如何解释spss因子分析的结果 SPSS因子分析结果好像是分了4个因子，是怎么分的
spss\u4e2d\u5982\u4f55\u7528\u56e0\u5b50\u5206\u6790\u8ba1\u7b97\u5404\u6307\u6807\u7684\u6743\u91cd\uff1f\u786e\u5b9a\u6570\u636e\u7684\u6743\u91cd\u4e5f\u662f\u8fdb\u884c\u6570\u636e\u5206\u6790\u7684\u91cd\u8981\u524d\u63d0\u3002\u53ef\u4ee5\u5229\u7528SPSS\u7684\u56e0\u5b50\u5206\u6790\u65b9\u6cd5\u6765\u786e\u5b9a\u6743\u91cd\u3002\u4e3b\u8981\u6b65\u9aa4\u662f:
(1)\u9996\u5148\u5c06\u6570\u636e\u6807\u51c6\u5316\uff0c\u8fd9\u662f\u8003\u8651\u5230\u4e0d\u540c\u6570\u636e\u95f4\u7684\u91cf\u7eb2\u4e0d\u4e00\u81f4\uff0c\u56e0\u800c\u5fc5\u987b\u8981\u65e0\u91cf\u7eb2\u5316\u3002
(2)\u5bf9\u6807\u51c6\u5316\u540e\u7684\u6570\u636e\u8fdb\u884c\u56e0\u5b50\u5206\u6790(\u4e3b\u6210\u5206\u65b9\u6cd5)\uff0c\u4f7f\u7528\u65b9\u5dee\u6700\u5927\u5316\u65cb\u8f6c\u3002
(3)\u5199\u51fa\u4e3b\u56e0\u5b50\u5f97\u5206\u548c\u6bcf\u4e2a\u4e3b\u56e0\u5b50\u7684\u65b9\u7a0b\u8d21\u732e\u7387\u3002 Fj =\u03b21j*X1 +\u03b22j*X2 +\u03b23j*X3 + \u2026\u2026+ \u03b2nj*Xn ; Fj \u4e3a\u4e3b\u6210\u5206(j=1\u30012\u3001\u2026\u2026\u3001m)\uff0cX1\u3001X2 \u3001X3 \u3001\u2026\u2026\u3001Xn \u4e3a\u5404\u4e2a\u6307\u6807\uff0c\u03b21j\u3001\u03b22j\u3001\u03b23j\u3001\u2026\u2026\u3001\u03b2nj\u4e3a\u5404\u6307\u6807\u5728\u4e3b\u6210\u5206Fj \u4e2d\u7684\u7cfb\u6570\u5f97\u5206\uff0c\u7528ej\u8868\u793aFj\u7684\u65b9\u7a0b\u8d21\u732e\u7387\u3002
(4)\u6c42\u51fa\u6307\u6807\u6743\u91cd\u3002 \u03c9i=[(m\u2211j)\u03b2ij*ej]/[(n\u2211i)(m\u2211j)\u03b2ij*ej],\u03c9i\u5c31\u662f\u6307\u6807Xi\u7684\u6743\u91cd\u3002
\u6269\u5c55\u8d44\u6599\u56e0\u5b50\u5206\u6790\u7684\u57fa\u672c\u601d\u60f3\u662f\u6839\u636e\u76f8\u5173\u6027\u5927\u5c0f\u628a\u539f\u59cb\u53d8\u91cf\u5206\u7ec4\uff0c\u4f7f\u5f97\u540c\u7ec4\u5185\u7684\u53d8\u91cf\u4e4b\u95f4\u76f8\u5173\u6027\u8f83\u9ad8\uff0c\u800c\u4e0d\u540c\u7ec4\u7684\u53d8\u91cf\u95f4\u7684\u76f8\u5173\u6027\u5219\u8f83\u4f4e\u3002
\u6bcf\u7ec4\u53d8\u91cf\u4ee3\u8868\u4e00\u4e2a\u57fa\u672c\u7ed3\u6784\uff0c\u5e76\u7528\u4e00\u4e2a\u4e0d\u53ef\u89c2\u6d4b\u7684\u7efc\u5408\u53d8\u91cf\u8868\u793a\uff0c\u8fd9\u4e2a\u57fa\u672c\u7ed3\u6784\u5c31\u6210\u4e3a\u516c\u5171\u56e0\u5b50\uff0c\u5bf9\u4e8e\u6240\u7814\u7a76\u7684\u67d0\u4e00\u5177\u4f53\u95ee\u9898\uff0c\u539f\u59cb\u53d8\u91cf\u5c31\u53ef\u4ee5\u5206\u89e3\u6210\u4e24\u90e8\u5206\u4e4b\u548c\u7684\u5f62\u5f0f\uff0c\u4e00\u90e8\u5206\u662f\u5c11\u6570\u51e0\u4e2a\u4e0d\u53ef\u6d4b\u7684\u6240\u8c13\u516c\u5171\u56e0\u5b50\u7684\u7ebf\u6027\u51fd\u6570\uff0c\u53e6\u4e00\u90e8\u5206\u662f\u4e0e\u516c\u5171\u56e0\u5b50\u65e0\u5173\u7684\u7279\u6b8a\u56e0\u5b50\u3002
\u53c2\u8003\u8d44\u6599\u6765\u6e90\uff1a\u767e\u5ea6\u767e\u79d1-spss
\u300c\u5728\u7ebfSPSS\u300dSPSSAU\u4e2d\u7684\u56e0\u5b50\u529f\u80fd\u91cc\uff0c\u53ef\u8bbe\u7f6e\u8f93\u51fa\u56e0\u5b50\u4e2a\u6570\u3002\u63d0\u53d6\u7684\u56e0\u5b50\u4e2a\u6570\u4e00\u822c\u5c31\u662f\u95ee\u5377\u9884\u671f\u7684\u7ef4\u5ea6\u3002
1．KMO和Bartlett的检验结果：
首先是KMO的值为0．733，大于阈值0．5，所以说明了变量之间是存在相关性的，符合要求；然后是Bartlett球形检验的结果。
在这里只需要看Sig．这一项，其值为0．000，所以小于0．05。那么也就是说，这份数据是可以进行因子分析的。
2．公因子方差：
公因子方差表的意思就是，每一个变量都可以用公因子表示，而公因子究竟能表达多少呢，其表达的大小就是公因子方差表中的“提取”。
“提取”的值越大说明变量可以被公因子表达的越好，一般大于0.5即可以说是可以被表达，但是更好的是要求大于0.7才足以说明变量能被公因子表的很合理。
在本例中可以看到，“提取”的值都是大于0.7的，所以变量可以被表达的很不错。
3．解释的总方差和碎石图：
简单地说，解释地总方差就是看因子对于变量解释的贡献率（可以理解为究竟需要多少因子才能把变量表达为100％）。
这张表只需要看图中红框的一列，表示的就是贡献率，蓝框则代表四个因子就可以将变量表达到了91．151％，说明表达的还是不错的
都要表达到90％以上才可以，否则就要调整因子数据。再看碎石图，也确实就是四个因子之后折线就变得平缓了。
4．旋转成分矩阵：
这一张表是用来看哪些变量可以包含在哪些因子里，一列一列地看：第一列，最大的值为0．917和0．772，分别对应的是细颗粒物和可吸入颗粒物。
因此可以把因子归结为颗粒物。第二列，最大值为0．95对应着二氧化硫，因此可以把因子归结为硫化物。第三列，最大值为0．962，对应着臭氧。
因此可以把因子归结为臭氧。第四列，最大值为0．754和0．571，分别对应着二氧化氮和一氧化碳。
扩展资料
因子分析与主成分分析的区别：
主成分分析是试图寻找原有变量的一个线性组合。这个线性组合方差越大，那么该组合所携带的信息就越多。也就是说，主成分分析就是将原始数据的主要成分放大。
因子分析，它是假设原有变量的背后存在着一个个隐藏的因子，这个因子可以可以包括原有变量中的一个或者几个，因子分析并不是原有变量的线性组合。
因子分析还是非常好用的一种降维方式的，在SPSS中进行操作十分简单方便，结果一目了然。python也可以做因子分析，代码量也并不是很大。
但是，python做因子分析时会有一些功能需要自己根据算法写，比如说KMO检验。
首先要说明的是，因子分析是用来降维的。
比如你有很多变量，用这么多变量来解释另一个变量，显得有点复杂，但是如果能找到其它的几个少量的变量来代替这些变量来进行下一步的分析，这就要用到因子分析。它运用了数学上的矩阵变换思想。
而在实际运用过程中，如果只有5个因素，（也就是你所说的因子）那因子分析这部分就不需要了。
因子分析的结果很好解释，只是方法选的如果有问题，解释的再好也没有意义。
Analyze——Data Reduction——Factor Analysis
因子分析一般采用的都是主成分方法。但是因子分析不是分析因子对其他变量的影响的，而是得到因子的
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
绛旓細鎴愬垎鐭╅樀鐨勭粨鏋滆В璇锛氭寚鎴愬垎寰楀垎绯绘暟鐭╅樀锛岀敤鏉ヨ绠楀叕鍏卞洜瀛愬緱鍒嗭紝涓よ呯患鍚堝緱鍑烘潈閲嶃SPSS涓殑鍥犲瓙鍒嗘瀽鏈変笁涓煩闃碉細鎴愪唤鐭╅樀锛堟湭鏃嬭浆锛夈佹棆杞悗鐨勬垚浠界煩闃靛拰鎴愪唤寰楀垎鐭╅樀锛屽墠涓や釜灏辨槸鎴戜滑淇楃О鐨勫洜瀛愯浇鑽风煩闃碉紝鍙槸涓涓棆杞紝涓涓笉鏃嬭浆鑰屽凡銆備富鎴愬垎鍒嗘瀽涓紝娌℃湁鏃嬭浆鍚庣殑鎴愪唤鐭╅樀锛屽洜姝ゅ彧鏈夋垚浠界煩闃靛拰鎴愪唤寰楀垎...
绛旓細杩欎釜琛ㄦ牸鐨勬剰鎬濇槸 閫氳繃涓绘垚鍒嗘彁鍙栨硶锛屼粎浠呮彁鍙栧嚭涓涓叕鍥犲瓙鏉ワ紝鑰岄偅涓60%鐨勬剰鎬濆氨鏄繖涓彁鍙栫殑鍏洜瀛愯兘澶瑙ｉ噴鍘熸潵鎵鏈夊彉閲忕殑60%鐨勫彉寮 杩欐牱鐨勪富鎴愬垎鍒嗘瀽鍩烘湰涓婃病鏈変粈涔堟剰涔
绛旓細涓涓鍥犲瓙閫氬父鍖呮嫭寰堝涓瓙椤癸紝鍥犲瓙寰楀垎鏄寚杩欎簺瀛愰」鎸夌収涓瀹氱殑鍔犳潈瑙勫垯锛spss鑷瀹氫箟鐨勶級璁＄畻鍑烘潵鐨勬暟鍊笺傚笇鏈涜兘甯埌鎮紒
绛旓細锛3锛瑙ｉ噴鎬绘柟宸 鎻愬彇鏂规硶锛氫富鎴愬垎鍒嗘瀽娉 锛4锛夋棆杞垚鍒嗙煩闃 鎻愬彇鏂规硶锛氫富鎴愬垎鍒嗘瀽娉 锛5锛夎绠楀洜瀛愬緱鍒:鍥犲瓙鍒嗘瀽鏄熀浜庣爺绌跺悇棰橀」涔嬮棿鐨勫唴閮ㄤ緷璧栧叧绯伙紝灏嗕竴浜涗俊鎭噸鍙犮佺浉鍏虫ч珮鐨勫彉閲忔寚鏍囧綊缁撲负鍑犱釜涓嶇浉鍏崇殑缁煎悎鍥犲瓙鐨勫閲嶇粺璁℃柟娉曘傞氳繃SPSS23.0寰楀嚭鐨勬垚鍒嗗緱鍒嗙郴鏁扮煩闃碉紝瑙佽〃锛屽彲寰楀埌銆併併佸叕鍥犲瓙鐨...
绛旓細鍥犲瓙鍒嗘瀽鐨鍚勫洜瀛愭槸鐩镐簰鐙珛鐨勶紝濡傛灉鍦ㄤ笁缁寸┖闂撮噷鐨勮瘽锛屽氨鏄被浼间簬X,Y,Z杞撮偅鏍风浉浜掑瀭鐩寸殑锛屽畠浠笉鐩稿叧銆傛墍浠鍊煎拰F鍊兼帴杩戦浂锛岃嚜鐒舵樉钁楁ф按骞虫瀬浣庢帴杩1浜嗐備綘鍋氱殑绾挎у洖褰掑垎鏋愭鏃犳剰涔夛紝灞炰簬涔卞仛涓姘斻傚叾瀹炰綘杩樻槸鍋氫簡涓浜涘伐浣滅殑锛岄偅灏辨槸浣犻獙璇佷簡鍚勪釜鍥犲瓙鐨勭浉浜掔嫭绔嬫э紒
绛旓細1銆侀鍏堟墦寮瑕鍒嗘瀽鐨凷PSS鏂囦欢鎴栧鍏ユ暟鎹紝閫夋嫨鐩稿簲鏁版嵁锛屾墦寮銆2銆佹帴涓嬫潵閫夋嫨鈥滃垎鏋愨濅腑鈥滈檷缁粹濋噷鐨勨鍥犲瓙鈥濄3銆佸湪寮瑰嚭鐨勭晫闈腑锛屽皢闇瑕佸垎鏋愮殑鍙橀噺閫夋嫨鏀惧叆鍙充晶鍙橀噺妗嗕腑銆4銆佹鏃讹紝鐐瑰嚮鐣岄潰涓殑鈥滄弿杩扳濓紝鍙互閫夋嫨杈撳嚭缁撴灉涓殑鍚勪釜鍙傛暟锛屾寜闇瑕侀夋嫨鍗冲彲銆傛澶勯夋嫨浜4涓紝鐒跺悗鐐瑰嚮鈥滅户缁濄5銆佹帴鐫...
绛旓細鍥犲瓙杞借嵎鐨勬剰鎬濇槸宸﹁竟鐨勫拰鍥犲瓙鐨勭浉鍏崇郴鏁.鍥犲瓙杞借嵎鍦ㄢ滄垚鍒嗙煩闃碘濋噷鍒嗗埆鏄0.778銆0.453銆0.553銆0.785,杩欐槸宸﹁竟鐨勯偅浜汿B瀵逛笂闈㈢殑鍥犲瓙鐨勮浇鑽枫傚彲浠ヨ鏄洜瀛1=0.778*TB3+0.453*TB4+0.553*TB1+0.785*TB2锛屽洜瀛愯浇鑽峰湪鏃嬭浆鎴愬垎鐭╅樀閲屼篃鏄竴鏍风殑杩欑绾靛悜鐨勫叕寮忋SPSS鐨勫洜瀛愬垎鏋杩囩▼鏈韩鍙嚜甯︿簡...
绛旓細濡傛灉妤间富鎻愬嚭杩欎釜闂璇存槑浣犲涓绘垚鍒嗗垎鏋愮殑鎿嶄綔鍘熺悊涓嶇敋浜嗚В銆傚湪SPSS涓澶氬厓缁熻鍒嗘瀽瀹炵幇鐨勪富瑕侀斿緞灏辨槸鍥犲瓙鍒嗘瀽锛屾墍浠ヤ綘鍥炬槸鍥犲瓙鍒嗘瀽鐨勭粨鏋锛岃屼富鎴愬垎鍒嗘瀽鏄熷姪鍥犲瓙鍒嗘瀽瀹炵幇銆傝〃涓14涓洜瀛愭槸鍏叡鍥犲瓙锛屽苟闈炲師濮21涓彉閲忔寚鏍囷紝绠鍗曡灏辨槸鏍规嵁浣犵殑鏁版嵁锛岀郴缁熶负浣犺妭閫夊嚭瀵筜鏈変富瑕佷綔鐢ㄧ殑14涓叕鍏卞洜瀛愶紝杩欎簺鍥犲瓙...
绛旓細鍥犲瓙鍒嗘瀽鐨 KMO鍜岀悆妫楠 鍙互鐢ㄦ潵璇存槑鏈夌粨鏋勬晥搴 鐒跺悗鍏蜂綋鐨勯棶鍗风粨鏋勫氨鍙互浠庡洜瀛愯浇鑽蜂腑寰楀嚭
