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（U&A）（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 https://mp.weixin.qq.com/s/5b-rkSherOn-tHyzBZPsTw
绛旓細1. 鏁版嵁鍑嗗涓庡鍏ャ2. 閫夋嫨鍚堥傜殑鍒嗘瀽妯″潡銆3. 杩涜鍥犲瓙鏃嬭浆鍜屽懡鍚嶃4. 杈撳嚭缁撴灉瑙ｈ銆備簩銆佽缁嗚В閲 1. 鏁版嵁鍑嗗涓庡鍏 纭繚鏁版嵁鏍煎紡姝ｇ‘锛屾棤缂哄け鍊兼垨寮傚父鍊笺傚鏈夊繀瑕侊紝杩涜鏁版嵁娓呮礂鍜岄澶勭悊銆傚皢鏁版嵁瀵煎叆SPSS杞欢涓2. 閫夋嫨鍚堥傜殑鍒嗘瀽妯″潡 鎺㈢储鎬鍥犲瓙鍒嗘瀽锛氫富瑕佺敤浜庡垵姝ヤ簡瑙ｆ暟鎹腑鐨勬綔鍦ㄧ粨鏋勶紝閫傚悎...
绛旓細棣栧厛锛屽皢浣犵殑鏁版嵁瀵煎叆SPSS杞欢锛屽鍥1鎵绀猴紝杩欐槸鍩虹姝ラ銆傦紙鍥1锛夋帴鐫锛岀偣鍑烩滃垎鏋愨濊彍鍗曪紝閫夋嫨鈥滈檷缁粹濋夐」锛岀劧鍚庡崟鍑烩鍥犲瓙鍒嗘瀽鈥濋夐」锛屽鍥2鎵绀猴紝寮濮嬭繘鍏ュ垎鏋愰樁娈点傦紙鍥2锛夊湪鈥滃彉閲忊濋儴鍒嗭紝閫夋嫨浣犻渶瑕佽繘琛屽洜瀛愬垎鏋愮殑鍙橀噺锛岀‘淇濆畠浠凡缁忓鍏ュ苟鍑嗗灏辩华锛屽鍥3鎵绀恒傦紙鍥3锛夊湪璁剧疆閫夐」涓紝浣犲彲鑳介渶瑕...
绛旓細鍦SPSS鐨鈥鍥犲瓙鍒嗘瀽鈥濈晫闈紝棣栧厛鐐瑰嚮鈥滄彁鍙栤濓紝鍕鹃夆滅鐭冲浘鈥濋夐」锛屼互鍙鍖栫殑鏂瑰紡纭鏈浣冲洜瀛愭暟閲忋4. 鏃嬭浆绛栫暐鐨勯夋嫨 鎺ョ潃锛岃繘鍏モ滄棆杞濈幆鑺傦紝鏄庢櫤鍦伴夋嫨鈥滄渶澶ф柟宸硶鈥濓紝纭繚鎻愬彇鍑烘渶鍏疯В閲婂姏鐨勫洜瀛愮粍鍚堛5. 娣卞害鎸栨帢涓庤В璇 鍦ㄢ滃緱鍒嗏濋夐」涓紝鍕鹃夆滄樉绀哄洜瀛愬緱鍒嗙郴鏁扮煩闃碘濓紝浠ヤ究娣卞叆浜嗚В姣忎釜鍥...
绛旓細鍦ㄢ滈夐」鈥濅腑锛岃缃滅姝㈡樉绀哄皬绯绘暟鈥濅互绠鍖栧悗缁垎鏋愩傛繁鍏ョ粨鏋滆В璇鍥犲瓙鍒嗘瀽鎻ず鍙橀噺闂寸殑鍐呭湪鍏宠仈銆傛瘮濡傦細KMO涓庡反鐗瑰埄鐗规楠 - 宸寸壒鍒╃壒鐞冨舰妫楠屽间负3960.473锛孭鍊间负0锛屾樉绀哄嚭鏄捐憲鐩稿叧鎬у樊寮傦紝KMO鍊间负0.844锛岃瘉瀹炴暟鎹傚悎杩涜鍥犲瓙鍒嗘瀽銆傚叕鍥犲瓙鍒嗘瀽 - 鎻愬彇鐨勫洜瀛愯В閲婁簡澶ч噺鍙橀噺锛屽鈥滄効鎰忎互涓嶅悓鏂瑰紡杈炬垚鐩...
绛旓細1銆侀鍏堟墦寮鑷繁闇瑕佽繘琛鍥犲瓙鍒嗘瀽鐨勬暟鎹紝鐐瑰嚮鈥滃垎鏋愨濓紝鈥滈檷缁粹濓紝鈥滃洜瀛愨濓紝杩涘叆鍥犲瓙鍒嗘瀽鐨勮缃晫闈2銆侀変腑宸︿晶鐨勬墍鏈夋寚鏍囷紝鐐瑰嚮娣诲姞鎸夐挳娣诲姞鍒板彸渚х殑鍙橀噺鍒楄〃銆3銆佺劧鍚庣偣鍑烩滄弿杩扳濓紝鍕鹃夆滃垵濮嬭В鈥濃淜MO鍜屽反鐗瑰埄鐗圭悆褰㈠害妫楠屸濓紝鐐瑰嚮缁х画銆4銆佹帴鐫鐐瑰嚮鈥滄彁鍙栤濓紝鍕鹃夆滅鐭冲浘鈥濓紝瀹屾垚鍚庣偣鍑荤户缁5...
绛旓細淇濆瓨鍥犲瓙鍒嗘瀽灏卞ソ锛屽鏋滅敤spssau鍒嗘瀽鍓嶅厛鍕鹃夆滃洜瀛愬緱鍒嗏濋夐」锛屽嵆鍙湪鍒嗘瀽鍚庡緱鍒板洜瀛愬緱鍒嗛」銆spss鐩存帴鎶婂嚑涓洜瀛愰兘宸茬粡绠楀嚭鏉ヤ簡锛屽氨鏄痙uFAC1-1鍒楀氨鏄洜瀛怓1锛屽悓鐞嗗彲浠ュ緱鐭2锛孎3...涓嶇敤绠楃殑锛屽鏋滈棶F1鎬庝箞鏉ョ殑锛屽氨璇存槸F1=0.701X1-0.549X2+0.736X3+0.216X4+0.112X5-0.318X6銆傚鏋滆繘琛屼富鎴...
绛旓細璇曠敤鍥犲瓙鍒嗘瀽瀵硅繖浜涙寚鏍囨彁鍙栧叕鍥犲瓙骞跺啓鍑烘彁鍙栫殑鍏洜瀛愪笌杩欎簺鎸囨爣涔嬮棿鐨勮〃杈惧紡銆 涓銆佹暟鎹緭鍏 浜屻佹搷浣滄楠 1銆佽繘鍏SPSS,鎵撳紑鐩稿叧鏁版嵁鏂囦欢,閫夋嫨鈥滃垎鏋愨潀鈥滈檷缁粹潀鈥滃洜瀛愨濆懡浠ゃ2銆侀夋嫨杩涜鍥犲瓙鍒嗘瀽鐨勫彉閲忋傚湪瀵硅瘽妗嗙殑宸︿晶鍒楄〃妗嗕腑,渚濇閫夋嫨鈥滃伐涓氭讳骇鍊尖濃滃浗鍐呯敓浜ф诲尖濃滆揣鐗╁懆杞噺鈥濃滃師鐓も濃滃彂鐢甸噺鈥濃滃師娌...
绛旓細鍥犲瓙鍒嗘瀽SPSS鎿嶄綔姝ラ 鐐瑰嚮 鍒嗘瀽鈫掗檷缁粹啋鍥犲瓙鍒嗘瀽 鎻忚堪 閫夐」閫夋嫨KMO,鍘熷缁撴灉锛岀郴鏁般傚涓嬪浘鎵绀恒傛娊鍙栭夐」 閫夋嫨 涓绘垚鍒嗭紝鐩稿叧鎬х煩闃碉紝鍙﹀瑕佷箞閫夋嫨鐗瑰緛鍊煎ぇ浜1 锛岃涔堥夋嫨 鍥犲瓙鍥哄畾涓暟锛堣嚜宸卞畾涔夛級銆傛棆杞 锛氶夋嫨 鏈澶ф柟宸硶 鍥犲瓙寰楀垎锛氶夋嫨 淇濆瓨涓哄彉閲忋 鍥炲綊鏂规硶銆傛樉绀哄洜瀛愬緱鍒嗙郴鏁扮煩闃点傞夐」锛氶粯璁ゅ...
绛旓細琛ㄦ槑鍙橀噺涔嬮棿瀛樺湪鐩稿叧鎬э紝骞朵笖鍥犲瓙鍒嗘瀽鏄湁鏁堢殑.b. 鎻愬彇: 閫氬父锛屾垜浠夋嫨涓绘垚鍒鏂规硶锛屼絾鏄鏂规硶涓嶇敤浜巔ython涓殑鍥犲瓙鍒嗘瀽.c. 杞崲: 杞崲鐨勪綔鐢ㄦ槸淇冭繘鏈缁堜簡瑙ｅ摢涓彉閲忓睘浜庡摢涓洜绱.d. 寰楀垎:e. 閫夐」:璁剧疆妯″瀷鍚庯紝鍗曞嚮鈥滅‘瀹氣濅互鍦SPSS绐楀彛涓煡鐪嬪垎鏋愮粨鏋.涓昏鐪嬩互涓嬪嚑鑺傜殑缁撴灉.棣栧厛锛孠MO鐨勫间负0.733...
绛旓細1.棣栧厛鎵撳紑spss,鐒跺悗鍗曞嚮鍒嗘瀽鑿滃崟,鐒跺悗閫夋嫨闄嶇淮涓殑鍥犲瓙銆2.鎵撳紑鍥犲瓙鍒嗘瀽绐楀彛,灏咥C1銆丄C2銆丄C3銆丄C4鍜孉C5绉诲埌鍙橀噺妗嗕腑銆3.鐐瑰嚮鎻忚堪鎸夐挳,鎵撳紑瀵瑰簲鐨勭獥鍙,缁熻鍕鹃夊垵濮嬭В,鐩稿叧绯绘暟鐭╅樀鍕鹃夌郴鏁板拰KMO鍜屽反鐗瑰埄鐗圭悆褰㈠害妫楠屻4.鎺ョ潃鐐瑰嚮鎻愬彇鎸夐挳,鎵撳紑绐楀彛骞跺嬀閫夊垎鏋愮浉鍏虫х煩闃,鏄剧ず鍕鹃夋湭鏃嬭浆鍥犲瓙瑙ｅ拰纰庣煶...
