spss因子分析的简单介绍

6. SPSS基本使用：因子分析因子分析几乎可以等同于主成分分析，本质就是PCA降维，因子数太多减少因子数。示例如下
先导入老师给的数据，然后点击分析-降维-因子分析
点击描述按钮-选择KMO和球形检验
点击提取-方法选择主成分-同时勾选碎石图
特征值这里一般是大于1，然后因子数可以按照自己的需求加。
旋转方法一般选择最大方差法，勾选载荷图，迭代次数选择30次，
实际当中有可能旋转次数不够出不来结果，我们就把迭代次数勾选上去。
因子得分这里勾选保存为变量，然后勾选上得分系数矩阵
选项这里勾选上按照大小排序，排除小系数，绝对值这里选0.3，我们看看后续的结果再来分析。
操作后生成结果如上，KMO这里需要大于0.7，这样子的话各个因子的相互度才满足因子分析的条件，有相关性。
公因子方差部分提取部分看提取了多少比例的信息，以q1_1为例，0.581相当于提取了58.1%的信息。只要这个比例大于0.5就还可以，提取效果不错。
碎石图主要是统计上用来选择特征值个数的，如果上图中，可以看到应该选择4个特征值，但是老师前面讲了8个因子代表性都不够，别说4个特征值，所以实际过程中可能不太实用。可以把这个东西写在报告里面。
成分矩阵这里（其实挺老师讲应该叫载荷矩阵？？），是没有旋转前的因子组成。因为之前在选项中进行了排序，并且，去掉了小于0.3(其实0.5以下都没啥用），所以如上可以看到因子1主要有问题5_3 到问题3_4组成的。这里需要重点关注下0.4几的这种数据，譬如0.490（小于0.5的用处比较小）。另外老师提到了q7_3,在因子2和因子3中都是0.4几，那么如何判断它到底属于哪个因子，可以看旋转后的。
旋转后的q7_3是0.734归到了因子2，和因子3没有关系了。
可以发现，每个维度的第3个问题都是归到因子2，每个维度的第5个题目都是归到因子1.
1）另外，我们可以到到q3_3 叫做跨因子现象，在两个因子中都是＞0.5，这是不允许的，我们需要删掉这个题目或者进行修改
2）另外q3_2, 跟所有的因子相关性都小于0.5，建议删除。
3）还有就是drop_q1_3，因子8只有它的相关性大于0.5，所以因子8完全由drop_q1_3一个因子代表，这个情况需要删除。
1）2）3）这三种特殊情况需要注意，都需要对题目进行修改或者删除。
这个组件图一般用二维的，看起来比较清晰，三维的不是动画看不清，因为这个图表示的就是各个题目离哪几个因子比较近。

文章插图
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。。

spss因子分析的简单介绍

秒懂生活扩展阅读