SPSS因子分析法很全面很全面

1、实验课：因子分析实验目的理解主成分(因子)分析的基本原理，熟悉并掌握SPSS中的主成分(因子) 分析方法及其主要应用。因子分析一基础理论知识1概念因子分析(Factor analysis)：就是用少数几个因子来描述许多指标或因素之间的联系，以较 少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。主成分分析(Principal component analysis):是因子分析的一个特例，是使用最多的因 子提取 方法。它通过坐标变换手段，将原有的多个相矢变量，做线性变化，转换为另外一组不相尖的变量。选取前面几个方差最大的主成分，这样达到了

2、因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。两者矢系：主成分分析(PCA)和因子分析(FA)是两种把变量维数降低以便于描述、理解和 分析的方法，而实际上主成分分析可以说是因子分析的一个特例。2特点(1) 因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分 析中的工作量。(2) 因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映 原有变量大部分的信息。(3) 因子变量之间不存在显著的线性相矢尖系，对变量的分析比较方便，但原始部分变量之 间多存在较显著的相矢尖系。(4) 因子变量具有命名解释，性，即该变量是对某些原始

3、变量信息的综合和反映。在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理(即通过因子分析或主成分分析)。显然，在一个低维空间解释系统要比在高维系统容易的多。3类型根据研究对象的不同，把因子分析分为R型和Q型两种。当研究对象是变量时，属于R型因子分析；当研究对象是样品时，属于Q型因子分析。但有的因子分析方法兼有R型和Q型因子分析的一些特点，如因子分析中的对应分析方法，有 的学者称之为双重型因子分析，以示与其他两类的区别。4分析原理假定：有n个地理样本，每个样本共有P个变量，构成一个nx p阶的地理数据矩阵XjX2pXiiX21x12722111Xn2Xnp当P较大时，在P维空间中考察问题

4、比较麻烦。这就需要进行降维处理，即用较少几个综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。线f生组合：记x1 , x2, , , xP为原变量指标 z1, z2, , , zm ( m0.9，非常适合；0.8vKMOv0.9，适合；0.7vKMOv0.8 般；0.6vKMOv0.7，不太适合；KMOvO.5，不适合。5.2构造因子变量因子分析中有很多确定因子变量的方法，如基于主成分模型的主成分分析和基于因子分 析模型的主轴因子法、极大似然法、最小二乘法等。前者应用最为广泛。主成分分析法（Principal component anal

5、ysis）:该方法通过坐标变换，将原有变量作线性变化，转换为另外一组不相矢的变量Zi （主成分）。求相矢系数矩阵的特征根入i （入1,入2,入p0）和相应的标准正交的特征向量li ；根 据相矢系数矩阵的特征根，即公共因子Zj的方差贡献（等于因子载荷矩阵L中第j列各元素的平方 和），计算公共因子Zj的方差贡献率与累积贡献率。主成分分析是在一个多维坐标轴中，将原始变量组成的坐标系进行平移变换，使得新的坐标原点和数据群点的重心重合。新坐标第一轴与数据变化最大方向对应。通过计算特征根（方差贡献）和方差贡献率与累积方差贡献率等指标，来判断选取公共因子的数量和公共因子（主成分）所能代表的原始变量信息。公共

6、因子个数的确定准则：1）根据特征值的大小来确定，一般取大于1的特征值对应的几个公共因子/主成分。2）根据因子的累积方差贡献率来确定，一般取累计贡献率达85-95%的特征 值所对应的第一、第二、，、第m fmWp）个主成分。也有学者认为累积方差贡献率应在80 %以上。5.3因子变量的命名解释因子变量的命名解释是因子分析的另一个核心问题。经过主成分分析得到的公共因子 /主成分Z1,Z2 ,Zm是对原有变量的综合。原有变量是有物理含义的变量，对它们进行线性变换后，得到的新的综合变量的物理含义到底是什么？在实际的应用分析中，主要通过对载荷矩阵进行分析，得到因子变量和原有变量之间的矢系，从而对新的因子变

7、量进行命名。 利用因子旋转方法能使因子变量更具有可解释性。计算主成分载荷，构建载荷矩阵A。印二 j- ihj(i,j =1,2/ ,p)an ai2a. 1mao2m“J打I 21寸人Il2p 入 2hmpmbm寸几iu d iud 乙Zd|X2营比Zm = am1 1乙訥必屈12X2Z2 2lXl 122 X2zm 1 ml X1Xp!pxpnpXp计算主成分载荷，构建载荷矩阵A。载荷矩阵A中某一行表示原有变量 Xi与公共因子/因子变量的相尖矢系。载荷矩阵A中某一列表示某一个公共因子/因子变量能够解释的原有变量Xi 的信息量。有时因子载荷矩阵的解释性不太好，通常需要进行因子旋转 ，使原有因

8、子变量更具有可解释性。因子旋转的主要方法：正交旋转、斜交旋转 。anai2 .a.1m111J 人12p*-2 hm1A =a21a21 .an2m1 2112.2Jmp 丿、m13 P1a P1apmI1 P1P人2卩 13:1 pmQ j L r正交旋转和斜交旋转是因子旋转的两类方法。前者由于保持了坐标轴的正交性，因此使用最多。正交旋转的方法很多，其中以方差最大化法最为常用。方差最大正交旋转(varimax orthogonal rotation)基本思想：使公共因子的相对负荷的方差之和最大，且保持原公共因子的正交性和公共方差总和不变。可使每个因子上的具有最大载荷的变量数最小，因此可以简化

9、对因子的解释。斜交旋转(oblique rotation)因子斜交旋转后，各因子负荷发生了变化，出现了两极分化。各因子间不再相互独立， 而是彼此相尖。各因子对各变量的贡献的总和也发生了改 变。斜交旋转因为因子间的相矢性而不受欢迎。但如果总体中各因子间存在明显的相尖矢系 则应该考虑斜交旋转。适用于大数据集的因子分析。无论是正交旋转还是斜交旋转，因子旋转的目的：是使因子负荷两极分化，要么接近于0,要么接近于1。从而使原有因子变量更具有可解释性。5.4计算因子变量得分因子变量确定以后，对于每一个样本数据，我们希望得到它们在不同因子上的具体数据值，即因子得分。估计因子得分的方法主要有：回归法、Bart

10、lette法等。计算因子得分应首先将因子变量表示为原始变量的线性组合。即：回归法，即Thomson法：得分是由贝叶斯Bayes思想导出的，得到的因子得分是有偏的，但 计算结果误差较小。贝叶斯(BAYES )判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。Bartlett法：Bartlett因子得分是极大似然估计也是加权最小二乘回归，得到的因子得分是无偏 的，但计算结果误差较大。因子得分可用于模型诊断，也可用作进一步分析如聚类分析、回归分析等的原始资料。矢于因子 得分的进一步应用将在案例介绍一节分析。5.5结果的分析解释此部分详细见案例分析二案例分析1研究问题石家庄18个县市

11、14个指标因子，具体来说有人均GDP （元/人）、人均全社会固定资产投资额、人均城镇固定资产投资额、人均一般预算性财政收入、第三产业占GDP比重（%）、人均社会消费品零售额、人均实际利用外资额（万美元/人）、人均城乡居民储蓄存款、农民人均纯收入、在岗职工平均工资、人才密度指数、科技支出占财政支出比重（）、每万人拥有执业医师数量、每千人拥有病床数。要求根据这14项内容进行因子分析，得到维度较少的几个因子。2实现步骤在“Analyze”菜单“ Data Reduction”中选择“ Factor”命令，如下图所示。【2】在弹出的下图所示的Factor Analysis对话框中，从对话框左侧的变量列

12、表中选择这14个变量，使之添加到Variables 框中。Factor AnalysisDescript ives.Extraction.Variables:人均GDP元F人）（人人均全祛会固走 穩人均城躍固老费产 一” A均一展负覽惟第三产业占GDP出嚏人均it会淆费品零人均实歸利用外奇Selection Variable:xlu1 OKjPasteResetCancelHelp【3】点击 “ Descriptives 按钮，弹出 “ Factor Analysis： Descriptives 对话 框，如图所示。Statistics框用于选择哪些相尖的统计量，其中：Univariate d

13、escriptives （变量描述）：输出变量均值、标准差；In itial solution （初始结果）Correlation Matrix框中提供了几种检验变量是否适合做引子分析的检验方法，其 中：Coefficie nts （相矢系数矩阵）Significanee leves （显著性水平）Determinant （相尖系数矩阵的行列式）In verse （相尖系数矩阵的逆矩阵）Reproduced （再生相尖矩阵，原始相尖与再生相尖的差值）An ti-image （反影像相尖矩阵检验）KMO and Bartlett1 s test of sphericity （KMO检验和巴特利特

14、球形检验）本例 中5选中该对话框中所有选项5单击Continue按钮返回Factor Analysis对话框。4 单击 “Extraction” 按钮，弹出 “ Factor Analysis : Extraction” 对话框 选择因子提取方法，如下图所示：因子提取方法在Method下拉框中选取，SPSS共提供了 7种方法：Principle Comp on ents An alysis （主成分分析）Un weighted least squares （未加权最小平方法）Generalized least squares （综合最小平方法）Maximum likelihood（最大似然估价

15、法）Prin cipal axis factori ng （主轴因子法）Alpha factoring （ a 因子）Image factori ng （景刃象因子）Analyze框中用于选择提取变量依据，其中：Correlation matrix （相尖系数矩阵）Covarianee matrix （协方差矩阵）Extract框用于指定因子个数的标准，其中：Eigenvaluse over （大于特征值）Number of factors （因子个数）Display框用于选择输出哪些与因子提取有尖的信息，其中：Un rotated factor solution （未经旋转的因子载荷矩阵）S

16、creen plot （特征值排列图）Maximun interations for Convergenee框用于指定因子分析收敛 的最大迭代次数， 系统默认的最大迭代次数为25。本例选用Principal components方法，选择相尖系数矩阵作为提取因子变量的依据， 选中Un rotated factor solution和Scree plot项，输出未经过旋转的因子载荷 矩 阵与 其特征值的碎石图；选择 Eigenvaluse over项，在该选项后面可以输入1， 指定提取特征值大于1的因子。单击Continue按钮返回Factor Analysis对话框。【5】单击Factor A

17、nalysis对话框中的Rotation按钮、弹出Factor Analysis: Rotation对话框，如下图所示：该对话框用于选择因子载荷矩阵的旋转方法。旋转目的是为了简化结构，以 帮助我们解释因子。SPSS默认不进行旋转（None）。Method框用于选择因子旋转方法，其中：None （不旋转）Varimax （正交旋转）Direct Oblimin （直接斜交旋转）Quanlimax （四分最大正交旋转）Equamax （平均正交旋转）Promax （斜交旋转）Display框用于选择输出哪些与因子旋转有尖的信息，其中：Rotated solution （输出旋转后的因子载荷矩阵）L

18、oading plots （输出载荷散点图）本例选择方差极大法旋转Varimax、并选中Rotated solution和Loading plot 项，表示输出旋转后的因子载荷矩阵和载荷散点图，单击Continue按钮返回Factor Analysis对话框。6单击 Factor Analysis 对话框中的 Scores 按钮，弹出 Factor Analysis: Scores 对话框，如下图所示：Factor Analysis: Factor Scores叵 Save as variables-Me(h odi. i RegressionBartlett Arder son-RubinC

19、ontinueCancel该对话框用以选择对因子得分进行设置，其中：Regression （回归法）：因子得分均值为0，采用多元相尖平方；Bartlett （巴特利法）：因子得分均值为0,采用超出变量范围各因子平方和被最小 化；Anderson-Rubin （安德森洛宾法）：因子得分均值为o，标准差1，彼此不相 尖；Display factor score coefficient matrix:选择此项将在输出窗口中显示因子得 分系 数矩阵。7单击 Factor Analysis 对话框中的 Options 按钮、弹出 Factor Analysis: Options 对话框，如下图所示：Fa

20、ctor Analysis OptionsMissing Values丿 Exclude cases listvviAe Exclude crises Airwise Replace with meanCoefficient Display FormatL ported by sizeSuppress 八mall coefficientsAbsolute value below：该对话框可以指定其他因子分析的结果，并选择对缺失数据的处理方法，其中：Missi ng Values框用于选择缺失值处理方法：Exclude cases listwise去除所有缺失值的彳CcrrtinueCancel

21、Help案Exclude cases pairwise含有缺失值的变量，去掉该案例Replace with mean用平均值代替缺失值Cofficient Display Format框用于选择载荷系数的显示格式：Sorted by size载荷系数按照数值大小排列Suppress absolute values less tha n不显示绝对值小于指定值的载荷量 本例选中 Exclude cases listwise 项，单击 Continue 按钮返回 Factor Analysis 对话框完成设 置。单击OK，完成计算。3结果与讨论（1）SPSS输出的第一部分如下：第一个表格中列出了 1

22、8个原始变量的统计结果，包括平均值、标准差和分析的 个案数。这个是步骤3中选中Univariate descriptives项的输出结果。Descriptive StatisticsMeanStd DeviationAnalysis N人均GDP （元/人）22600.52118410.5546418人均全社会固定资产投资额15190.95155289.1449918人均城镇固定资产投资额10270.36424874.1461618人均一般预算性财政收入585.1712550.4565918第二产收占GDP比重（）29.06129.4685818人均社会消费品零售额6567.25663068.

23、7546318人均实际利用外资额（万美元/23.566740.3136118人）人均城乡居民储蓄存款12061.23847363.0865918农民人均纯收入4852.55561202.5297018在岗职工平均工资18110.38892374.0575418人才密度指数8.15485.3755218科技支出占财政支出比重（）1.3494.5019318每万人拥有执业医师数量12.68838.8869118每千人拥冇病床数2.36081.1607718（2）SPSS输出结果文件中的第二部分如下：该表格给出的是18个原始变量的相 尖矩阵Correlation Matrix人均全社会固定人均城镇固

24、定资人均GDP （元/人）资产投资额产投资额Correlation人均GDP （元/人）1.000.503.707人均全社会固定资产投资额.5031.000.883人均城镇固定资产投资额.707.8831.000人均一般预算性财政收入.776.571.821第一产业占GDP比重（%）.567.507.759人均社会消费品零售额.737.247.600人均实际利用外资额（万美元/ 人）.454.356.648人均城乡居民储蓄存款.707.480.780农民人均纯收入.559-.073.130在岗职工平均工资.789.325.544人才密度指数.741.470.737科技支出占财政支出比重（）.5

25、82.378.486每万人拥有执业医师数量.434.520.733每千人拥有病床数.573.565.761Correlation Matrix人均一般预算性财政收入第三产W占GDP比重（%）人均社会消费品零售额Correlation人均 GDP （元/人）人均全社会固定资产投资额人均城镇固定资产投资额 人均一般预算生财政收入 第三产业占GDP比重（%）人均社会消费品零售额 人均实际利用外资额（万美元/人）人均城乡居民储蓄存款农民人均纯收入在岗职工平均工资人才密度指数科技支出占财政支出比重（）每万人拥有执业医师数量每千人拥有病床数.776.571.8211.000.830.693.797.907

26、.132.736.795.729.818.911.567.507.759.8301.00046.822.882.278.548.745.575.844.806.737.247.600.693.6461.000.616.839.516.609.812.490.627.629Correlation Matrix人均实际利用外资额（万美元/人）人均城乡居民储蓄存款农民人均纯收入Correlation人均 GDP （元/人）.454.707.559人均全社会固定资产投资额.356.480.073人均城镇固定资产投资额.648.780.130人均一般预算性财政收入.797.907.132第二产占GDP比

27、重（）.822.882.278人均社会消费品零售额.616.839.516人均实际利用外资额（万美元/1.000.792-.007人）人均城乡居民储蓄存款.7921.000.264农民人均纯收入-.007.2641.000在岗职工平均工资.388.647.411人才密度指数.752.868.315科技支出占财政支出比重（）.570.626.210每万人拥有执业医师数量.795.885-.075每千人拥有病床数.784.866.000Correlation Matrix在岗职工平均工资人才密度指数科技支岀占财政支出比重（）Correlation人均 GDP （元/人）人均全社会固定资产投资额人均

28、城镇固定资产投资额人均一般预算性财政收入第三产业占GDP比重（）人均社会消费品零售额人均实际利用外资额（万美元/人）人均城乡居民储蓄存款农民人均纯收入在岗职工平均工资人才密度指数科技支出占财政支岀比重（）每万人拥有执业医师数量每千人拥有病床数.789.325.544.736.548.609.388.647.4111.000.539.421.477.575.741.470.737.795.745.812.752.868.315.5391.000.577.739.719.582.378.486.729.575.490.570.626.210.421.5771.000.519.769Correlat

29、ion Matrix每万人拥有执业医师数量每千人拥有病床数Correlation人均GDP （元/人）.434.573人均全社会固定资产投资额.520.565人均城镇固定资产投资额.733.761人均一般预算性财政收入.818.911第二产收占GDP比重（）.844.806人均社会消费品零售额.627.629人均实际利用外资额（万美元/.795.784人）人均城乡居民储蓄存款.885.866农民人均纯收入-.075.000在岗职工平均工资.477.575人才密度指数.739.719科技支出占财政支出比重（）.519.769每万人拥有执业医师数量1.000.912每千人拥有病床数.9121.00

30、0（3）SPSS输出结果的第四部分如下:KMO and Bartletts TestKaiser-Meyer-OIkin Measure.551of Sampling Adequacy.Bartletfs Test of SphericityApprox Chi-Square324.227df91Sig.000该部分给出了 KMO检验和Bartlett球度检验结果。其中KMO值为0.551,根据 统计学家Kaiser给出的标准，KMO取值小于0.6,不太适合因子分析。Bartlett球度检 验给出的相伴概率为0.00,/Jx于显著性水平0.05,此拒绝Bartlett球度检验的零假设， 认为适

31、合于因子分析。（4）SPSS输出结果文件中的第六部分如下:Commun alities人均GDP （元/人）人均全社会固定资产投资额人均城镇固定资产投资额人均一般预算性财政收入第三产业占GDP比重（） 人均社会消费品零售额InitialExtraction1.0001.0001.0001.0001.0001.0001.0001.0001.0001.0001.0001.000人均实际利用外资额（万美元/1.0001.000人）人均城乡居民储蓄存款1.0001.000农民人均纯收入1.0001.000在岗职工平均工资1.0001.000人才密度指数1.0001.000科技支出占财政支出比重（）1.

32、0001.000每万人拥有执业医师数量1.0001.000每千人拥有病床数1.0001.000Extraction Method: Prin cipal Comp orient An alysis 这是因子分析初始结果，该表格的第一列列出了18个原始变量名；第二列是根据因子分析初始解计算出的变量共同度。利用主成分分析方法得到18个特征值，它们是银子分析的初始解，可利用这18个出世界和对应的特征向量计算出银 子载荷矩阵。由于每个原始变量的所有方差都能被因子变量解释掉，因此每个变量的共同度为1 ；第三列是根据因子分析最终解计算出的变量共同度。根据最终 提取的m个特征值和对应的特征向量计算出因子载荷

33、矩阵。（此处由于软件 的原因 有点小问题）这时由于因子变量个数少于原始变量的个数，因此每个变量的共同度必然小于1 （5）输出结果第六部分为Total Variance Explai ned表格Total Variance ExplainedComponentInitial EigenvaluesTotal% of VarianceCumulative %19.13965.27921.71812.26931.0147.2404.6594.7065.5363.8276.3612.5777.2581.8448.133.9529.077.54910.049.34911.031.22412.020.14

34、013.005.03814.001.005100.000Total Varianee ExplainedComponentInitialEige nvaluesExtract!on Sums of Squared LoadingsCumulative %Total% of VarianceCumulative %165.2799.13965.27965.279277.5481.71812.26977.548384.7881.0147.24084.788489.494.6594.70689.494593.321.5363.82793.321695.898.3612.57795.898797.74

35、3.2581.84497.743898.695.133.95298.695999.244.077.54999.2441099.593.049.34999.5931199.817.031.22499.8171299.958.020.14099.9581399.995.005.03899.995Extracti on Method: Prin cipal Comp orient Analysis.Total Variance ExplainedComponentRotation Sums of Squared LoadingsTotal% of VarianceCumulative %14.794

36、34.24234.24222.26216.15850.40031.84613.18863.58741.57111.22274.80951.54811.06085.8696.8446.02891.8987.5674.04895.9468.2731.94897.8949.131.93898.83210.068.48299.31411.046.32999.64312.035.25299.89513.014.10099.995该表格是因子分析后因子提取和银子旋转的结果。其中，Component列和Ini tial Eige nv alues列（第一列到第四列）描述了因子分析初始解对原有变量总体 描述情

37、况。第一列是因子分析13个初始解序号。第二列是因子变量的方差贡献（特征 值），它是衡量因子重要程度的指标，例如第一行的特征值为9.139,后面描述因子的 方差依次减少。第三列是各因子变量的方差贡献率（% of Variance，表示该因子描述的方差占原有变量总方差的比例。第四列是因子变量的累计方差 贡献率，表示前m个因子描述的总方差占原有变量的总方差的比例。第五列和第七 列则是从初始解中按照一定标准（在前面的分析中是设定了提取因子的标准是特征值 大于1 ）提取了 3个公共因子后对原变量总体的描述情况。各列数据的含义和前面第 二列到第四列相同，可见提取了 5个因子后，它们反映了原变量的 大部分信

38、息。第八 列到第十列是旋转以后得到的因子对原变量总体的刻画情况。各列的含义和第五列到 第七列是一样的。（6）SPSS输出的该部分的结果如下：Comp orient MatrixComp onent123456人均一般预算性财政收入人均城乡居民储蓄存款每千人拥有病床数第三产业占GDP比車（%）人才密度指数人均城镇固定资产投资额每万人拥有执业医师数量人均实际利用外资额（万美元/人）人均社会消费品零售额人均GDP （元/人）科技支出占财政支岀比重（）在岗职工平均工资农民人均纯收入人均全社会固定资产投资额.959.959.910.890.886.868.861.815.805.797.712.706.

39、271.611-.075.008.272-.087.098-.162-.362-.271.370.458.000.386.887-.328.015-.154-.089-.137-.098.404-.183-.346.218.282-.097.158-.002.604.179-.183.137.079-.203.099.621.145-.088.074-.140-.039-.051.067.151.078-.115.064.026-.029.302-.523.001.040.373 -.259.006.069-.012-.223.163-.008.

40、080.253.028Extraction Method: Principal Component Analysisa. 13 components extracted.该表格是最终的因子载荷矩阵A，对应前面的因子分析的数学模型部分。根据该表格 可以得到如下因子模型：X=AF+a &Xi=0.959Fi-0.075F2+0.01 5F3+0.158 F4-0.140F5-0.023F6-0.096F7+0.017Fs-0.117Fd+O.OO4Fio-O.O62Fii-O.O4O Fi2+0.021 F13aComponent MatrixCompone nt7891011人均一般预算14财政

41、收入人均城乡居民储蓄存款每千人拥有病床数第二产W占GDP比重（）人才密度指数人均城镇固定资产投资额每万人拥有执业医师数量人均实际利用外资额（万美元/人）人均社会消费品零售额人均GDP （元/人）科技支出占财政支出比重（）在岗职工平均工资农民人均纯收入人均全社会固定资产投资额-.096.109.158-.079-.066-.024.200-.330.177-.116.046-.042.036.044.017-.022.034-.039-.252.094-.081.115.191-.005-.005-.032-.006.006-.11734.061-.044.066.001.015.080.035

42、-.101.023.110.039.055.004-.073.106 -.049 -.017.015.073.021-.054.094-.059-.058.053 -.045.062-.016-.046.036 -.035 -.087.061.023.027.081.014.000 -.030.050Extracti on Method: Prin cipal Comp on ent Analysis.a. 13 components extracted.Component Matrix *Comp onent1213人均一般预算性财政收入-.040.021人均城乡居民储蓄存款.089-.01

43、5每千人拥有病床数-.004-.042第二产业占GDP比重（%）-.066-.019人才密度指数-.019-.006人均城镇固定资产投资额-.004.018每万人拥有执业医师数量.008.040人均实际利用外资额（万美元/.046.003人）人均社会消费品零售额-.044-.001人均GDP （元/人）-.003-.011科技支出占财政支出比重（）.002.016I在岗职工平均工资.011.002农民人均纯收入.028.011人均全社会固定资产投资额.017-.006Extract!on Method: Principal Component Analysis.a. 13 comp on en

44、ts extracted.7） SPSS输出的该部分的结果如下：该表格是按照前面设定的方差极大法对因子载荷矩阵旋转后的结果。未经过旋转 的载荷矩阵中，因子变量在许多变量上都有较高的载荷。经过旋转之后，第一个因子含义略加清楚，基本上放映了“每万人拥有执业医师数量”、“第三产业占GDP比重（） ”、“人均实际利用外资额（万美元/人）”；第二个因子基本上反映了“人均全社会固定资产投资额”、“人均城镇固定资产投资额”；第三个因子反映了 “在岗职工平均 工资” ”aRotated Component MatrixComponent123456每万人拥有执业医师数量第二产业占GDP比重（%）人均实际利用外

45、资额（万美元/ 人）人均城乡居民储蓄存款每千人拥有病床数人均一般预算，性财政收入人均全社会固定资产投资额人均城镇固定资产投资额在岗职工平均工资人均GDP （元/人）科技支出占财政支出比重（）农民人均纯收入人均社会消费品零售额人才密度指数.877.861.806.767.718.636.220.500.288.198.340.012.498.583.278.216.338.953.772.161.386.166-.044.101.202.306.284.496.577.330.290.895.063.156.218-.125.261-.047.174-.082.018-.063.096.239.429.127.972.396.229.181-.010.142.3046.077.105.663.291Extraction Method: Principal Component AnalysisRotation Method: Varimax with Ka