SPSS因子分析的基本概念和步骤.docx
《SPSS因子分析的基本概念和步骤.docx》由会员分享，可在线阅读，更多相关《SPSS因子分析的基本概念和步骤.docx（18页珍藏版）》请在冰豆网上搜索。
SPSS因子分析的基本概念和步骤
SPSS因子分析的基本概念和步骤
因子分析的基本概念和步骤
四、因素分析的操作说明
Statistics/DataReduction/Factor…
（统计分析/数据缩减/因子…）
出现“FactorAnalysis”（因子分析）对话框，将左边框中鉴别度达显著性的a1～a22选如右边“Variables”（变量）下的空框中。
其中五个按钮内的图标意义如下：
òDescriptives（描述性统计量）按钮，会出现“FactorAnalysis:
Descriptives”（因子分析：
描述性统计量）对话窗口
1．“Statistics”（统计量）选项框
（1）“☐Univariatedescriptives”（单变量描述性统计量）：
显示每一题项的平均数、标准差。
（2）“☐Initialsolution”（未转轴之统计量）：
显示因素分析未转轴前之共同性（communality）、特征值（eigenvalues）、变异数百分比及累积百分比。
2．“CorrelationMatric”（相关矩阵）选项框
（1）“☐Coefficients”（系数）：
显示题项的相关矩阵；
（2）“☐Significancelevels”（显著水准）：
求出前述矩阵的显著水准；
（3）“☐Determinant”（行列式）：
求出前述相关矩阵的行列式值；
（4）“☐KMOandBartlett’stestofsphericity”（KMO与Bartlett的球形检定）：
显示KMO抽样适当性参数与Bartlett的球形检定；
（5）“☐Inverse”（倒数模式）：
求出相关矩阵的反矩阵；
（6）“☐Reproduced”（重制的）：
显示重制相关矩阵，上三角形矩阵代表残差值；而主对角线及下三角形代表相关系数；
（7）“☐Anti-image”（反映象）：
求出反映象的共变量及相关矩阵；
在“FactorAnalysis:
Descriptives”对话窗口中，选取“☐Initialsolution”、“☐KMOandBartlett’stestofsphericity”二项。
òExtraction…（萃取…）按钮，会出现“FactorAnalysis:
Extraction”（因子分析：
萃取）对话窗口
1．“Method”（方法）选项框：
下拉式选项内有7种选取因素的方法
（1）“Principalcomponents”法：
主成份分析法抽取因素，此为SPSS内定方法；
（2）“Unweightedleastsquares”法：
未加权最小平方法；
（3）“Ggeneralizedleastsquare”法：
一般化最小平方法；
（4）“Mmximumlikelihood”法：
最大概似法；
（5）“Principal-axisfactoring”法：
主轴法；
（6）“Alphafactoring”法：
因素抽取法；
（7）“Imagefactoring”法：
映象因素抽取法；
2．“Analyze”（分析）选项方框
（1）“☉Correlationmatrix”（相关矩阵）：
以相关矩阵来抽取因素；
（2）“Covariancematrix”（共变异系数矩阵）：
以共变量矩阵来抽取因素。
3．“Display”（显示）选项方框
（1）“☐Unrotatedfactorsolution”（未旋转因子解）：
显示未转轴时因素负荷量、特征值及共同性；
（2）“☐Screetplot”（陡坡图）：
显示陡坡图
4．“Extract”（萃取）选项方框
（1）“☉Eigenvalueover:
”（特征值）：
后面的空格内定为1，表示因素抽取时，只抽取特征值大于1者，使用者可随意输入0至变量总数之间的值；
（2）“Numberoffactors”（因子个数）：
选取此项时，后面的空格内输入限定之因素个数。
在“FactorAnalysis:
Extraction”对话窗口中，抽取因素方法选择“Principalcomponents”，选取“☉Correlationmatrix”、并勾选“☐Unrotatedfactorsolution”、☐Screetplot”等项，在抽取因素时限定在特征值大于1者，在“☉Eigenvalueover:
”后面的空格内输入1。
òRotation…（萃取…）按钮，会出现“FactorAnalysis:
Rotation”（因子分析：
旋转）对话窗口
1．“Method”（方法）选项框内有6中因素转轴方法
（1）“None”：
不需要转轴；
（2）“☉Varimax”：
最大变异法，属正交转轴法之一；
（3）“Quarimax”：
四次方最大值法，属正交转轴法之一；
（4）“Equamax”：
相等最大值法，属正交转轴法之一；
（5）“DirectOblimin”：
直接斜交转轴法，属斜交转轴法之一；
（6）“Promax”：
Promax转轴法，属斜交转轴法之一。
2．“Display”（显示）选项框：
（1）“☐Rotatedsolution”（转轴后的解）：
显示转轴后的相关信息，正交转轴显示因素组型（pattern）矩阵及因素转换矩阵；斜交转轴则显示因素组型、因素结构矩阵与因素相关矩阵。
（2）“☐Loadingplot”（因子负荷量）：
绘出因素的散布图。
3．“MaximumIterationsforConvergence”：
转轴时执行的叠代（iterations）最多次数，后面内定的数字25（算法执行转轴时，执行步骤的次数上限）。
在“FactorAnalysis:
Rotation”对话窗中，选取“☉Varimax”、“☐Rotatedsolution”等项。
研究者要勾选“☐Rotatedsolution”选项，才能显示转轴后的相关信息。
òScore…（分数）按钮
1．“☐Saveasvariable”（因素存储变量）框
勾选时可将新建立的因素分数存储至数据文件中，并产生新的变量名称（内定为fact_1、fact_2等）。
在“Method”框中表示计算因素分数的方法有三种：
（1）“Regression”：
使用回归法；
（2）“Bartlett”：
使用Bartlette法；
（3）“Anderson-Robin”：
使用Anderson-Robin法；
2．“☐Displayfactorscorecoefficientmatrix”（显示因素分数系数矩阵）选项勾选时可显示因素分数系数矩阵。
òOptions…（选项）按钮，会出现“FactorAnalysis:
Options”（因子分析：
选项）对话窗口
1．“MissingValues（遗漏值）框选项：
遗漏值的处理方式。
（1）“Excludecaseslistwise”（完全排除遗漏值）：
观察值在所有变量中没有遗漏者才加以分析；
（2）“Excludecasespairwise”（成对方式排除）：
在成对相关分析中出现遗漏值的观察值舍弃；
（3）“Replacewithmean”（用平均数置换）：
以变量平均值取代遗漏值。
2．“CoefficientDisplayFormat（系数显示格式）框选项：
因素负荷量出现的格式。
（1）“☐Sortedbysize”（依据因素负荷量排序）：
根据每一因素层面之因素负荷量的大小排序；
（2）“☐Suppressabsolutevalueslessthan”（绝对值舍弃之下限）：
因素负荷量小于后面数字者不被显示，内定的值为0.1。
在“FactorAnalysis:
Options”对话窗口中，勾选“Excludecaseslistwise”、“☐Sortedbysize”等项，并勾选“☐Suppressabsolutevalueslessthan”选项，正式的论文研究中应呈现题项完整的因素负荷量较为适宜。
按Continue按钮，再按OK确定。
五、因素分析的结果解释
1．报表1——KMO测度和Bartlett球形检验表
KMOandBartlett'sTest
Kaiser-Meyer-OlkinMeasureofSamplingAdequacy.
.857
Bartlett'sTestofSphericity
Approx.Chi-Square
1187.740
df
231
Sig.
.000
KMO是Kaiser-Meyer-Olkin的取样适当性量数。
KMO测度的值越高（接近1.0时），表明变量间的共同因子越多，研究数据适合用因子分析。
通常按以下标准解释该指标值的大小：
KMO值达到0.9以上为非常好，0.8～0.9为好，0.7～0.8为一般，0.6～0.7为差，0.5～0.6为很差。
如果KMO测度的值低于0.5时，表明样本偏小，需要扩大样本，此处的KMO值为0.857，表示适合进行因素分析。
Bartlett球体检验的目的是检验相关矩阵是否是单位矩阵（identitymatrix），如果是单位矩阵，则认为因子模型不合适。
Bartlett球体检验的虚无假设为相关矩阵是单位阵，如果不能拒绝该假设的话，就表明数据不适合用于因子分析。
一般说来，显著水平值越小（<0.05）表明原始变量之间越可能存在有意义的关系，如果显著性水平很大（如0.10以上）可能表明数据不适宜于因子分析。
本例中，Bartlett球形检验的值为1187.740（自由度为231），伴随概率值为0.000<0.01，达到了显著性水平，说明拒绝零假设而接受备择假设，即相关矩阵不是单位矩阵，代表母群体的相关矩阵间有共同因素存在，适合进行因素分析。
2．报表2——共同因子方差（共同性）表
Communalities
Initial
Extraction
a1
1.000
.719
a2
1.000
.656
a3
1.000
.734
a4
1.000
.675
a5
1.000
.612
a6
1.000
.755
a7
1.000
.631
a8
1.000
.572
a9
1.000
.706
a10
1.000
.784
a11
1.000
.756
a12
1.000
.774
a13
1.000
.564
a14
1.000
.706
a15
1.000
.662
a16
1.000
.500
a17
1.000
.748
a18
1.000
.554
a19
1.000
.502
a20
1.000
.767
a21
1.000
.654
a22
1.000
.471
ExtractionMethod:
PrincipalComponentAnalysis.
上表报告的是共同因子方差，即表明每个变量被解释的方差量。
初始共同因子方差（InitialCommunalities）是每个变量被所有成份或因子解释的方差估计量。
对于主成份分析法来说，它总是等于1，因为有多少个原始变量就有多少个成份（Communalitie），因此共同性会等于1。
抽取共同因子方差是指因子解中每个变量被因子或成份解释的方差估计量。
这些共同因子方差是用来预测因子的变量的多重相关的平方。
数值小就说明该变量不适合作因子，可在分析中将其排除。
3．报表3.1——旋转前总的解释方差
TotalVarianceExplained
Component
InitialEigenvalues
Extraction
升级会员 