因子分析的上机操作.ppt
因子分析的上机操作,（01）建立数据文件,（02）选择分析变量 选SPSS Analyze菜单中的（Data Reduction）（Factor）,出现【Factor Analysis】对话框；在【Factor Analysis】对话框中左边的原始变量中，选择将进行因子分析的变量选入（Variables）栏。,（03）设置描述性统计量在【Factor Analysis】框中选【Descriptives】按钮，出现【Descriptives】对话框；选择 Initial solution（未转轴的统计量）选项选择KMO 选项点击（Contiue）按钮确定。,（04）设置对因子的抽取选项 在【Factor Analysis】框中点击【Extraction】按钮,出现【Factor Analysis:Extraction】对话框；在Method 栏中选择（Principal components）选项；在Analyze 栏中选择Correlation matrix选项；在Display 栏中选择Unrotated factor solution选项；在Extract 栏中选择Eigenvalues over 并填上 1；点击（Contiue）按钮确定，回到【Factor Analysis】对话框中。,（05）设置因子转轴 在【Factor Analysis】对话框中，点击【Rotation】按钮，出现【Factor Analysis:Rotation】（因子分析：旋转）对话框。在Method 栏中选择 Varimax（最大变异法）在Display栏中选择 Rotated solution（转轴后的解）点击（Contiue）按钮确定，回到【Factor Analysis】对话框中。,（06）设置因素分数 在【Factor Analysis】对话框中，点击【Scores】按钮，出现【Factor Analysis:Scores】（因素分析：分数）对话框。一般取默认值。点击（Contiue）按钮确定，回到【Factor Analysis】对话框。,（07）设置因子分析的选项在【Factor Analysis】对话框中，单击【Options】按钮，出现【Factor Analysis:Options】（因素分析：选项）对话框。在Missing Values 栏中选择Exclude cases listwise(完全排除缺失值)在Coefficient Display Format(系数显示格式)栏中选择Sorted by size（依据因素负荷量排序）项；在Coefficient Display Format(系数显示格式)勾选“Suppress absolute values less than”，其后空格内的数字不用修改，默认为0.1。如果研究者要呈现所有因素负荷量，就不用选取“Suppress absolute values less than”选项。在例题中为了让研究者明白此项的意义，才勾选了此项，正式的研究中应呈现题项完整的因素负荷量较为适宜。单击“Continue”按钮确定。,对SPSS因子分析结果的解释,取样适当性（KMO）检验 KMO值越大，表示变量间的共同因素越多，越适合进行因素分析，要求KMO0.5 要求Barletts的卡方值达到显著程度,2.共同度检查,3.因子陡坡检查，除去坡线平坦部分的因子图中第三个因子以后较为平坦，故保留3个因子,4.方差贡献率检验 取特征值大于 1 的因子，共有3 个，分别（6.358）（1.547）（1.032）;变异量分别为（63.58%）（15.467%）（10.32%）,5.显示未转轴的因子矩阵,6.分析转轴后的因子矩阵-根据因子负荷量形成3个公共因子,7.形成综合分析结果,例1：对美国洛杉矶12个人口调查区的5个经济学变量的数据进行因子分析（12个地区调查表.sav)菜单：AnalyzeData ReductionFactorVariables：pop，School，employ，Services，house其他使用默认值（主成分分析法Principal components，选取特征值1，不旋转),输出结果：,比较有用的结果：两个主成分(因子)f1,f2及因子载荷矩阵(Component Matrix)，根据该表可以写出每个原始变量（标准化值）的因子表达式：Pop0.581f1+0.806f2 School 0.767f1-0.545f2 employ 0.672f1+0.726f2 Services 0.932f1-0.104f2 house 0.791f1-0.558f2每个原始变量都可以是5个因子的线性组合，提取两个因子f1和f2，可以概括原始变量所包含信息的93.4%。f1和f2前的系数表示该因子对变量的影响程度，也称为变量在因子上的载荷。但每个因子（主成分）的系数(载荷)没有很明显的差别，所以不好命名。因此为了对因子进行命名，可以进行旋转，使系数向0和1两极分化。,由于系数没有很明显的差别,所以要进行旋转(Rotation：method一般用Varimax方差最大旋转),使系数向0和1两极分化。菜单：AnalyzeData ReductionFactorVariables：pop，School，employ，Services，houseExtraction：使用默认值（method：Principal components，选取特征值1）Rotation：method选VarimaxScore:Save as variables 和Display factor score Coefficient matrix,输出结果：（表13同前）,旋转后的因子载荷矩阵：,因子旋转中的正交矩阵：,因子得分系数矩阵：,因子得分协方差矩阵：,比较有用的结果：两个主成分(因子)f1,f2及旋转后的因子载荷矩阵(Rotated Component Matrix)，根据该表可以写出每个原始变量（标准化值）的因子表达式：Pop 0.01602 f1+0.9946f2 School 0.941f1-0.00882f2 employ 0.137f1+0.98f2 Services 0.825f1+0.447f2 house 0.968f1-0.00605f2F1 0.01602 Pop+0.941 School+0.137 employ+0.825 Services+0.968 houseF2 0.9946 Pop-0.00882 School+0.98 employ+0.447 Services-0.00605 house第一主因子对中等学校平均校龄,专业服务项目,中等房价有绝对值较大的载荷(代表一般社会福利-福利条件因子);而第二主因子对总人口和总雇员数有较大的载荷(代表人口-人口因子).,比较有用的结果:因子得分fac1_1,fac2_1。其计算公式：因子得分系数和原始变量的标准化值的乘积之和。fac1_1-0.091 Pop+0.392 School-0.039 employ+0.299 Services+0.403 housefac2_1 0.484 Pop 0.096 School+0.465 employ+0.138 Services-0.098 house然后可以利用因子得分进行聚类、回归分析等。,
