主成分因子分析报告步骤

1、WORD格式整理专业资料实用文主成分分析、因3子分析步骤不同点概念主成分分析具有相关关系的 p个变量，经过线性组合后成为k个不相关的新因子分析将原数据中多个可能相关的变量综合成少数几变量个不相关的可反映原始变量的绝大多数信息的 综合变量主要减少变量个数，以较少的主成分找寻变量间的内部相关性及潜在的共同因素，汪人仕什 粉卅t厶+祐十入涮曰标米解释原有变量间的大部分变 异，适合于数据简化适合做数据结构检测强调重点强调的是 解释数据变异的能力，以方差为导向，使方差达到最大强调的是 变量之间的相关性 ，以协方差 为导向， 关心每个变量与其他变量共同享有部分的大小最终结 果应用形成一个或数个总指标变量反

2、映变量间潜在或观察不到的因素变异解它将所有的变量的变异都考虑只考虑每一题与其他题目共同享有的变异，因释程度在内，因而没有误差项而有误差项，叫独特因素主成分分析作综合指标用，是否需是否有只是对数据作变换，假设设不需要旋转因子分析需要经过旋转才能对因子作命名与解故不需要假因子分析对资料要求需符合许多假设，如罗昙设条件不符，贝则因子分析的结果将受到保假 质疑1【分析】-【降维】-【因子分析/崇切夕毎禺吉富虫的次數 令性别廣怜I)巡迦10)碑定1殆畋E)9K(g)KOh(1) 描述性统计量( Descriptives )对话框设置 专业资料KMO和Bartlett的球形度检验（检验多变量正态性和原始变

3、量是否适合作因子分析）标准文档WORD格式整理实用文案$因子分析:描述統计Statistics 丨单吏量描述性© J厚豁分析结黑山糸数(£)1逆模型迥)匕显著性水平(！)二再生迟)L行列式助E1反收象©)g KMO和Bartlett的球形度检验址挨H取湧j帮助KJ(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“旋转解因

4、子分析:墟转X无O 大也戻才值说鱼)IO> 大7F&«(Y) c 大平師值法(0©直(If Otofemri ifi(O) O PromaxfP)備出1V *HK(R) V SfL)大收 ft tie 代欣1?5|(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H因子分析：因子得分>N保存为*«(S)厂 7T>£t(回归©)0 Bartlett(B)C)Ander son-Rubh(A)y数疑陆0(5) 选项(Options )对话框设置m因子分析:

5、选顶抉失值檢兀衰博粽牛条(9 核对梅除个細羸数鼻示福武 按大小ttff(S) f取膚小寮敷(少 龙对ta如下(邑h2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-Olk in度量。.515Bartlett的球形度检验近似卡方3.784df6Sig.706 .标准文档专业资料当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）、

6、KMO >0.5 （粗劣）、KMO V 0.5 （不能接受）。（2）公因子方差公因子方差f起始撷取卫生1.000.855饭量1.000.846等待时间1.000.819味道1.000.919亲切1.000.608撷取方法：主体元件分析。Commu nalities（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贝献率因子

7、累积贡献率总计变异的%累加%总计变异的%累加%总计变异的%累加%12.45149.02449.0242.45149.02449.0242.04240.84340.84321.59531.89980.9231.59531.89980.9232.00440.07980.9233.66213.24694.1684.1913.82397.9925.1002.008100.000撷取方法：主体元件分析。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

8、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。dfri - J 1I-r <Til电 rx . MICJJ4 P去會基的MK IFAC1_1FAC2_1祚411 B4 胆 84 6J68911 2M234 60622311 6113699232411786221-4

9、8502311.11567-t 0820£12592003122F£1J4573.1275414 449174603311 1 327304 03265¥17%31,088551-1 480311156111246641 257911289471 20061761241 5642C，在数据文件中可以看到增加了2个变量，fac1_1、至此已经将5个问项降维到两个因子fac2_1，即为因子得分。(4) 成分矩阵与旋转成分矩阵元件1°.815.427等侍时间-.787.447卩牛-.775.504味道.750.597亲切.069* .776撷取方法：主体元件分

10、析。 氛撷取2个元件。元件1A 厶味道955 mF1 -.0868841-.255卫生.212 to 1 bI .900等待时间260.867亲切-.487-.609撷取方法：主体元件分祈。转紬方法：具有 laiser 正规化的最 大变异法。ft-在3疊代中收敘循坏o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 。般的，因子负荷量的绝对值0.4以上，认为是的变量。如味道与饭量关于因子1的负荷量咼，卫生、亲切关于因子2的负荷量高，

11、所以聚成因子显著的变量，超过0.5时可以说是非常重要 所以聚成因子1，称为饮食因子；等待时间、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元/件12卫生-.010.447饭量.425-.036等待时间-.038.424味道.480.059亲切-.316-.371撷取方法：主体元件分析。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+0.05

12、9*X4-0.371*X5(6) 因子转换矩阵元件转换矩阵元件121.723-.6912.691.723撷取方法：主体元件分析。转轴方法：具有Kaiser 正规化的最大变异法。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元件1211.000.0002.0001.000撷取方法：主体元件分析转轴方法：具有 Kaiser 正规化的最大变异法。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主成分分析1【分析】一一【降维】一一【因子分析】rTT-Vr'w-k±O侏性顾迟）V未SW的El子解迟）0悔方菱矩J

13、?QO13 SFEE(S)捕敗暮于WtEfIT(A) i 二0 El子的固宦費星凹9»的园子（I）s量大收SHt退代次戦09 |25.购纠tLA 常助【旋转】：选取第一个选项“无”绘因子分析:桂转方法无（皿C杲大四次方（fi;£（Q）最大方雀法世）最大平衡值法隹）C直接Oblimin方法0 Promax输出-1症转解二D載荷图©乜燮J取丙帮助【得分】：“保存为变量”【方法】：“回归”；再选中“显示因子得分系数矩阵:境曲分析:因子得分M保存对麥量§）丿 J / jUh回归迟）O Bartlett0 Anderson-Rubin“曇示因子律互知S矩硏（可岂二

14、： ：-二-：- II IL J3取消段眄ti因子分折:选项哽（1越境刃康排呼个索QJD按对排降个案（巴 -使用平均值智換（旦）:数就示格式一1按大小撲序（切3取消小>it（y） 绝对值如下©）:砂取消| 88助2结果分析（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食品1.000.692.319.760.738.556衣着.6921.000-.081.663.902.389燃料.319-.0811.000-.089-.061.267住房.760.663-.0891.000.831.387交通和通讯.738.902-.061.8311.000.326娱乐

15、教育文化.556.389.267.387.3261.000两两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-OIki n测量取样适当性。.602Bartlett的球形检大约卡方62.216定df15显著性.000根据 Kaiser 的观点，当 KMO > 0.9 （很棒）、KMO > 0.8 （很好）、KMO > 0.7 （中等）、KMO &g

16、t; 0.6（普通）、KMO > 0.5 （粗劣）、KMO V 0.5 （不能接受）。（3）公因子方差Commun alities起始擷取食品1.000.878衣着1.000.825燃料1.000.841住房1.000.810交通和通讯1.000.919娱乐教育文化1.000.584擷取方法：主體元件分析。Commu nalities（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。（

17、4 ）解释的总方差：说明的变异数总计元件起始特征值撷取平方和载入总计变异的%累加%总计变异的%累加%13.56859.47459.4743.56859.47459.47421.28821.46680.9391.28821.46680.9393.60010.00190.9414.3585.97596.9165.1422.37299.2886.043.712100.000撷取方法：主体元件分析。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。（5）成分矩阵（因子载荷矩阵）a元件矩

18、阵元件12食品.902.255衣着.880-.224燃料.093.912住房.878-.195交通和通讯.925-.252娱乐教育文化.588.488撷取方法：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 3. 568 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 +0.47

19、8*Z 食 +0.466*Z 衣 +0.465*Z 住 +0.311*Z 娱 +0.049*Z 燃（6）因子得分13 IgUM4 W2t aWTf 5221 ni J7* J7717电I章 <19*44 $4*2!甲节丫i*i|< $T肃1$山 隔11$ !JO13 29JJ C0p 77J K-1103w"111 IV<J AO ©A <VhAI W< JW-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得分二因子1得分乘以3.568的算数平方根主成分2得分二因子2得分乘以1.288的算数平方根【转换】一【计算变量】REG? TctOt JCOre 1 1 肾 Elj會SCO C : f语帶巳LnLOQ4TYn4ModRndl 1)Pnd( 2JSqrt 1rxj»c(l1rtc(3MU(P)P1<(8) *吧图 * JttBiDI地区因子2王成分1主成分？12 04910-228723 870