因子分析案例Word下载.docx
《因子分析案例Word下载.docx》由会员分享,可在线阅读,更多相关《因子分析案例Word下载.docx(20页珍藏版)》请在冰豆网上搜索。
.626
.792
.714
.877
.512
.650
.912
.615
.644
.618
.785
.740
.539
.576
.607
.691
.216
.469
.703
.564
.439
.507
.948
.847
.852
.641
.273
.738
.761
.497
.649
.841
.760
.873
.685
.936
.417
.757
.858
.545
.730
.491
.808
.044
.440
.200
.709
.885
.579
.922
.360
.813
.708
.414
.743
.696
.674
.561
.603
.694
.363
.758
.489
.432
.721
.835
.565
.713
.195
.631
.343
-.007
.482
.206
.861
.775
.562
.393
.248
.199
.000
.002
.001
.122
.004
.007
.069
.010
.003
.407
.141
.023
.022
.008
.146
.030
.486
.133
.014
.089
1.3KMO与Bartlett球形检验(检验是否适合做因子分析):
KMOandBartlett'
sTest
Kaiser-Meyer-OlkinMeasureofSamplingAdequacy.
.788
Bartlett'
sTestofSphericity
Approx.Chi-Square
678.523
df
91
Sig.
1.4变量共同度(给出该次分析从每个原始变量中提取的信息):
Communalities
Initial
Extraction
1.000
.925
.759
.972
.949
.939
.856
.917
.884
.942
.814
.898
.834
ExtractionMethod:
PrincipalComponentAnalysis.
1.5方差解释表(显示各主成分包含了各个原始变量总方差的情况)
TotalVarianceExplained
Component
InitialEigenvalues
ExtractionSumsofSquaredLoadings
Total
%ofVariance
Cumulative%
1
9.424
67.311
2
1.959
13.996
81.307
3
6.776
88.083
4
.556
3.970
92.053
5
.323
2.306
94.359
6
.292
2.085
96.444
7
.191
1.366
97.810
8
.149
1.068
98.877
9
.066
.474
99.351
10
.039
.278
99.629
11
.024
.169
99.797
12
.015
.109
99.907
13
.009
.062
99.968
14
.032
100.000
1.6碎石图
1.7主成分矩阵(给出标准化原始变量用求得得主成分线性表示的近似表达式)
ComponentMatrixa
.935
-.107
.135
-.402
.950
-.124
-.232
.971
.019
-.080
.821
-.513
-.043
.909
-.162
.050
.771
.157
.375
.956
-.056
.458
.406
.811
-.389
.275
.850
.465
-.063
.573
.648
-.257
.795
-.198
.477
.754
-.488
-.170
a.3componentsextracted.
标准的一般公共服务=0.935*f1+0.195*f2-0.107*f3+e1
……
1.8因子得分系数矩阵(用标准化原始变量表示标准化公共因子)
ComponentScoreCoefficientMatrix
.099
-.113
.081
-.424
.101
-.245
.103
-.084
.087
-.262
-.046
.096
-.083
.053
.082
.080
.396
-.059
.049
.364
.428
.086
-.199
.290
.090
.237
-.067
.061
.330
-.271
.084
-.101
.502
-.249
-.179
F1=0.099*标准化的一般公共服务+0.081*标准化的国防+……+0.080*标准化的其他支出
1.9因子得分协方差矩阵(单位阵,说明提取的公共因子不相关)
ComponentScoreCovarianceMatrix
PrincipalComponentAnalysis.
2.为寻找意义更明确、实际意义更明显的公共因子,对初始公共因子进行旋转。
Spss输出结果:
2.1旋转后的因子载荷矩阵
RotatedComponentMatrixa
.555
.704
.348
.764
.035
.752
.633
.077
.699
.280
.937
.241
-.049
.791
.408
.252
.533
.279
.589
.286
-.055
.359
.867
.900
.091
.256
.762
-.032
.373
.797
.048
.511
.851
.297
-.152
RotationMethod:
VarimaxwithKaiserNormalization.
a.Rotationconvergedin17iterations.
忽略特殊因子,可得:
标准化一般公共服务=0.555*f1+0.704*f2+0.348*f3
F1:
科教文卫因子;
f2:
基础服务因子;
f3:
保护因子
2.2因子得分系数矩阵(可得到标准因子得分函数)
-.008
.180
.006
-.052
.355
.184
-.185
.057
.118
-.022
.227
-.155
.134
-.021
.025
.072
-.168
.369
.063
-.131
-.066
.239
-.238
.132
-.097
.214
.117
-.211
.376
.208
-.327
.345
.192
.036
VarimaxwithKaiserNormalization.
ComponentScores.
F1=-0.008*标准化的一般公共服务-0.052*标准化的国防+……+0.192*标准化的其他支出
利用标准化的因子得分函数,可计算各地区在不同因子上的得分,进而进行如排名等其他分析。
地区
f1
排名
f2
f3
上海
3.26718
广东
2.67764
河南
1.92745
2.40568
江苏
1.61218
四川
1.91313
北京
1.42465
1.41664
内蒙古
1.37614
山东
1.37029
浙江
1.19749
黑龙江
1.07589
0.9946
云南
1.12649
0.87509
0.76456
湖南
0.66991
0.82073
辽宁
0.65389
广西
0.6135
安徽
0.71503
天津
0.33077
贵州
0.47021
0.71125
0.15271
陕西
0.20459
0.64827
河北
0.00523
福建
0.15698
0.62643
湖北
-0.0633
0.15185
山西
0.57362
-0.08903
新疆
0.08872
0.5463
吉林
-0.22454
0.03248
0.43703
-0.28302
0.03243
重庆
0.249
-0.3379
15
0.0234
0.2392
-0.34369
16
0.01023
0.13586
江西
-0.38622
17
-0.04498
甘肃
0.0453
-0.38759
18
-0.11186
-0.10921
-0.42058
19
-0.16482
-0.45928
-0.58392
20
-0.17903
-0.52656
海南
-0.59795
21
-0.23306
-0.53819
宁夏
-0.61829
22
西藏
-0.24423
-0.54118
-0.65237
23
-0.2978
-0.54643
-0.70727
24
-0.44736
青海
-0.78013
-0.7138
25
-0.51905
-0.97107
-0.75377
26
-0.86155
-1.04768
-0.7611
27
-1.00964
-1.07924
-0.78762
28
-1.04469
-1.41035
-0.82209
29
-1.19619
-1.42718
-0.89084
30
-1.42703
-1.54927
-0.94471
-2.70344
-1.92996
说明
1.科教文卫因子得分与该省经济水平有关,河北省接近全国平均水平;
2.服务支出与农业有关,故沿海及农业大省该项得分较高;
3.河南、四川等省在保护支出得分较高,说明他们在环境保护、社会保障方面支出较多。
利用方差贡献率作为权重,乘以相应因子得分,可计算综合得分,进而得到综合排名:
综合得分
-0.13751
0.904757
-0.13466
-0.57185
1.863276
-0.26303
-0.57029
-0.64427
0.061791
0.237934
-0.18716
-0.04206
-0.12837
-0.24211
0.950729
-0.30293
0.489766
-0.40788
-0.65673
-0.72433
0.984927
-0.2637
-0.43481
1.863245
-0.15256
-0.04807
-0.77505
-0.4163