整理Spss15_软件进行因子分析的统计分析过程

1、Spss11.5软件进行因子分析的统计分析过程.因子分析的基本步骤(1)菜单选项：analyze-Data Reduction-Factor；(2)选择参与因子分析的变量到Variables框；Discriptive:分析是否适合做因子分析；Extraction：选择构造因子变量的方法，默认主成分分析法。Extract框：指定确定因子个数的标准；(5)Rotation：择因子载荷矩阵的旋转方法。默认是不进行旋转。一般可以选择 Varimax选项采用方差极大法旋转。(6)Scores： Save as variables：将因子得分存成一个名为FACn_m的SPSS变量 中，其中：n是因子变量的

2、名，以数字序号的形式表示；m表示是第几次作的。 Display factor score coefficient matrix项表示：以矩阵的形式输出因子得分函数。 Method框中提供了估计因子得分的几种方法。.因子分析具体过程在Spss11.5 for windows中进行因子分析的统计分析过程由主菜单的Analyze 下拉菜单中Data Reduction的功能中的Factor (因子分析)过程实现。因子分析的主对话框：Dcscriptivcs. Extrac-tion. Rotation.Scores.Options.*制诲：啖金电松因子分析的主对话框介绍：Variables：变量栏；

3、Selection Variable：选择变量值范围；Descriptives ：选择 描述统计量的按钮；Extraction：因子提取按钮；Rotation：旋转方法选择按 钮；Scores：因子得分按钮;Options：选择项按钮。Descriptives子对话框介绍：单击Descriptives.按钮，打开Descriptives子对话框Statistics：统计量组：Univariate descriptives：单变量描述统计量，选择此项可以输出参与分析的 各原始变量的均值、标准差等；Initial solution （默认选择项）：初始分析结果，选择此项可以给出原始变量 的公因子方

4、差、与变量数目相等的公因子、各因子特征值、各因子特征值占总方 差的百分比以及累积百分比；Correlation Matrix:相关矩阵组：Coefficients相关系数选择此项给出原始变量间的相关系数矩阵；Significance levels 显著性水平选择此项给出每个相关系数相对于相关系数 为0的假设检验概率水平；Determinant相关系数矩阵的行列式；KMO and Bartlett,s test of sphericity KMO 和球形 Bartlett 检验。选择此项 给出对采样充足度的Kaisex-Meyer-Olkin测度。检验变量间的偏相关是否很小。 Bartlett检

5、验，检验的是相关阵是否是单位阵。它表明因子模型是否是不合适宜 的；Inverse相关系数矩阵的逆矩阵；Reproduced 再生相关阵，选择此项给出因子分析后的相关阵，还给出残差， 即原始相关与再生相关之间的差值；Anti-image反映象相关阵。包括偏相关系数的负数；反映象协方差阵，包括偏协方差的负数；在一个好的因子模型中除对角线上的系数较大外，远离对角线 的元素应该比较小。Extraction子对话框介绍单击Extraction按钮，打开Extraction子对话框Method： 一组指定提取方法的选择项。单击矩形框右面的箭头可以展开提 取方法，七种提取方法选择。Principal com

6、ponents：主成分法。该方法假设变量是因子的纯线性组合；Unweighted least square：不加权最小平方法。该方法使观测的和再生的相关 阵之差的平方最小；Generalized least squares：用变量的单值加权，使观测的和再生的相关阵之 差的平方最小；Maximum likelihood：最大似然法。此方法不要求多元正态分布。给出参数 估计，如果样本来自多元正态总体，它们与原始变量的相关阵极为相似；Principal Axis factoring：使用多元相关平方作为对公因子方差的初始估计；Alpha factoring:因子提取法；Image factoring

7、：映象因子提取法。根据变量映象的概念提取公因子的方法。 把一个变量看作其它各变量Analyze：确定相关矩阵和协方差矩阵；。Covariance matrix （默认选择项）：相关矩阵；O Covariance matrix: 协方差矩阵。Extract：控制提取进程和提取结果的选择项；Eigenvalues over （默认选择项）该选择项指定提取的因子的特征值。在此 项后面的矩形框中给出系统默认值为1，即要求提取那些特征值大于1的因子；ONumber of factors该选择项指定提取公因子的数目。用鼠标单击此项后， 将指定的数目键入到该选择项后面的矩形框中。Display：指定与因子提

8、取有关的输出项；Unrotated factor solution （默认选择项）：要求显示经旋转的因子提取结果；Scree plot：要求显示按特征值大小排列的因子序号与特征值为两个坐标轴的 碎石图。Maximum iteration for Convergence：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。单击Rotation按钮，打开Rotation子对话框Method ：旋转方法选择项。None （默认选择项）：不进行旋转；OVarimax：方差最大旋转；ODirect oblimin：斜交旋转，指定此项可以在下面的矩形框中键入相应值， 该值应该在0-1之间，是因子映

9、象自相关的范围；OQuartimax：四次方最大正交旋转；OEquamax：平方正交旋转；O Promax :在正交最大方差旋转基础上进行斜交旋转。Display：输出显示的选择项；Rotated solution （默认选择项）：旋转结果。反映定此项将对正交旋转显示旋 转后的因子矩阵模式、因子转换矩阵；对斜交旋转显示旋转后的因子矩阵模式、 因子结构矩阵和因子间的相关阵；Loading plots：因子载荷散点图。指定此项将给出以两两因子为坐标轴的 各变量的载荷散点图。如果有两个因子，将给出各原始变量 在 Factor1-Factor2 坐标系中的散点图，如果多于两个因子，则给出三维因子载荷散

10、点图。Maximum iteration for Convergence：旋转收敛的最大迭代次数。系统默认值 为25。可以在此项后面的矩形框中键入指定值。Scores子对话框介绍单击Scores3按钮，打开Scores子对话框Save as variables：选择此项，将因子得分作为新变量保存在数据文件中。程 序运行结束后，在数据窗口中显示出新变量。对每一次分析产生一级新变量，用 最后一个数字字符表示分析的顺序号。每次分析中产生多少个因子，新生窗口中 给出对因子得分的命名解释。Method：指定计算因子得分的方法。Regression：回归法。其因子得分的均值为0。方差等于估计因子得分与 实

11、际因子得分之间的多元相关的平方；OBartlett：巴特来特法。因子得分均值为0；OAnderson-Rubin：安德森-鲁宾法。是为了保证因子的正交性而对巴特来特 因子得分的调整。其因子得分的均值为0，标准差为1。Display factor score coefficient matrix :选择此项将在输出窗口中显示因子得 分系统矩阵。是标准化的得分系数，原始变量值进行标准化后，可以根据该矩阵 给出的系统计算各观测量的因子得分。Options子对话框介绍单击Options按钮，打开Options子对话框Missing Values：缺失值处理方法选择项。Exclude cases lis

12、twise：选择此项，在分析过程中对那些变量中有缺失值的 观测量一律剔除，所有带有缺失值的观测量都不参与分析；OExclude cases pairwise：选择此项，成对剔除带有缺失值勤的观测量。换 句话说，在计算两个变量的相关系数时，只把这两个变量中带有缺失值的观测量 剔除。如果一个观测量在正进行相关系数的变量中没有缺失值，其它变量中带有 缺失值勤，那么不影响当前相关系数的计算。OReplace with mean：用该变量的均值代替工作变量的所有缺失值；Coefficient Display Format：此项决定相关系数的显示格式。Sorted by size：系数按其数值的大小排列；

13、Suppress absolute values less than：选择此项，不显示那些绝对值小于指定值 的相关系数，选择此项需要在该项右面的矩形框中键入临界值。系统默认的临界 值为0.10。应用实例利用1995年的数据进行因子分析，以对我国社会发展状况进行综合考察第一步：数据录入，定义变量及标签。设X0：省份；X1：人均GDP （元）； X2：新增固定资产（亿元）；X3：城镇居民人均年可支配收入（元）；X4：农村 居民家庭人均纯收入（元）；X5：高等学校数（所）X6：卫生机构数（个）。第二步：统计分析。操作步骤：选择 Analyzef Data Reductionf Factor,打开 F

14、actor Analysis 主对话框；选择变量X1至X6,点击向右的箭头按钮，将六个变量移到Variable栏中；点击Descriptives按钮，打开Descriptives子对话框。在此对话框的Statistics 下选择 Initial solution； Correlation Matrix 下选择 coefficients,单击 Continue 按钮， 返回Factor Analysis主对话框；单击Extraction.按钮，打开Extraction子对话框。在此对话框的Method下 选择 Principal components； Analyze 下选择 Correlati

15、on Matrix； Extract 下选择 Number of Factor,并在其右端的矩形框键入6； Display下选择Unrotated factor 和 Scree plot,单击 Continue 按钮，返回 Factor Analysis 主对话框；第三步：点击OK按钮，显示结果清单。结果与分析：Correlation Matrix （相关矩阵）X1X2X3X4X5X6CorrelationX11.000.458.761.934.285-.061X2.4581.000.261.449.658.570X3.761.2611.000.846.251.129X4.934.449.84

16、61.000.390.093X5.285.658.251.3901.000.748X6-.061.570.129.093.7481.000从表Correlation Matrix （相关矩阵）可知，各变量间存在较强的相关关系， 因此有必要进行因子分析。表中主对角线上的元素为1，表明变量自身于自身的 相关系数为1。Total Variance Explained （解释总方差）Initial Eigenvalues （初始特征值）Extraction Sums of Squared Loadings （提取平方载荷总和）Tota特征 根% of VarianceCumulative % 累计贡献

17、率Total 特征 根% of VarianceCumulative %累计贡献率方差贡献 率方差贡献 率13.32555.40955.4093.32555.40955.40921.79129.84585.2541.79129.84585.2543.4938.21293.466.4938.21293.4664.2644.40097.866.2644.40097.8665.0881.47499.339.0881.47499.3396.040.661100.000.040.661100.000Extraction Method: Principal Component Analysis.（提取方法

18、:主成分分析）从表Total Variance Explained （解释总方差）可知，前三个因子一起解释总 方差的93.466%（累计贡献率），这说明前三个因子提供了原始数据的足够信息。根据以上分析提取因子情况，单击Extraction按钮，打开Extraction子对话 框。Extract下选择Number of Factor，并在其右端的矩形框键入3； Display下选 择 Unrotated factor 和 Scree plot，单击 Continue 按钮，返回 Factor Analysis 主对 话框；单击Scores按钮，打开Scores子对话框。在此对话框选择Save a

19、s Variable 和 Display Factor Scree Coefficient matrix，单击 Continue 按钮，返回 Factor Analysis 主对话框；点击OK按钮，显示结果清单。Communalities （因子共同度）InitialExtractionX11.000.966X21.000.940X31.000.942X41.000.962X51.000.852X61.000.947从表Communalities （因子共同度）可看出，变量至都很好地被三个因子解释，因为这6个变量的因子共同度均在0.8以上。Total Variance Explained （解

20、释方差总和）Initial Eigenvalues 初始特征值Extraction Sums of Squared Loadings 提取平方载荷的总和Rotation Sums of Squared Loadings 旋转平方载荷的总和Total% of Varian ceCumula tive %Total% of Vari anceCumulat ive %Total% of Varia nceCumulat ive %3.32555.40955.4093.32555.40 955.4092.67444.57 144.5711.79129.84585.2541.79129.84 585.

21、2541.91431.90 376.475.4938.21293.466.4938.21293.4661.01916.99 193.466.2644.40097.866.0881.47499.339.040.661100.000Extraction Method: Principal Component Analysis.（提取方法:主成分分析）从表Total Variance Explained （解释方差总和）的特征值可看出，提取的前三个因子的特征值共占总方差93 .466%，被放弃的其它3个因子解释的方差仅占 不到10%，因此说明前三个因子提供了原始数据的足够信息。Component M

22、atrix(a)(因子载荷矩阵)Component123X1.832-.488-.190X2.732.431-.467X3.780-.434.380X4.894-.403.021X5.692.607.071X6.460.805.297Component Matrix(a)(因子载荷矩阵)是初始因子载荷矩阵，通过这个系数 矩阵可以用各原变量写出因子表达式，以便了解因子的含义。从表中数据看出第 一、第二和第三因子在个别原变量上的载荷值相差不大，故不太好解释它们的含 义，因此须进一步因子旋转以便更好地了解它们的含义。Rotated Component Matrix（a）（旋转后因子载荷矩阵）Component123X1.893-.074.404X2.223.493.804X3.948.173-.113X4.940.106.260X5.209.829.347X6-.037.968.094Extraction Method: Principal Component Analysis.（提取方法:主成分分析）Rotation Method: Varimax with Kaiser Normalization（. 旋转方法：用凯撤的方差最大