因子分析资料报告步骤范例Word格式.docx

因子分析资料报告步骤范例Word格式.docx

《因子分析资料报告步骤范例Word格式.docx》由会员分享，可在线阅读，更多相关《因子分析资料报告步骤范例Word格式.docx（13页珍藏版）》请在冰豆网上搜索。

2.

3

3.

4.

1

5.

6.

7.

8.

9.

10.

11.

12.

13.

14.

15.

16.

17.

18.

一、建立数据集

二、打开Factoranalysis主对话框

1.Analyze（分析）—Detareduction（数据化简）--factor（因素）

2.所有数据放入variable框

三、进入Factoranalysis主对话框右边的子对话框

（一）Descriptive子对话框

1.选择Univariables（单变量描述统计量）：

会输出每个变量的平均数、标准差和观测量

２．选择Initialsolution（初步结果）：

会输出原始分析结果：

公因子方差、协方差、各因子的特征值、所占总方差的百分比、累计百分比。

这是默认系统，应该保留。

3.CorrelationMatrix（相关矩阵）围栏，选项含可选择的相关指标与相关检验:

　常常选择（１）（４）

（1）coeffieient（相关系数），列出各变量间的相关系数矩阵。

（２）Significancelevel（显著性水平），列出各变量单侧检验的P值。

（３）Determinant（行列式）选项，输出相关系数矩阵的行列式。

（４）KMOandBarlett’stestsofsphericity（开塞－梅耶－欧巴金和巴莱特球性检验）选项（K-Kaiser,M-Meyer,O-Olkin）:

列出球性检验的结果，显示因素模型是否合理。

（５）Inverse（逆矩阵）：

列出相关系数的逆矩阵。

（６）Reproduced（在生相关矩阵），列出因子分析后估计的相关矩阵与残差。

（７）Anti（逆影像）：

列出包括相关系数的负值，包括方差　的负值的逆影像方差矩阵。

（二）Extraction（提取因子）子对话框。

1.Method：

七种方法区别不大。

用默认Principalcomponents（主成分分析法）：

从解释变量的变异出发，使变异的方差能够被主成分所解释，主要用于获得初始因子的结果。

2.Analyze围栏：

（1）Correlationmatrix（变量间相关矩阵）。

保留默认。

（2）Covariancematrix（变量间协方差矩阵）

3.Display围栏（输出结果）

（1）a.Unrotatedfactorsolution（显示未经旋转变化的因子提取结果）

（2）Scree　plot（碎石图）：

横轴为因子序号，纵轴表示特征值大小。

该图按特征值大小依次排列因子，可以看出哪些是主要因子。

MaximumIterationsforconvergence（收敛最大迭代次数）

4.Extract（设定公因子提取标准）围栏：

（1）Eigenvaluesover（以特征大于莫数值为提取标准）。

保留默认选择系统默认值1.　

（2）Numberoffactors（自提取因子的数量）。

保留默认选择值1.

（3）Maximumiterationsforconvergence（收敛最大迭代次数），保留默认选择25.

4.Rotation（旋转）

（1）method.选择Varimatrix（正交旋转法）

（2）Display（输出结果显示）

a.Rotatedsolution（旋转解法）：

正交旋转，输出旋转后的模式矩阵和因子转换矩阵。

b.Loading　plot（载荷散点图：

三维图：

坐标值为因子值，各个变量以三点形式分布其中，可以直观了解变量与因子之间的关系。

5.Scores（因子得分）。

6.Options,保留默认。

确认，得到以下表格：

FACTOR

/VARIABLES 

我喜欢汉语本身 

我对汉语学习有天生的兴趣 

我非常欣赏汉语的书法 

我喜爱汉语歌曲 

我喜欢汉语戏剧 

我喜欢汉语文学 

我喜欢汉语文

化

/MISSING 

LISTWISE

/ANALYSIS 

/PRINT 

INITIAL 

CORRELATION 

KMO 

EXTRACTION 

ROTATION

/PLOT 

/CRITERIA 

MINEIGEN

（1） 

ITERATE（25）

/EXTRACTION 

PC

/ROTATION 

VARIMAX

/SAVE 

REG（ALL）

/METHOD=CORRELATION.

表1汉语学习动机调查相关矩阵表

CorrelationMatrix

我对汉语学习有天生的兴趣

我非常欣赏汉语的书法

我喜爱汉语歌曲

Correlation

1.000

-.207

-.489

-.033

.581

.000

.225

-.124

-.186

-.193

-.368

-.151

.284

-.206

.236

.061

.234

-.393

.699

.230

-.409

图表结果说明：

CorrelationMatrix（相关矩阵表）：

该表给出了这七个变量的相关系数矩阵。

它们的相关系数并不怎么高，有的还是负相关。

可以进行分析，不必考虑会有严重的共线性问题。

表2汉语学习动机调查因子分析开塞－梅耶－欧巴金和巴莱特球性检验表

KMOandBartlett'

sTest

Kaiser-Meyer-OlkinMeasureofSamplingAdequacy.

.519

Bartlett'

sTestofSphericity

Approx.Chi-Square

35.249

df

21

Sig.

.027

图表说明：

KMOandBarlett’stestsofsphericity（开塞－梅耶－欧巴金和巴莱特球性检验）表：

该表专门用来判断对所涉及的的数据能否进行因子分析。

第一行是检验变量间偏相关的性的KMO统计值，为0.591，接近0.52，说明这七个变量是相关的。

根据统计学家的观点，如果KMO值小于0.5，就不宜进行因子分析。

我们这一数值略大于他们提出的临界值，可以进行因子分析。

第二行为Bartlett'

s（巴莱特）检验卡方值。

该值为35.249，自由度为21度，显著者为0.027，他们之间有共同因素存在，适合进行因子分析。

这一结论与我们观察KMO值得出的理解是完全一致的。

看

表3Communalities（公因子方差表）

Communalities

Initial

Extraction

.830

.723

.783

.874

.652

.847

.796

ExtractionMethod:

PrincipalComponentAnalysis.

表格说明

Communalities（公因子方差表）：

表中给出了各变量息分别被提出的比例。

提取比例最高的是汉语歌曲0.874，最低的是汉语戏剧0.652.

表4TotalVarianceExplained（能解释的方差比例表），也称主成份列表。

TotalVarianceExplained

Component

InitialEigenvalues

ExtractionSumsofSquaredLoadings

RotationSumsofSquaredLoadings

Total

%ofVariance

Cumulative%

2.213

31.621

2.078

29.681

1.795

25.640

57.261

1.925

27.507

57.188

1.497

21.391

78.652

1.503

21.464

.634

9.050

87.702

.399

5.706

93.408

6

.266

3.802

97.211

7

.195

2.789

100.000

图表说明

TotalVarianceExplained（能解释的方差比例表），也称主成份列表，是一个非常重要的表格。

一个因子所解释的方差比例越高，这个因子包含原有变量信息的量就越多。

第一个成分的初始特征值为2.231，能解释的方差比例为31.621％，第二个与第三个分别为25.6％和21.4%。

其余四个成分都小于1，说明这几个成分的解释力度还不如直接引入原变量大。

这七个变量只需要提取出头三个成分即可。

PrincipalComponentAnalysis（提取方法，主成份分析表）

表4ScreePlot碎石图

ScreePlot碎石图中，从第三个成分以后的特征值就降得非常低。

第三个成分就是这一图形的“拐点”。

这一之前是主要因子，这一之后是次要因子。

因此，这一碎石图用直观的方法向我们显示，在我们这一实例中，只需要提取三个主要成分就行了。

表5ComponentMatrix成分矩阵表

ComponentMatrixa

.549

-.727

.014

-.245

.151

-.800

-.184

.678

.537

.726

.570

.147

.628

-.474

.181

-.473

-.331

.717

.820

.352

.016

a.3componentsextracted.

ComponentMatrix成分矩阵表，表中列出未使用旋转方法时使用因子能解释的各个变量的比例（各变量的信息被主成份提取了多少）。

PrincipalComponentAnalysis.提取方法：

主成份分析法

a.3componentsextracted.提取了三个主成份

表6RotatedComponentMatrixa旋转后成分矩阵表

RotatedComponentMatrixa

.047

.904

.106

-.180

-.178

-.811

.271

-.715

.445

.930

-.071

.067

.724

.238

-.519

-.072

.757

.175

-.034

PrincipalComponentAnalysis.

RotationMethod:

VarimaxwithKaiserNormalization.

a.Rotationconvergedin4iterations.

表中列出了使用旋转方法后因子能解释的各个变量的比例。

对比表5可以看出，旋转后，原先较大的比例变得更大，较小的比例则变得更小。

PrincipalComponentAnalysis：

提取方法：

主要成分分析法

RotationMethod:

VarimaxwithKaiserNormalization：

旋转方法：

开塞正态方差最大变异法

表7ComponentTransformationMatrix成分转换矩阵表

ComponentTransformationMatrix

.825

.566

-.005

.560

-.818

-.131

.079

-.105

.991

VarimaxwithKaiserNormalization.

ComponentTransformationMatrix成分转换矩阵表，用来说明旋转前后主成份间的系数对应关系。

表8ComponentPlotRotatedSpace（旋转后的三维主成份图）

ComponentPlotRotatedSpace（旋转后的三维主成份图），从图中可见，我们的七个变量并没有在一个方位上，因此提取一个主成份并不能解释大部分信息。

这就是系统提取了三个主成分的原因。