主成分因子分析步骤Word格式文档下载.docx

主成分因子分析步骤Word格式文档下载.docx

《主成分因子分析步骤Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《主成分因子分析步骤Word格式文档下载.docx（17页珍藏版）》请在冰豆网上搜索。

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

1。

000

.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%

变异的％

1

2。

451

49。

024

49.024

042

40.843

2

1.595

31。

899

80。

923

004

40。

079

80.923

3

.662

13.246

94.168

4

.191

3.823

97.992

5

100

2.008

100。

撷取方法：

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著.

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，认为是显著的变量，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

转轴方法：

元件评分。

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

319

—.081

089

061

267

.760

-.089

831

387

738

.902

-.061

.831

326

389

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

显著性

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。

（3）公因子方差

Communalities

擷取

878

825

.841

.810

919

584

擷取方法：

主體元件分析。

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。

（4）解释的总方差：

起始特征值

撷取平方和载入

累加％

3.568

59.474

59。

474

1.288

21。

466

939

288

21.466

.600

10。

001

90.941

.358

5。

975

96。

916

.142

2.372

99.288

.043

.712

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著。

（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

主体元件分析.

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】