因子分析怎么做
问题一：用SPSS已经做出了因子分析，那么具体的分析结果应该怎么看呢？ KMO检验统计量在0.7以上，说明变量之间的偏相关性较强，适合做因子分析，球形检验p小于0.001，说明变量之间存在相关性。第二格表格为共同性，表示各变量中所含原始信息能被提取的共同因子所表示的程度，根据你的数据，你提取的公因子是两个，第三个表格是指提取的俩个主成分能解福差异的比列，第四个表格是主成分表达式，第五表格是因子得分公式。问题二：因子分析到底有什么用处？ 问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：传统上所谈的因素分析）factor *** ysis)指的是探索性因素分析）exploratory factor *** ysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor *** ysis，EFA)及验证性因素分析）confirmatory factor *** ysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解......>>
问题三：进行因子分析的前提条件是各变量之间应该怎么做 本来想给你截图的，可是传不上来，我就简单说一下哈。
首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。
通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。
点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。
点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。
旋转里边选最大方差法，输出旋转解。继续。
得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。
确定。
然后就可以分析结果了。
先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。
如果这两个检验都合格的话，才可以去写因子模型。
为了便于描述，假设我们有两个因子f1，f2，
旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。
因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。
根据这个我们就能算出因子得分了。
因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量，
然后我们不是有一个公式吗
总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+...
根据这个公式计算一下就可以了。
用spss或者Excel都可以。
希望能对你有帮助哦。
ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。
问题四：excel2003如何做因子分析 都不知道你所说的因子是指的那个因子，数据管理因子还是什么的，提问清楚些。别人也比较容易理解！
问题五：怎样用SPSS做因子分析 在表因子变量解释贡献率（Total Variance Explained）中，看各个主因子的方差贡献率（Initial Eigenvalues栏下的% of Variance），例如图中三个主因子对应的权重为52.132、21.017、11.405，测将三个权重进行归一化处理，52.132/(52.132+21.017+11.405)、21.017/(52.132+21.017+11.405)、11.405/(52.132+21.017+11.405)，所得三个数即为主因子权重
问题六：怎样用spss做因子分析？ SPSS→分析→数据缩减→因子分析→选择自变量和因变量→描述里面选择KMO检验和球型检验；海转选择最大方差旋转法→确定→结果
问题七：如何利用因子分析的排名进行分析 你通过因子分析 中一个选项 保存因子得分,之后会在原数据最后保存生成3列因子得分,假设为a1 a2 a3 代表3个因子然后根据因子分析得出三个因子的特征根值,分别计算粗3个因子的权重,分别为各自的特征根值/三个因子特征根值之和. 然后综合因子得分=a1*对应权重+a2*对应权重+a3*对应权重之后就根据综合因子得分进行大小排名 就这样出来了
问题八：因子分析法需要哪些数据，用什么软件做 因子分析是用因子概括变量信息，所以首先自变量是什么?三年数据当然是一起录入，通过三年的变化来反映因变量的变化。
绛旓細浣夸箣鍏ㄩ儴鍙樻垚娌℃湁鍗曚綅鐨勬暟鎹紝渚夸簬涔嬪悗鐨勫垎鏋愩備緥濡備笅闈㈢殑妗堜緥锛岄渶瑕佸鎴戝浗鍚勭渷甯傜殑缁煎悎鍙戝睍鎯呭喌鍋鍥犲瓙鍒嗘瀽锛岃〃涓湁鍏釜鎸囨爣銆傚儚杩欐牱鐨勬暟鎹紝鏈夌殑鎸囨爣鍊肩壒鍒ぇ锛屾湁鐨勬寚鏍囧肩壒鍒皬锛屾瘮濡傗滈珮鏍℃暟閲忊濆拰鈥滀汉鍧嘒DP鈥濊繖涓や釜鎸囨爣锛岄偅涔堝湪杩涜鍥犲瓙鍒嗘瀽涔嬪墠锛屽氨闇瑕佸厛瀵硅繖鍏釜鎸囨爣鍙橀噺杩涜鏁版嵁鏍囧噯鍖栥傛暟鎹爣鍑嗗寲...
绛旓細鍥犲瓙鍒嗘瀽(鎺㈢储鎬у洜瀛愬垎鏋)鐢ㄤ簬鎺㈢储鍒嗘瀽椤(瀹氶噺鏁版嵁)搴旇鍒嗘垚鍑犱釜鍥犲瓙(鍙橀噺),姣斿20涓噺琛ㄩ椤瑰簲璇ュ垎鎴愬嚑涓柟闈㈣緝涓哄悎閫;鐢ㄦ埛鍙嚜琛岃缃洜瀛愪釜鏁,濡傛灉涓嶈缃,绯荤粺浼氫互鐗瑰緛鏍瑰煎ぇ浜1浣滀负鍒ゅ畾鏍囧噯璁惧畾鍥犲瓙涓暟銆傚湪鈥滆繘闃舵柟娉曗濇ā鍧椾腑閫夋嫨鈥滃洜瀛愨濇柟娉曪紝灏嗗垎鏋愰」瀹氶噺鎷栨嫿鍒板彸渚у垎鏋愭鍐咃紝鐐瑰嚮鈥滃紑濮嬪垎鏋愨濆嵆鍙...
绛旓細閫氬父鍦ㄧ患鍚堣瘎浠峰悗锛屾瘮濡傝绠楀緱鍒板噯鍒欏眰鍜屾寚鏍囧眰鐨勫垎鍒潈閲嶄箣鍚庯紙鎸囨爣鏉冮噸浣撶郴鏋勫缓鍚庯級锛屼负浜嗘壘鍒扳樹富瑕侀殰纰鍥犲瓙鈥欙紝姝ゆ椂鍙娇鐢ㄢ橀殰纰嶅害妯″瀷鈥欙紙obstacle degree锛夎繘涓姝ョ爺绌讹紝浠ヤ究杩涜闅滅搴︽儏鍐靛姣旓紙鍗冲奖鍝嶇▼搴︼級銆傛瘮濡傛煇椤瑰叧浜庘樺煄甯傚叕鍥患鍚堣〃鐜扳欑殑鐮旂┒锛屽叾鐩爣鏄爺绌垛樺煄甯傚叕鍥患鍚堣〃鐜扳欙紝鍚屾椂鍑嗗垯灞傚寘鎷3...
绛旓細鍚屾椂杩樺彲浠ュ弬鑰冪浉鍏崇郴鏁,涓鑸涓哄垎鏋愬彉閲忕殑鐩稿叧绯绘暟澶氭暟澶т簬 0.3,鍒欓傚悎鍋鍥犲瓙鍒嗘瀽; KMO=0.575 妫楠屾潵鐪,涓嶆槸鐗瑰埆閫傚悎鍥犲瓙鍒嗘瀽,鍩烘湰鍙互閫氳繃銆 缁撴灉瑙ｈ:鍥犲瓙鏂瑰樊琛 鎻愬彇鍥犲瓙鍚庡洜瀛愭柟宸殑鍊煎潎寰堥珮,琛ㄦ槑鎻愬彇鐨勫洜瀛愯兘寰堝ソ鐨勬弿杩拌繖 5 涓寚鏍囥 鏂瑰樊鍒嗚В琛ㄨ〃鏄,榛樿鎻愬彇鐨勫墠涓や釜鍥犲瓙鑳藉瑙ｉ噴 5 涓寚鏍囩殑 93.4%銆傜鐭...
绛旓細3銆佹槑纭伐浣鍒嗘瀽鐨勭洰鐨勩傛湁浜嗘槑纭殑鐩殑锛屾墠鑳芥纭‘瀹氬垎鏋愮殑鑼冨洿銆佸璞″拰鍐呭锛岃瀹氬垎鏋愮殑鏂瑰紡銆佹柟娉曪紝骞跺紕娓呭簲褰撴敹闆嗕粈涔堣祫鏂欙紝鍒板摢鍎垮幓鏀堕泦锛岀敤浠涔堟柟娉曞幓鏀堕泦銆 4銆佹槑纭垎鏋愬璞°備负淇濊瘉鍒嗘瀽缁撴灉鐨勬纭э紝搴旇閫夋嫨鏈変唬琛ㄦс佸吀鍨嬫х殑宸ヤ綔銆 5銆佸缓绔嬭壇濂界殑宸ヤ綔鍏崇郴銆備负浜嗘悶濂藉伐浣滃垎鏋愶紝杩樺簲鍋氬ソ鍛樺伐鐨...
绛旓細KMO鍋氫富鎴愬垎鍒嗘瀽鏁堝害妫楠屾寚鏍嘖MO0.9涓婇潪甯稿悎閫傚仛鍥犲瓙鍒嗘瀽锛0.8-0.9涔嬮棿閫傚悎锛0.7-0.8涔嬮棿閫傚悎锛0.6-0.7涔嬮棿灏氾細0.5-0.6涔嬮棿琛ㄧず宸細0.5涓嬪簲璇ユ斁寮冦傛搷浣滄柟娉曞涓嬶細1銆侀鍏堟墦寮瑕佸垎鏋愮殑SPSS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滃洜瀛愨濄3銆佸湪寮瑰嚭鐨...
绛旓細鍥犲瓙鍒嗘瀽 1杈撳叆鏁版嵁銆2鐐笰nalyze 涓嬫媺鑿滃崟锛岄塂ata Reduction 涓嬬殑Factor 銆3鎵撳紑Factor Analysis鍚,灏嗘暟鎹彉閲忛愪釜閫変腑杩涘叆Variables 瀵硅瘽妗嗕腑銆4鍗曞嚮涓诲璇濇涓殑Descriptive鎸夋壄锛屾墦寮Factor Analysis: Descriptives瀛愬璇濇锛屽湪Statistics鏍忎腑閫夋嫨Univariate Descriptives椤硅姹傝緭鍑轰釜鍙橀噺鐨勫潎鍊间笌鏍囧噯宸紝鍦...
绛旓細鍙互鍋鍥犲瓙鍒嗘瀽锛屽洜瀛愬垎鏋愮敤浜庢祿缂╅椤癸紝姣斿鏈20鍙ヨ瘽锛屾祿缂╂垚5涓叧閿瘝銆傞偅涔堢被浼肩殑锛岀爺绌堕」鍏辨湁20涓锛屼篃鍙互娴撶缉鎴5椤广傛搷浣滀笂锛氫竴娆℃ч変腑鎵鏈夌殑鐮旂┒椤瑰埌鍙充晶妗嗕腑锛岀偣鍑诲紑濮嬪垎鏋愩傚洜瀛愬垎鏋愭湁浠ヤ笅娉ㄦ剰浜嬮」锛氬彲浠ヨ嚜琛岃缃洜瀛愪釜鏁帮紝姣斿鐮旂┒椤规湁20涓紝棰勬湡鍒嗕负5涓洜瀛愶紝spssau涓婂彲浠ヤ富鍔ㄨ缃洜瀛愪釜鏁...
绛旓細1. 鍥犲瓙鍒嗘瀽妯″瀷 鍥犲瓙鍒嗘瀽娉曟槸浠庣爺绌跺彉閲忓唴閮ㄧ浉鍏崇殑渚濊禆鍏崇郴鍑哄彂,鎶婁竴浜涘叿鏈夐敊缁煎鏉傚叧绯荤殑鍙橀噺褰掔粨涓哄皯鏁板嚑涓患鍚堝洜瀛愮殑涓绉嶅鍙橀噺缁熻鍒嗘瀽鏂规硶.瀹冪殑鍩烘湰鎬濇兂鏄皢瑙傛祴鍙橀噺杩涜鍒嗙被,灏嗙浉鍏虫ц緝楂,鍗宠仈绯绘瘮杈冪揣瀵嗙殑鍒嗗湪鍚屼竴绫讳腑,鑰屼笉鍚岀被鍙橀噺涔嬮棿鐨勭浉鍏虫у垯杈冧綆,閭ｄ箞姣忎竴绫诲彉閲忓疄闄呬笂灏变唬琛ㄤ簡涓涓熀鏈粨鏋,鍗冲叕鍏卞洜瀛...
绛旓細5锛宻ig灏忎簬0.05锛岃鏄庝綘鐨勬暟鎹彲浠ュ仛鍥犲瓙鍒嗘瀽銆備篃灏 鏄浣犵揣璺熷湪涓嬭竟鐨勬姤琛ㄦ槸鏈夋剰涔夌殑銆2锛屾晥搴﹀垎鏋愯鐪嬫棆杞煩闃碉紝杩欎釜闂寰堝鏉傦紝寤鸿浣犳壘涓涓嬫棆杞煩闃鎬庝箞鐪嬬殑璧勬枡瀛︿範涓涓嬨傛讳箣浣犵殑缁村害瑕佸湪閫夎浆鐭╅樀涓婂垎寮锛岃繖鏍锋晥搴﹀氨閫氳繃浜嗭紝3锛岃繎浼煎崱鏂瑰煎拰鑷敱搴︿笉鐢ㄧ銆俻pv璇惧涔犵綉绔 ...
