包含spss因子分析的词条

在SPSS做因子分析时，将原始数据输入，和将标准化后的数据输入，产生的结果会不会不同？？

理论上不会改变。

因子分析的主要途径是构建因子模型来计算各主因子得分，从而分析主因子的贡献力总结出因子实际意义。数据标准化只是将不同变量量纲化，说明白点就是去掉各变量的单位，统一为标准化数据。

如果原始数据单位不冲突，标准化与否影响不大，正规来讲，做多元统计分析前需要将数据进行标准化处理，保证统计分析的正确性。所以不仅不要担心结果改变，相反应该要求数据的标准化处理。

扩展资料：

变量无法直接测量。可以直接测量的可能只是它所反映的一个表征，或者是它的一部分。在这里，表征与部分是两个不同的概念。表征是由这个隐性变量直接决定的。隐性变量是因，而表征是果，比如学习积极性是课堂参与程度 (表征测度)的一个主要决定因素。

自变量与应变量之间是应该相关的，而不是独立的。这些局限性就要求有一种更加灵活的建模方法，使研究者不但可以更细致地描述测度项与因子之间的关系，而且可以对这个关系直接进行测试。而在探索性因子分析中，一个被测试的模型(比如正交的因子) 往往不是研究者理论中的确切的模型。

参考资料来源：百度百科--因子分析

如何spss因子分析

可以使用在线spss平台SPSSAU进行分析，因子分析用于探索定量数据可以浓缩为几个方面(因子)，每个方面(因子)和题项对应关系。因子分析步骤：

1、选择进阶方法因子

2、设置输出维度（因子）个数

3、点击开始分析

因子分析通常有三个步骤：第一步是判断是否适合进行因子分析；第二步是因子与题项对应关系判断；第三步是因子命名。

第一步:判断是否进行因子分析,判断标准为KMO值大于0.6;

第二步:因子与题项对应关系判断。如因子与题项对应关系与预期严重不符则可考虑对题项进行删除

第三步：在第二步删除掉不合理题项后,并且确认因子与题项对应关系良好后,则可结合因子与题项对应关系,对因子进行命名。

spss因子分析详细步骤

1、在新建的Excel表格中，插入六列数据，有种类、AC1、AC2、AC3、AC4和AC5；

2、打开SPSS分析工具，点击文件菜单，打开数据选择excel表格，从而导入数据；

3、导入数据之后，调整变量列展示的宽度，展示默认数据视图；

4、单击分析菜单，然后选择降维中的因子；

5、打开因子分析窗口，将AC1、AC2、AC3、AC4和AC5移到变量框中；

6、点击描述按钮，打开对应的窗口，统计勾选初始解，相关系数矩阵勾选系数和KMO和巴特利特球形度检验；

7、接着点击提取按钮，打开窗口并勾选分析相关性矩阵，显示勾选未旋转因子解和碎石图；

8、选择旋转打开窗口，方法选择最大方差法，显示勾选旋转后的解和载荷图；

9、点击得分按钮，打开因子得分窗口，勾选保存为变量，方法选择回归，然后单击继续；

10、最后设置选项，缺失值勾选成列排除个数，系数显示格式勾选按大小排序，然后点击继续；

11、确定之后，生成因子分析结果，有相关性矩阵、KMO和巴特利特检验；

12、根据已选的几个变量，生成公因子方差和总方差解释；

13、接着，生成以组件号为横坐标，特征值为纵坐标，构成碎石图；

14、还可以生成成分矩阵和旋转后的成分矩阵，提取方法是主成分分析法；

15、在成分转换矩阵下方，生成旋转后的空间中的组件图；

16、最后按照成分，生成成分得分系数矩阵和成分得分协方差矩阵。

spss因子分析为什么要对因子进行旋转？

因子旋转是为了更有利于用现实语言来描述所得因子。正常因子分析得出的因子可能逻辑意义不明显，理解起来很困难。但旋转之后就可能得到有逻辑意义的因子。

最常用的方法是方差最大的正交旋转法，使旋转后的因子载荷阵中的每一列元素尽可能地拉开距离，即向0或1两极分化。

使每一个主因子只对应少数几个变量具有高载荷，其余载荷很小， 且每一变量也只在少数个主因子上具有高载荷，其余载荷都很小。

扩展资料：

建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子后，各个主因子的典型代表变量不是很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。

若正交旋转后的公因子仍然没有明显的实际意义，亦可作方差极大的斜交旋转，选择适当的非退化矩阵P(P非正交阵)，使AP的总方差达最大的变换称为方差极大的斜交旋转，变换矩阵P是一般的非奇异矩阵，故具有更大的选择性。

spss分析方法-因子分析（转载）

因子分析就是将大量的彼此可能存在相关关系的变量，转换成较少的彼此不相关的综合指标的多元统计方法。。 下面我们主要从下面四个方面来解说：

[if !supportLineBreakNewLine]

[endif]

实际应用

理论思想

建立模型

[if !supportLineBreakNewLine]

[endif]

分析结果

[if !supportLineBreakNewLine]

[endif]

一、实际应用

在市场调研中，研究人员关心的是一些研究指标的集成或者组合，这些概念通常是通过等级评分问题来测量的，如利用李克特量表取得的变量。每一个指标的集合（或一组相关联的指标）就是一个因子，指标概念等级得分就是因子得分。因子分析在市场调研中有着广泛的应用，主要包括：（1）消费者习惯和态度研究（UA）（2） 品牌形象和特性研究（3）服务质量调查（4） 个性测试（5）形象调查（6） 市场划分识别（7）顾客、产品和行为分类在实际应用中，通过因子得分可以得出不同因子的重要性指标，而管理者则可根据这些指标的重要性来决定首先要解决的市场问题或产品问题。

[if !supportLineBreakNewLine]

[endif]

二、理论思想

因子分析（Factor Analysis）是一种数据简化的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个独立的不可观测变量来表示其基本的数据结构。这几个假想变量能够反映原来众多变量的主要信息。原始的变量是可观测的显式变量，而假想变量是不可观测的潜在变量，称为因子。主成分分析利用的是“降维”的思想，利用原始变量的线性组合组成主成分。在信息损失较小的前提下，把多个指标转化为几个互补相关的综合指标。因子分析是主成分分析的扩展和推广，通过对原始变量的相关系数矩阵内部结构的研究，导出能控制所有变量的少数几个不可观测的综合变量，通过这少数几个综合变量去描述原始的多个变量之间的相关关系。。

[if !supportLineBreakNewLine]

[endif]

因子分析的数学模型可以表示为Xp×1=Ap×m·Fm×1+ep×1，其中X为可实测的p维随机向量，它的每个分量代表一个指标或变量。

F=(F1, F2,...,Fm)T为不可观测的m维随机向量，它的各个分量将出现在每个变量之中，所以称它们为公共因子。矩阵A称为因子载荷矩阵，矩阵中的每一个元素称为因子载荷，表示第i个变量在第j个公共因子上的载荷，它们需要由多次观测X所得到的样本来估计。

向量e称为特殊因子，其中包括随机误差，它们满足条件：

（1）Cov(F,e)=0，即F与e不相关。

（2）Cov(Fi,Fj)=0,i≠j ，Var(Fi)=Cov(Fi, Fj)=I ，即向量F的协方差矩阵为m阶单位阵。（

3）Cov(ei,ej)=0,i≠j ，Var(ei)=σi2，即向量e的协方差矩阵为p阶对角阵。因子分析的基本思想是通过变量的相关系数矩阵内部结构的分析，从中找出少数几个能控制原始变量的随机变量Fi(i=1,2,...,m)，选取公共因子的原则是使尽可能多地包含原始变量中的信息，建立模型X=A· F+e ，忽略e，以F代替X，用它再现原始变量X的众多分量之间的相关关系，达到简化变量降低维数的目的。

[if !supportLineBreakNewLine]

[endif]

三、建立模型

[if !supportLineBreakNewLine]

[endif]

因子分析的基本步骤如下。

对数据进行标准化处理，

估计因子载荷矩阵，

因子旋转，建立因子分析数学模型的目的不仅要找出公共因子并对变量进行分组，更重要的是要知道每个公共因子的意义，以便对实际问题作出科学分析。当因子载荷矩阵A的结构不便对主因子进行解释时，可用一个正交阵右乘A（即对A实施一个正交变换）。由线性代数知识，对A施行一个正交变换，对应坐标系就有一次旋转，便于对因子的意义进行解释。

估计因子得分以公共因子表示原因变量的线性组合，而得到因子得分函数。我们可以通过因子得分函数计算观测记录在各个公共因子上的得分，从而解决公共因子不可观测的问题。

[if !supportLineBreakNewLine]

[endif]

因子分析案例：

[if !supportLineBreakNewLine]

[endif]

题目：以下给出了中国历年国民经济主要指标统计（1992～2000）数据。试用因子分析对这些指标提取公因子并写出提取的公因子与这些指标之间的表达式。

一、数据输入

二、操作步骤 1、进入SPSS，打开相关数据文件，选择“分析”|“降维”|“因子”命令。2、选择进行因子分析的变量。在对话框的左侧列表框中，依次选择“工业总产值”“国内生产总值”“货物周转量”“原煤”“发电量”“原油”进入“变量”列表框。

3、选择输出系数相关矩阵。

单击“因子分析”对话框中的“描述”按钮，弹出“因子分析：描述”对话框。在“相关性矩阵”选项组中选中“KMO和巴特利特的球形度检验”复选框，单击“继续”按钮返回“因子分析”对话框。

4、设置对提取公因子的要求及相关输出内容。

单击“因子分析”对话框中的“提取”按钮，在“输出”选项组中选中“碎石图”复选框。

5、设置因子旋转方法。单击“因子分析”对话框中的“旋转”按钮，在“方法”选项组中选中“最大方差法”单选按钮。

6、设置有关因子得分的选项。单击“得分”按钮，选中“显示因子得分系数矩阵”复选框。

7、其余设置采用系统默认值即可。单击“确定”按钮，等待输出结果。

[if !supportLineBreakNewLine]

[endif]

四、结果分析

1、KMO检验和巴特利特检验结果KMO检验是为了看数据是否适合进行因子分析，其取值范围是0～1。其中0.9～1表示极好，0.8～0.9表示可奖励的，0.7～0.8表示还好，0.6～0.7表示中等，0.5～0.6表示糟糕，0～0.5表示不可接受。如下表所示，本例中KMO的取值为0.657，表明可以进行因子分析。巴特利特检验是为了看数据是否来自于服从多元正态分布的总体。本例中显著性值为0.000，说明数据来自正态分布总体，适合进一步分析。

2、变量共同度变量共同度表示的是各变量中所含原始信息能被提取的公因子所解释的程度。如下表所示，因为本例中所有变量共同度都在85%以上，所以提取的这几个公因子对各变量的解释能力很强。

3

4、碎石图有两个成分的特征值超过了1，只考虑这两个成分即可。

5、旋转成分矩阵第一个因子在工业总产值、国内生产总值、货物周转量、发电量及原油上有较大的载荷，所以其反映的是除原煤以外的其他变量的信息，第二个因子在原煤这一变量上有较大的载荷，反映的是原煤这一变量的信息。

6、成分得分系数矩阵给出了成分得分系数矩阵，据此可以直接写出各公因子的表达式。值得一提的是，在表达式中各个变量已经不是原始变量而是标准化变量。表达式如下：F1=0.194*工业总产值+0.216*国内生产总值+0.206*货物周转量+0.003*原煤+0.211*发电量+0.212*原油F2=0.311*工业总产值-0.002*国内生产总值-0.154*货物周转量+0.853*原煤-0.124*发电量+0.036*原油

分析结论：

[if !supportLineBreakNewLine]

[endif]

通过分析，我们可以知道：

由结果分析1、知，本例很适合使用因子分析。

由结果分析2、3、4可知，本例适合选前两个公因子进行分析，因为这已足够替代原来的变量，它们几乎涵盖了原变量的全部信息。

结果分析5给出了本例中的两个公因子及其所反映的变量。

结果分析6给出了公因子与标准化形式的变量之间的表达式。

[if !supportLineBreakNewLine]

[endif]

参考案例数据：

[if !supportLineBreakNewLine]

[endif]

[if !supportLists]【1】????[endif]spss统计分析与行业应用案例详解(第四版)? 杨维忠,张甜,王国平? 清华大学出版社

[if !supportLists]【2】 [endif]（获取更多知识，前往gz号程式解说）

原文来自