那怎么从因子分析的结果中看出哪个是主因子呢？是因子载荷矩阵中的最大值吗？谢谢了，现在很急用... spss因子分析的结果中哪一项是因子载荷值

spss19\u662f\u5728\u56e0\u5b50\u5206\u6790\u91cc\u9762\u7684\u65cb\u8f6c\u6210\u5206\u77e9\u9635\u4e2d\u770b\u56e0\u5b50\u8f7d\u8377\u91cf\u5417\uff1f\u3002

1\u3001\u6210\u5206\u77e9\u9635\u662f\u5404\u4e2a\u539f\u59cb\u53d8\u91cf\u7684\u4e3b\u6210\u5206\u8868\u8fbe\u5f0f\u7684\u7cfb\u6570\uff1b\u65cb\u8f6c\u6210\u5206\u77e9\u9635\u662f\u6210\u5206\u77e9\u9635\u6b63\u4ea4\u53d8\u6362\uff08\u8fd8\u6709\u5176\u4ed6\u65b9\u6cd5\uff09\u5f97\u5230\u7684\uff1b\u6210\u5206\u5f97\u5206\u77e9\u9635\u8868\u793a\u5404\u9879\u6307\u6807\u53d8\u91cf\u4e0e\u63d0\u53d6\u7684\u516c\u56e0\u5b50\u4e4b\u95f4\u7684\u5173\u7cfb\u3002
\u7b80\u5355\u6765\u8bf4\u901a\u8fc7\u6210\u5206\u77e9\u9635\u53ef\u4ee5\u5f97\u5230\u539f\u59cb\u6307\u6807\u53d8\u91cf\u7684\u7ebf\u6027\u7ec4\u5408\uff0c\u5982TB3=0.778*F1-0.414*F2,\u5176\u4e2dF1\u3001F2\u5206\u522b\u4e3a\u63d0\u53d6\u7684\u516c\u56e0\u5b50\uff1b\u901a\u8fc7\u6210\u5206\u5f97\u5206\u77e9\u9635\u53ef\u4ee5\u5f97\u5230\u516c\u56e0\u5b50\u7684\u7ebf\u6027\u7ec4\u5408\uff0c\u5982
F1=0.56*TB30.97*TB4+0.02*TB1+0.57*TB2\u3002
2\u3001\u56e0\u5b50\u8f7d\u8377\u91cf\u4e5f\u5c31\u662f\u6210\u5206\u8f7d\u8377\u91cf\uff0c\u56e0\u5b50\u77e9\u9635\u4e0e\u6210\u5206\u77e9\u9635\u53ef\u4ee5\u7406\u89e3\u4e3a\u540c\u4e00\u4e2a\u610f\u601d\u3002\u6240\u4ee5\u56e0\u5b50\u8f7d\u8377\u91cf\u5c31\u662f\u6210\u5206\u77e9\u9635\u4e2d\u7684\u6570\u5b57\u3002
3\u3001\u56db\u4e2a\u5143\u7d20\u7684\u56e0\u5b50\u8f7d\u8377\u91cf\u5c31\u662f\u6210\u5206\u77e9\u9635\u4e2d\u7684\u6570\u5b57\u3002\u5176\u5b9e\u56e0\u5b50\u8f7d\u8377\u5c31\u662f\u63d0\u53d6\u51fa\u7684\u516c\u56e0\u5b50\u7684\u7cfb\u6570\u3002

\u6269\u5c55\u8d44\u6599\uff1a
\u56e0\u5b50\u5206\u6790\u6a21\u578b\u63cf\u8ff0\u5982\u4e0b\uff1a
\u2474X = (x1\uff0cx2\uff0c\u2026\uff0cxp\uff09\uffe0\u662f\u53ef\u89c2\u6d4b\u968f\u673a\u5411\u91cf\uff0c\u5747\u503c\u5411\u91cfE(X)=0\uff0c\u534f\u65b9\u5dee\u9635Cov(X)=\u2211\uff0c\u4e14\u534f\u65b9\u5dee\u9635\u2211\u4e0e\u76f8\u5173\u77e9\u9635R\u76f8\u7b49\uff08\u53ea\u8981\u5c06\u53d8\u91cf\u6807\u51c6\u5316\u5373\u53ef\u5b9e\u73b0\uff09\u3002
\u2475F = (F1\uff0cF2\uff0c\u2026\uff0cFm\uff09\uffe0 \uff08m<p\uff09\u662f\u4e0d\u53ef\u6d4b\u7684\u5411\u91cf\uff0c\u5176\u5747\u503c\u5411\u91cfE(F)=0\uff0c\u534f\u65b9\u5dee\u77e9\u9635Cov(F) =I\uff0c\u5373\u5411\u91cf\u7684\u5404\u5206\u91cf\u662f\u76f8\u4e92\u72ec\u7acb\u7684\u3002
\u2476e = (e1\uff0ce2\uff0c\u2026\uff0cep\uff09\uffe0\u4e0eF\u76f8\u4e92\u72ec\u7acb\uff0c\u4e14E(e)=0\uff0c e\u7684\u534f\u65b9\u5dee\u9635\u2211\u662f\u5bf9\u89d2\u9635\uff0c\u5373\u5404\u5206\u91cfe\u4e4b\u95f4\u662f\u76f8\u4e92\u72ec\u7acb\u7684\uff0c\u5219\u6a21\u578b\uff1a
x1 = a11F1+ a12F2 +\u2026+a1mFm + e1
x2 = a21F1+a22F2 +\u2026+a2mFm + e2
\u2026\u2026\u2026
xp = ap1F1+ ap2F2 +\u2026+apmFm + ep
\u79f0\u4e3a\u56e0\u5b50\u5206\u6790\u6a21\u578b\uff0c\u7531\u4e8e\u8be5\u6a21\u578b\u662f\u9488\u5bf9\u53d8\u91cf\u8fdb\u884c\u7684\uff0c\u5404\u56e0\u5b50\u53c8\u662f\u6b63\u4ea4\u7684\uff0c\u6240\u4ee5\u4e5f\u79f0\u4e3aR\u578b\u6b63\u4ea4\u56e0\u5b50\u6a21\u578b\u3002
\u53c2\u8003\u8d44\u6599\u6765\u6e90\uff1a\u767e\u5ea6\u767e\u79d1-\u56e0\u5b50\u5206\u6790\u6cd5

\u56e0\u5b50\u5206\u6790\u5b8c\u4e86\u6709\u4e2a\u65b9\u5dee\u8868\uff0c\u53ef\u4ee5\u770b\u5206\u91cf\u3002\u6bd4\u5982\u67093\u4e2a\u56e0\u5b50\uff0c10\u4e2a\u53d8\u91cf\uff0c\u6bcf\u4e00\u4e2a\u53d8\u91cf\u57283\u4e2a\u56e0\u5b50\u91cc\u9762\u90fd\u6709\u5206\u91cf\uff0c\u5206\u91cf\u6700\u5927\u5f52\u4e8e\u6700\u5927\u56e0\u5b50\u3002
\u56e0\u5b50\u547d\u540d\u3001\u65cb\u8f6c\uff1a\u5728\u56e0\u5b50\u8f7d\u8377\u77e9\u9635\u4e2d\uff0c\u591a\u884c\u60c5\u51b5\uff0c\u9047\u5230\u53d8\u91cf\u4e0e\u591a\u4e2a\u56e0\u5b50\u6709\u8f83\u5927\u7684\u76f8\u5173\u5173\u7cfb\uff0c\u5373\u53d8\u91cf\u9700\u8981\u591a\u4e2a\u56e0\u5b50\u5171\u540c\u89e3\u91ca\uff1b\u591a\u5217\u60c5\u51b5\uff0c\u4e00\u4e2a\u56e0\u5b50\u53ef\u4ee5\u540c\u65f6\u89e3\u91ca\u591a\u4e2a\u53d8\u91cf\u3002
\u8bf4\u660e\u4e00\u4e2a\u56e0\u5b50\u4e0d\u80fd\u5355\u72ec\u4ee3\u8868\u539f\u6709\u7684\u4e00\u4e2a\u53d8\u91cf\uff0c\u56e0\u5b50\u6a21\u7cca\u4e0d\u6e05\uff0c\u800c\u5b9e\u9645\u60c5\u51b5\u662f\u5bf9\u56e0\u5b50\u6709\u6e05\u9192\u8ba4\u8bc6\uff0c\u6240\u4ee5\u56e0\u5b50\u65cb\u8f6c\u3002\u5fc5\u4e0d\u53ef\u5c11\uff0c\u5c3d\u91cf\u4f7f\u4e00\u4e2a\u53d8\u91cf\u5728\u8f83\u5c11\u7684\u51e0\u4e2a\u56e0\u5b50\u4e0a\u6709\u6bd4\u8f83\u9ad8\u7684\u8f7d\u8377\u3002

\u6269\u5c55\u8d44\u6599\uff1a
\u63a2\u7d22\u7684\u56e0\u5b50\u5206\u6790\u6709\u4e00\u4e9b\u5047\u5b9a\u3002
\u7b2c\u4e00\uff0c\u5b83\u5047\u5b9a\u5728\u5b9e\u9645\u7814\u7a76\u4e2d\uff0c\u6211\u4eec\u5f80\u5f80\u4f1a\u5047\u5b9a\u4e00\u4e2a\u56e0\u5b50\u4e4b\u95f4\u6ca1\u6709\u56e0\u679c\u5173\u7cfb\uff0c\u6240\u4ee5\u53ef\u80fd\u4e0d\u4f1a\u5f71\u54cd\u53e6\u5916\u4e00\u4e2a\u56e0\u5b50\u7684\u6d4b\u5ea6\u9879\u3002
\u7b2c\u4e8c\uff0c\u63a2\u7d22\u6027\u56e0\u5b50\u5206\u6790\u5047\u5b9a\u6d4b\u5ea6\u9879\u6b8b\u5dee\u4e4b\u95f4\u662f\u76f8\u4e92\u72ec\u7acb\u7684\u3002\u5b9e\u9645\u4e0a\uff0c\u6d4b\u5ea6\u9879\u7684\u6b8b\u5dee\u4e4b\u95f4\u53ef\u4ee5\u56e0\u4e3a\u5171\u540c\u65b9\u6cd5\u504f\u5dee\u3001\u5b50\u56e0\u5b50\u7b49\u56e0\u7d20\u800c\u76f8\u5173\u3002
\u7b2c\u4e09\uff0c\u63a2\u7d22\u6027\u56e0\u5b50\u5206\u6790\u5f3a\u5236\u6240\u6709\u7684\u56e0\u5b50\u4e3a\u72ec\u7acb\u7684\u3002\u8fd9\u867d\u7136\u662f\u6c42\u89e3\u56e0\u5b50\u4e2a\u6570\u65f6\u4e0d\u5f97\u4e0d\u91c7\u7528\u7684\u6743\u5b9c\u4e4b\u8ba1\uff0c\u5374\u4e0e\u5927\u90e8\u5206\u7684\u7814\u7a76\u6a21\u578b\u4e0d\u7b26\u3002\u6700\u660e\u663e\u7684\u662f\uff0c\u81ea\u53d8\u91cf\u4e0e\u56e0\u53d8\u91cf\u4e4b\u95f4\u662f\u5e94\u8be5\u76f8\u5173\u7684\uff0c\u800c\u4e0d\u662f\u72ec\u7acb\u7684\u3002
\u8fd9\u4e9b\u5c40\u9650\u6027\u5c31\u8981\u6c42\u6709\u4e00\u79cd\u66f4\u52a0\u7075\u6d3b\u7684\u5efa\u6a21\u65b9\u6cd5\uff0c\u4f7f\u7814\u7a76\u8005\u4e0d\u4f46\u53ef\u4ee5\u66f4\u7ec6\u81f4\u5730\u63cf\u8ff0\u6d4b\u5ea6\u9879\u4e0e\u56e0\u5b50\u4e4b\u95f4\u7684\u5173\u7cfb\uff0c\u800c\u4e14\u5e76\u5bf9\u8fd9\u4e2a\u5173\u7cfb\u76f4\u63a5\u8fdb\u884c\u6d4b\u8bd5\u3002\u800c\u5728\u63a2\u7d22\u6027\u56e0\u5b50\u5206\u6790\u4e2d\uff0c\u4e00\u4e2a\u88ab\u6d4b\u8bd5\u7684\u6a21\u578b(\u6bd4\u5982\u6b63\u4ea4\u7684\u56e0\u5b50) \u5f80\u5f80\u4e0d\u662f\u7814\u7a76\u8005\u7406\u8bba\u4e2d\u7684\u786e\u5207\u7684\u6a21\u578b\u3002
\u53c2\u8003\u8d44\u6599\u6765\u6e90\uff1a\u767e\u5ea6\u767e\u79d1-\u9a8c\u8bc1\u6027\u56e0\u5b50\u5206\u6790

这个最好是从旋转后的矩阵中Rotated Component Matrix(a)去看。Component下面有几列就是分了几个因子。在这几个因子中，第一列也就是第一个因子肯定是主因子，它的负荷量最大，解释方差也最大。你要根据组成它的变量给它命名。我前一阵刚研究过，希望能帮到你。

SPSS鍒嗘瀽缁撴灉鎬庝箞鐪
绛旓細杩欎釜鏄鍥犲瓙鍒嗘瀽鐨勭粨鏋 绗竴涓〃鍙互蹇界暐 绗簩涓〃鏄彁鍙栫殑鍥犲瓙鏂瑰樊璐＄尞鐜囷紝鍙互鐪嬪嚭浣犺繖涓彁鍙栦簡涓涓富鎴愬垎瀵规讳綋鏂瑰樊瑙ｉ噴鐜囪揪90%浠ヤ笂锛岃繖涓涓富鍥犲瓙鐨勮В閲婄巼寰堥珮浜嗗凡缁 绗笁涓〃鏄鏄庢瘡涓師濮嬪彉閲忓湪涓绘垚鍒嗕笂鐨勮浇鑽风郴鏁 绗洓涓〃 鏄緱鍒嗙郴鏁帮紝鍙互鏍规嵁鏈鍚庝竴涓〃鏉ユ瀯寤哄嚭涓诲洜瀛愬緱鍒嗙殑鏂圭▼ ...

spss鍥犲瓙鍒嗘瀽涓鐨勭鐭冲浘鎬庝箞鐪鍒嗗嚑涓洜瀛
绛旓細绛旀锛氫粠SPSS鍥犲瓙鍒嗘瀽涓鐨勭鐭冲浘鍒ゆ柇鍒嗗嚑涓洜瀛愶紝涓昏鏄瀵熷浘褰㈢殑闄″抄涓庡钩缂撶▼搴︺傜鐭冲浘鐨勬í杞磋〃绀哄洜瀛愮殑鏁伴噺锛岀旱杞磋〃绀烘瘡涓洜瀛愬搴旂殑鐗瑰緛鍊笺傞氳繃瑙傚療鍥惧舰鐨勮蛋鍔匡紝鍙互鍒ゆ柇鍝簺鍥犲瓙鏄噸瑕佺殑锛屽摢浜涘洜瀛愭槸娆¤鐨勩傞氬父锛屾垜浠夋嫨闄″抄閮ㄥ垎鐨勫洜瀛愪綔涓洪噸瑕佺殑鍥犲瓙杩涜鍒嗘瀽銆傝缁嗚В閲婂涓嬶細1. 纰庣煶鍥炬杩帮細纰庣煶鍥...

鎴戞兂闂笅,鏌愪簺鏁版嵁杩涜SPSS鍒嗘瀽缁撴灉寰楀埌浠ヤ笅鐨勮繖鍥,鍙互璇佹槑閭ｄ簺鏁版嵁閫 ...
绛旓細銆傚鏋滀笉鑳芥嫆缁濋浂鍋囪锛堢浉鍏崇煩闃垫槸鍗曚綅鐭╅樀锛夛紝鍒欏洜瀛愭ā鍨嬪彲鑳戒笉閫傜敤銆傚湪鏈緥涓紝Bartlett鐞冧綋妫楠岀殑鍊间负212.412锛堣嚜鐢卞害涓55锛夛紝骞朵笖浼撮殢姒傜巼鍊间负0.000锛屽皬浜0.01鐨勬樉钁楁ф按骞筹紝杩欒〃鏄庢垜浠嫆缁濋浂鍋囪锛屾帴鍙楀鎷╁亣璁撅紝鍗崇浉鍏崇煩闃典笉鏄崟浣嶇煩闃碉紝瀛樺湪鍏卞悓鍥犲瓙锛屽洜姝ゆ暟鎹傚悎杩涜鍥犲瓙鍒嗘瀽銆

濡備綍瑙ｉ噴闂嵎缁撴灉鐨勫洜瀛愬垎鏋?
绛旓細缁撴灉鍒嗘瀽 锛1锛塊MO涓庡反鐗瑰埄鐗圭悆褰㈡楠 鐢辫〃鍙互鐭ワ紝宸寸壒鍒╃壒鐞冨舰妫楠岀殑缁熻閲忓间负3960.473锛岀浉搴旂殑姒傜巼P鍊间负0銆傚湪鏄捐憲鎬ф按骞充笅锛屽簲鎷掔粷鍘熷亣璁撅紝璁や负鐩稿叧绯绘暟鐭╅樀涓庡崟浣嶇煩闃靛瓨鍦ㄦ樉钁楀樊寮傘傚悓鏃禟MO鍊间负0.844锛屾牴鎹甂aiser缁欏嚭鐨勫害閲廗MO鐨勬爣妞庡彲鐭ラ棶鍗烽椤归傚悎鍋鍥犲瓙鍒嗘瀽銆傦紙2锛夊叕鍥犲瓙鏂瑰樊 鎻愬彇鍊艰〃绀烘瘡涓彉閲...

...缁嗚優鏈垎鏋愮粏鑳鍥犲瓙,缁撴灉鍥惧垎鏋,鍥涗釜鍖哄煙濡備綍鍒嗘瀽?鍒嗗埆浠ｈ〃浠涔?_鐧...
绛旓細杩欑鍥涗釜璞￠檺鐨勫浘锛屼竴鑸兘鏄湅涓ょ鏌撹壊鐨勫叧绯伙紙妯潗鏍囧拰绾靛潗鏍囷級銆傚乏涓嬭薄闄愶紝鏄袱绉嶇洰鏍囨姉鍘熼兘娌℃湁琛ㄨ揪锛堟煋鑹查槾鎬э級銆傚彸涓婅薄闄愶紝鏄袱绉嶉兘鏈夎〃杈撅紙鍙岄槼鎬э級銆傝屽乏涓婅薄闄愬垯鏄旱鍧愭爣鐨勯偅涓姉鍘熸湁琛ㄨ揪锛堝崟闃虫э級锛屼絾鏄í鍧愭爣閭ｄ釜娌℃湁琛ㄨ揪锛堥槾鎬э級鍙充笅璞￠檺鏄í鍧愭爣閭ｄ釜鎶楀師鏈夎〃杈撅紙鍗曢槼鎬э級锛屼絾绾靛潗鏍囬偅涓...

鍥犲瓙鍒嗘瀽鐨涓昏浣滅敤鏄
绛旓細棰勬祴锛氬洜瀛愬垎鏋愬彲浠ョ敤鏉ヨ繘琛岄娴嬨傞氳繃瀵鍥犲瓙鐨鍒嗘瀽锛屾垜浠彲浠ラ娴嬫湭鏉ョ殑瓒嬪娍鍜岀粨鏋溿備緥濡傦紝鍦ㄥ競鍦鸿皟鐮斾腑锛岄氳繃瀵规秷璐硅呰涓虹殑鍥犲瓙鍒嗘瀽锛屾垜浠彲浠ラ娴嬫秷璐硅呯殑璐拱鎰忔効鍜岃喘涔拌涓恒傝В閲婃э細鍥犲瓙鍒嗘瀽鐨勭粨鏋閫氬父鍏锋湁寰堝ソ鐨勮В閲婃с傞氳繃瀵瑰洜瀛愮殑瑙ｉ噴鍜屽垎鏋愶紝鎴戜滑鍙互鏇村ソ鍦扮悊瑙ｆ暟鎹殑鍚箟鍜岃儗鍚庣殑鍘熷洜銆備緥濡傦紝鍦...

鍥犲瓙鍒嗘瀽缁撴灉姣忎釜鏁版嵁鐐圭殑寰楀垎鏁版嵁鎬庝箞鐪
绛旓細杩欏氨鏄墍璋撶殑F鍊硷紝鏁板瓧鐩存帴鐪嬪氨鏄簡 F鍊兼槸鏍规嵁鍏紡璁＄畻鍑烘潵鐨勪竴涓緱鍒嗭紝鏈夎礋鏈夋锛屽緢姝ｅ父鐨 瑕佽冭檻鏁版嵁鏈夋病鏈変箣鍓嶅仛鏍囧噯鍖

spss鍥犲瓙鍒嗘瀽璇︾粏姝ラ
绛旓細浠庝笂琛ㄥ彲鐭ワ細绱Н鏂瑰樊瑙ｉ噴鐜囧间负78.213%锛岃鏄庢彁鍙栧嚭鏉ョ殑4涓洜瀛愬彲浠ユ彁鍙栧嚭鎬诲叡11椤逛腑78.213%鐨勪俊鎭噺锛岃屼笖鍥涗釜鍥犲瓙鐨勬柟宸В閲婄巼锛堜俊鎭彁鍙栭噺锛夊垎鍒负锛21.407%锛21.277%锛20.807%鍜14.723%銆備俊鎭彁鍙栭噺鍒嗗竷杈冧负鍧囧寑锛岀患鍚堣鏄庢湰娆鍥犲瓙鍒嗘瀽缁撴灉鑹ソ銆傝ˉ鍏呰鏄庯細濡傛灉鐮旂┒浜哄憳骞舵病鏈夐璁剧淮搴︺傝...

鍥犲瓙鍒嗘瀽鎬庝箞鍋
绛旓細闂涓:鐢⊿PSS宸茬粡鍋氬嚭浜鍥犲瓙鍒嗘瀽,閭ｄ箞鍏蜂綋鐨鍒嗘瀽缁撴灉搴旇鎬庝箞鐪鍛? KMO妫楠岀粺璁￠噺鍦0.7浠ヤ笂,璇存槑鍙橀噺涔嬮棿鐨勫亸鐩稿叧鎬ц緝寮,閫傚悎鍋氬洜瀛愬垎鏋,鐞冨舰妫楠宲灏忎簬0.001,璇存槑鍙橀噺涔嬮棿瀛樺湪鐩稿叧鎬с傜浜屾牸琛ㄦ牸涓哄叡鍚屾,琛ㄧず鍚勫彉閲忎腑鎵鍚師濮嬩俊鎭兘琚彁鍙栫殑鍏卞悓鍥犲瓙鎵琛ㄧず鐨勭▼搴,鏍规嵁浣犵殑鏁版嵁,浣犳彁鍙栫殑鍏洜瀛愭槸涓や釜,绗笁涓〃鏍兼槸...

鍦⊿PSS鐨鍥犲瓙鍒嗘瀽涓,寰楀埌鐨勭粨鏋濡傚浘,鎴戣鎬庝箞瑙ｉ噴鍛?鏁版嵁鍙敤鍚? 鏂版墜...
绛旓細杩欎釜鍥炬樉绀哄墠6涓鍥犲瓙鍙互瑙ｉ噴鍏ㄩ儴鍙橀噺鐨81%澶氾紝鍙互鍙6涓洜瀛愩

扩展阅读：生长因子三项结果分析 ... 因子分析得分结果解读 ... 因子分析方法大全 ... 进行因子分析的步骤 ... 因子分析过程一般分为 ... 松弛因子影响计算结果 ... 因子分析时因子太多 ... 因子分析只有两个因子 ... 因子分析案例及结果解释 ...