主成分因子分析步骤文档格式.docx
《主成分因子分析步骤文档格式.docx》由会员分享，可在线阅读，更多相关《主成分因子分析步骤文档格式.docx（9页珍藏版）》请在冰豆网上搜索。
只是对数据作变换，故不需要假设
因子分析对资料要求需符合许多假设，如果假设条件不符，则因子分析的结果将受到质疑
1【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是否适合作因子分析）。
（2）因子抽取（Extraction）对话框设置
方法：
默认主成分法。
主成分分析一定要选主成分法
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”。
（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存至数据文件中，并产生新的变量名称。
（5）选项（Options）对话框设置
2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度量。
.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，愈适合作因子分析。
根据Kaiser的观点，当KMO＞0.9（很棒）、KMO＞0.8（很好）、KMO＞0.7（中等）、KMO＞0.6（普通）、KMO＞0.5（粗劣）、KMO＜0.5（不能接受）。
（2）公因子方差
公因子方差
起始
撷取
卫生
1.000
.855
饭量
.846
等待时间
.819
味道
.919
亲切
.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就可以认为是比较低，这时变量在分析中去掉比较好。
（3）解释的总方差
说明的变异数总计
元件
各因子的特征值
因子贡献率
因子累积贡献率
总计
变异的%
累加%
1
2.451
49.024
2.042
40.843
2
1.595
31.899
80.923
2.004
40.079
3
.662
13.246
94.168
4
.191
3.823
97.992
5
.100
2.008
100.000
第二列：
各因子的统计值
第三列：
各因子特征值与全体特征值总和之比的百分比。
也称因子贡献率。
第四列：
累积百分比也称因子累积贡献率
第二列统计的值是各因子的特征值，即各因子能解释的方差，一般的，特征值在1以上就是重要的因子；
第三列%是各因子的特征值与所有因子的特征值总和的比，也称因子贡献率；
第四列是因子累计贡献率。
如因子1的特征值为2.451，因子2的特征值为1.595，因子3,4,5的特征值在1以下。
因子1的贡献率为49.0%，因子2的贡献率为31.899%，这两个因子贡献率累积达80.9%，即这两个因子可解释原有变量80.9%的信息，因而因子取二维比较显着。
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加了2个变量，fac1_1、fac2_1，即为因子得分。
（4）成分矩阵与旋转成分矩阵
成分矩阵是未旋转前的因子矩阵，从该表中并无法清楚地看出每个变量到底应归属于哪个因子。
旋转后的因子矩阵，从该表中可清楚地看出每个变量到底应归属于哪个因子。
此表显示旋转后原始的所有变量与新生的2个公因子之间的相关程度。
一般的，因子负荷量的绝对值0.4以上，认为是显着的变量，超过0.5时可以说是非常重要的变量。
如味道与饭量关于因子1的负荷量高，所以聚成因子1，称为饮食因子；
等待时间、卫生、亲切关于因子2的负荷量高，所以聚成因子2，又可以称为服务因子。
（5）因子得分系数矩阵
元件评分系数矩阵
-.010
.447
.425
-.036
-.038
.424
.480
.059
-.316
-.371
转轴方法：
具有Kaiser正规化的最大变异法。
元件评分。
因子得分系数矩阵给出了因子与各变量的线性组合系数。
因子1的分数=-0.010*X1+0.425*X2-0.038*X3+0.408*X4-0.316*X5
因子2的分数=0.447*X1-0.036*X2+0.424*X3+0.059*X4-0.371*X5
（6）因子转换矩阵
元件转换矩阵
.723
-.691
.691
因子转换矩阵是主成分形式的系数。
（7）因子得分协方差矩阵
元件评分共变异数矩阵
.000
看各因子间的相关系数，若很小，则因子间基本是两两独立的，说明这样的分类是较合理的。
1【分析】——【降维】——【因子分析】
（1）设计分析的统计量
【相关性矩阵】中的“系数”：
会显示相关系数矩阵；
【KMO和Bartlett的球形度检验】：
检验原始变量是否适合作主成分分析。
【方法】里选取“主成分”。
【旋转】：
选取第一个选项“无”。
【得分】：
“保存为变量”
【方法】：
“回归”；
再选中“显示因子得分系数矩阵”。
（1）相关系数矩阵
相关性矩阵
食品
衣着
燃料
住房
交通和通讯
娱乐教育文化
相关
.692
.319
.760
.738
.556
-.081
.663
.902
.389
-.089
-.061
.267
.831
.387
.326
两两之间的相关系数大小的方阵。
通过相关系数可以看到各个变量之间的相关，进而了解各个变量之间的关系。
由表中可知许多变量之间直接的相关性比较强，证明他们存在信息上的重叠。
（2）KMO及Bartlett’s检验
KMO与Bartlett检定
Kaiser-Meyer-Olkin测量取样适当性。
.602
Bartlett的球形检定
大约卡方
62.216
15
显着性
（3）公因子方差
Communalities
.878
.825
.841
.810
.584
（4）解释的总方差：
起始特征值
撷取平方和载入
3.568
59.474
1.288
21.466
80.939
.600
10.001
90.941
.358
5.975
96.916
.142
2.372
99.288
.043
.712
（5）成分矩阵（因子载荷矩阵）
元件矩阵a
.255
.880
-.224
.093
.912
-.195
.925
-.252
.588
.488
a.撷取2个元件。
该矩阵并不是主成分1和主成分2的系数。
主成分系数的求法：
各自主成分载荷向量除以主成分方差的算数平方根。
则第1主成分的各个系数是向量（0.925，0.902，0.880，0.878，0.588，0.093）除以
后才得到的，即（0.490，0.478，0.466，0.465，0.311，0.049）才是主成分1的特征向量。
第1主成分的函数表达式：
Y1=0.490*Z交+0.478*Z食+0.466*Z衣+0.465*Z住+0.311*Z娱+0.049*Z燃
（6）因子得分
因子得分显示在SPSS的数据窗口里。
通过因子得分计算主成分得分。
（7）主成分得分
主成分的得分是相应的因子得分乘以相应方差的算数平方根。
即：
主成分1得分=因子1得分乘以3.568的算数平方根
主成分2得分=因子2得分乘以1.288的算数平方根
【转换】—【计算变量】
（8）综合得分及排序
综合得分是按照下列公式计算：
综合得分Y为：
【数据】——【排序个案】
升级会员 