法、最小二乘法、a因子提取法、映像分析法。主成分分析法能夠?yàn)橐蜃臃治鎏峁┏跏冀猓�因子分析是主成分分析結(jié)果的延伸和拓展。

　　3、因子命名、旋轉(zhuǎn)：在因子載荷矩陣中，多行情況，遇到變量與多個(gè)因子有較大的相關(guān)關(guān)系，即變量需要多個(gè)因子共同解釋；多列情況，一個(gè)因子可以同時(shí)解釋多個(gè)變量。說明一個(gè)因子不能單獨(dú)代表原有的一個(gè)變量，因子模糊不清，而實(shí)際情況是對(duì)因子有清醒認(rèn)識(shí)，所以因子旋轉(zhuǎn)。必不可少，盡量使一個(gè)變量在較少的幾個(gè)因子上有比較高的載荷。

　　4、計(jì)算因子得分：因子得分為因子分析的最終體現(xiàn)，計(jì)算各因子在每個(gè)樣本上的具體數(shù)值，即為因子得分，形成的變量稱為因子變量，在接下來的分析中因子變量可代替原有的變量進(jìn)行數(shù)據(jù)建模，對(duì)問題降維或簡(jiǎn)化處理。

　　輸出結(jié)果分析：

　　借助相關(guān)系數(shù)矩陣、反映像相關(guān)矩陣、巴特利特球度檢驗(yàn)和KMO檢驗(yàn)方法分析。觀察大部分相關(guān)系數(shù)都較高，線性關(guān)系較強(qiáng)，可以提取公共因子，適合因子分析。在KMO中，概率為0.000小于顯著性水平，拒絕原假設(shè)，與單位矩陣有顯著差異，KMO為0.882，說明適合因子分析。

　　每組的列向量含義，特征值、方差貢獻(xiàn)率、累計(jì)方差貢獻(xiàn)率。第二列表示提取兩個(gè)因子，共同解釋84.259%，丟失的信息較少。第三列表示旋轉(zhuǎn)后的因子，總的方差貢獻(xiàn)率沒有改變，就是說沒有影響原有的共同度，重新分配各個(gè)因子解釋原有變量的方差，改變各個(gè)因子的方差貢獻(xiàn)率。

　　碎石圖：縱坐標(biāo)為特征值，橫坐標(biāo)為因子個(gè)數(shù)。特征值越小則對(duì)原有變量的貢獻(xiàn)很小，可以忽略，所以提取兩個(gè)也算是可以的。

　　成分矩陣：結(jié)果是某個(gè)變量等于兩個(gè)因子與對(duì)應(yīng)系數(shù)相乘后相加的結(jié)果。觀察可知，第一個(gè)因子與所有變量的相關(guān)性程度高，與第二個(gè)不高，含義模糊，不利于命名，所以因子要旋轉(zhuǎn)。

　　因子命名解釋：采用方差極大法對(duì)因子載荷矩陣實(shí)行正交旋轉(zhuǎn)以使因子具有命名解釋性�？梢灾付ò凑盏谝灰蜃虞d荷降序的順序輸出旋轉(zhuǎn)后的因子載荷。見圖，聯(lián)營、股份、集體、國有在第一因子有較高載荷，可解釋為內(nèi)部投資經(jīng)濟(jì)單位，其他、外商、港澳在第二個(gè)的載荷高，解釋為外來投資經(jīng)濟(jì)單位。觀察因子協(xié)方差矩陣，兩個(gè)因子的線性相關(guān)性幾乎沒有，符合因子分析的效果。

　　以上便是利用spss進(jìn)行因子分析的過程，如果你看過本篇教程后還有不明白的地方，歡迎在下面留言區(qū)留言。