spss因子分析 spss因子分析教程

spss是一款由IBM公司推出的软件分析软件，如果我们利用spss软件进行数据结构处理的时候，可以使用因子分析的方法来简化数据结构，将具有错综复杂关系的变量综合为数据较少的因子，达到信息损失最少就可以完成对变量的分类。

研究问题时尽可能多的收集资料，便于对问题有充分了解，这样确实便于全面、精确地描述事物，实际数据建模中，有些变量不一定可以真正发挥作用，还可能加大计算工作量，所以要因子分析。对于高纬变量和海量数据是不可忽略的问题。收集到的变量数据通常之间存在一定的相关性，变量间的信息高度重叠和高度相关给统计方法带来困难，例如，在多元线性回归分析中，若变量之间有较强的相关性，则会对回归方程参数估计带来困难，致使参数不准确，模型不可用。

1、因子相关性的检验：方法有相关系数矩阵、反映像相关矩阵、巴特利特球度检验、KMO检验。

2、因子提取和因子载荷矩阵的求解：基于主成分模型的主成分分析法、基于因子分析模型的主轴因子法、极大似然法、最小二乘法、a因子提取法、映像分析法。主成分分析法能够为因子分析提供初始解，因子分析是主成分分析结果的延伸和拓展。

3、因子命名、旋转：在因子载荷矩阵中，多行情况，遇到变量与多个因子有较大的相关关系，即变量需要多个因子共同解释；多列情况，一个因子可以同时解释多个变量。说明一个因子不能单独代表原有的一个变量，因子模糊不清，而实际情况是对因子有清醒认识，所以因子旋转。必不可少，尽量使一个变量在较少的几个因子上有比较高的载荷。

4、计算因子得分：因子得分为因子分析的最终体现，计算各因子在每个样本上的具体数值，即为因子得分，形成的变量称为因子变量，在接下来的分析中因子变量可代替原有的变量进行数据建模，对问题降维或简化处理。

输出结果分析：

借助相关系数矩阵、反映像相关矩阵、巴特利特球度检验和KMO检验方法分析。观察大部分相关系数都较高，线性关系较强，可以提取公共因子，适合因子分析。在KMO中，概率为0.000小于显著性水平，拒绝原假设，与单位矩阵有显著差异，KMO为0.882，说明适合因子分析。

每组的列向量含义，特征值、方差贡献率、累计方差贡献率。第二列表示提取两个因子，共同解释84.259％，丢失的信息较少。第三列表示旋转后的因子，总的方差贡献率没有改变，就是说没有影响原有的共同度，重新分配各个因子解释原有变量的方差，改变各个因子的方差贡献率。

碎石图：纵坐标为特征值，横坐标为因子个数。特征值越小则对原有变量的贡献很小，可以忽略，所以提取两个也算是可以的。

成分矩阵：结果是某个变量等于两个因子与对应系数相乘后相加的结果。观察可知，第一个因子与所有变量的相关性程度高，与第二个不高，含义模糊，不利于命名，所以因子要旋转。

因子命名解释：采用方差极 * 对因子载荷矩阵实行正交旋转以使因子具有命名解释性。可以指定按照第一因子载荷降序的顺序输出旋转后的因子载荷。见图，联营、股份、集体、国有在第一因子有较高载荷，可解释为内部投资经济单位，其他、外商、港澳在第二个的载荷高，解释为外来投资经济单位。观察因子协方差矩阵，两个因子的线性相关性几乎没有，符合因子分析的效果。

以上便是利用spss进行因子分析的过程，如果你看过本篇教程后还有不明白的地方，欢迎在下面留言区留言。