因子分析报告模版文档格式.docx

资源描述

因子分析报告模版文档格式.docx

《因子分析报告模版文档格式.docx》由会员分享，可在线阅读，更多相关《因子分析报告模版文档格式.docx（22页珍藏版）》请在冰豆网上搜索。

因子分析报告模版文档格式.docx

86.576

Sig.

上表为KMO和Bartlett检验表，KMO检验是对变量是否适合做因子分析的检验，根据Kaiser常用度量标准，由于KMO=0.755，说明此时一般适合做因子分析。

Communalities

Initial

Extraction

.812

.876

.670

.886

.897

ExtractionMethod:

PrincipalComponentAnalysis.

上表为公因子方差，给出了该次分析中从每个原始变量中提取的信息，从表中可以看出除了化学外，主成分几乎都包含了其余各个变量至少80%的信息。

TotalVarianceExplained

Component

InitialEigenvalues

ExtractionSumsofSquaredLoadings

RotationSumsofSquaredLoadings

Total

%ofVariance

Cumulative%

3.238

53.972

2.572

42.861

1.277

21.288

75.260

1.944

32.400

.681

11.346

86.607

.458

7.634

94.240

.212

3.526

97.767

.134

2.233

100.000

上表为特征根于方差奉献表，给出了个主成分解释原始变量总方差的情况，从表中可以看出，本例中保存了2个主成分，集中了原始变量总信息的75.260%

上图为碎石土，分析碎石土看出因子1与因子2的特征值差值比拟大，而其他特征值比拟小，可以出保存2个因子能概括绝大局部信息。

ComponentMatrixa

.900

.233

.857

.357

.816

.498

-.662

.503

-.530

.478

-.555

.605

a.2componentsextracted.

从因子载荷矩阵表中可以看出，需要对因子载荷阵进展旋转，

RotatedComponentMatrixa

.953

-.072

.904

-.209

.867

-.335

-.099

.815

-.245

.795

-.152

.698

经过旋转后的载荷系数已经明显地两极分化了。

第一个公共因子在前三个指标上有较大载荷，说明这三个指标有较强的相关性，可以归为一类，所以把英语，历史，语文作为属于文科学习能力的指标；

第二个公共因子在后三个指标上有较大载荷，所以化学，数学，物理属于理科学习能力的指标。

以上是因子载荷图，可以看出因子的聚集性，理科的指标聚集在一起，文科的指标也聚集在一起，分类效果非常好。

ComponentScoreCoefficientMatrix

.439

.085

.400

.137

.484

.332

-.014

.378

.073

.432

.169

由上表可知

所以可以把每个学生的六门成绩分别代入F1、F2，比拟两者的大小，F1大的适合学文科，F2大的适合学理科。

计算结果为学号是1、16、24的学生适合学文，其余均适合学理

Q型聚类

如下图进展选择，

结果如下

相关性矩阵是主对角线为1的矩阵，可以看出因子之间相关性不是特别的大。

起始

擷取

擷取方法：

主體元件分析。

上表反映了公因子方差，每个同学原始变量提取到达1，因子提取到达1.

說明的變異數總計

元件

起始特徵值

擷取平方和載入

循環平方和載入

總計

變異的%

累加%

15.656

52.188

15.010

50.032

6.140

20.467

72.655

4.487

14.955

64.987

3.603

12.009

84.664

4.432

14.773

79.760

2.899

9.664

94.328

3.860

12.865

92.625

1.701

5.672

2.212

7.375

1.625E-15

5.417E-15

1.071E-15

3.569E-15

7.463E-16

2.488E-15

6.575E-16

2.192E-15

5.756E-16

1.919E-15

4.492E-16

1.497E-15

2.806E-16

9.352E-16

2.696E-16

8.987E-16

2.481E-16

8.269E-16

2.011E-16

6.702E-16

7.887E-17

2.629E-16

1.698E-17

5.659E-17

-3.651E-17

-1.217E-16

-6.866E-17

-2.289E-16

-8.735E-17

-2.912E-16

-1.586E-16

-5.288E-16

-2.424E-16

-8.079E-16

-3.196E-16

-1.065E-15

-3.541E-16

-1.180E-15

-3.776E-16

-1.259E-15

-4.307E-16

-1.436E-15

-5.209E-16

-1.736E-15

-5.615E-16

-1.872E-15

-1.061E-15

-3.538E-15

-2.511E-15

-8.369E-15

上表为特征根与方差奉献率表，本例主要保存了2个主成分，集中了原始变量信息的100%，

以上是碎石图，可以发现因子1与因子2、3、4、5的特征值差值较大。

保存5个因子可以概括大局部信息。

〔5〕

元件矩陣a

.995

-.033

-.071

.046

-.046

.958

.240

.082

.019

.132

.956

.003

-.277

.070

-.947

-.202

.119

.201

-.089

.946

.190

-.242

.101

.917

-.334

.122

.112

.139

.906

-.373

.157

.069

.100

.903

.204

-.094

.359

-.079

.889

-.181

.207

.274

.243

.877

-.112

.365

-.288

.873

.299

.015

.362

-.130

-.868

.416

.059

.219

-.149

.860

.477

.063

-.169

-.028

.855

-.415

-.081

.067

-.295

.832

-.265

-.379

.257

.165

.525

-.067

.126

-.178

.730

.326

.442

-.375

.703

.229

.579

-.343

-.030

-.665

.414

.490

.255

.287

.384

-.872

.259

.110

.114

.336

.802

.437

.021

-.156

-.787

.152

.577

-.003

.209

.687

-.127

-.212

.650

.335

-.656

.637

-.057

-.397

-.320

.801

-.011

.313

-.298

-.551

.737

-.253

-.023

.508

.692

.386

.210

.397

.283

.652

-.306

-.493

-.213

.595

-.017

.764

.130

-.476

.551

.248

.228

-.596

a.擷取5個元件。

从因子载荷矩阵表中可以看出，每个因子在不同原始变量上的载荷没有明显的差异，为了便于对因子进展命名，需要对因子载荷阵进展旋转，

旋轉元件矩陣a

.979

-.138

.068

-.122

-.058

.948

.096

-.175

-.248

-.021

.943

-.155

-.002

-.917

.271

.177

.221

.075

.915

.316

.058

.062

.902

.331

-.199

-.189

.896

.252

-.107

.076

.341

.891

.342

-.246

.088

-.144

-.050

-.455

-.053

.883

-.400

.156

.178

-.426

.874

.095

.269

-.374

.123

-.430

.020

.127

-.222

.220

-.435

.217

.811

-.006

.399

.319

-.805

.522

-.035

.241

.759

.427

-.427

-.217

.728

.309

-.412

-.399

-.176

.950

-.019

.181

-.184

.323

.937

.037

-.101

.281

-.776

-.452

.364

.709

-.405

.388

-.223

.926

-.339

-.051

.887

.428

.143

.449

-.241

-.216

.184

-.486

.750

.420

-.227

.196

.925

-.042

-.193

.301

.885

-.201

.029

.334

.774

-.409

-.097

.523

轉軸方法：

具有Kaiser正規化的最大變異法。

a.在15疊代中收斂循環。

明显与整体不同

以上是因子载荷图，可以看出因子的聚集性不是很理想

元件評分係數矩陣

-.048

.091

.061

-.010

.013

.032

-.043

.079

.041

-.016

-.044

.348

-.034

-.102

.349

.065

.053

.054

-.054

.077

.086

-.126

.030

.083

.264

-.092

.066

.052

.012

.047

-.015

-.040

-.095

.022

.120

-.027

.104

-.070

-.080

-.012

.148

.097

-.009

.045

-.096

.099

.026

.236

.092

-.005

.006

.187

.129

-.078

-.074

.151

.251

-.087

.024

.138

-.036

-.085

-.008

.227

.008

.043

-.215

.084

.087

.036

.007

.044

.090

-.084

.048

.023

.057

-.148

-.068

-.059

-.020

元件評分。

由系数可以求出F1至F5，将30个学生带入，比拟大小

展开阅读全文