怎样做因子分析？
因子分析(探索性因子分析)用于探索分析项(定量数据)应该分成几个因子(变量),比如20个量表题项应该分成几个方面较为合适;用户可自行设置因子个数,如果不设置,系统会以特征根值大于1作为判定标准设定因子个数。
因子分析通常有三个步骤;第一步是判断是否适合进行因子分析;第二步是因子与题项对应关系判断;第三步是因子命名。
第一步:判断是否进行因子分析,判断标准为KMO值大于0.6;
第二步:因子与题项对应关系判断。
因子与题项对应关系判断:假设预期为3个因子(变量),分析题项为10个;因子与题项交叉共得到30个数字,此数字称作”因子载荷系数”(因子载荷系数值表示分析项与因子之间的相关程度); 针对每个因子(变量),对应10个”因子载荷系数”,针对每个分析项,则有3个”因子载荷系数值”(比如0.765,-0.066,0.093),选出3个数字绝对值大于0.4的那个值(0.765),如果其对应因子1,则说明此题项应该划分在因子1下面.
对不合理题项进行删除:共有三种情况; 第一类:如果分析项的共同度(公因子方差)值小于0.4,则对应分析项应该作删除处理;第二类:某分析项对应的”因子载荷系数”的绝对值,全部均小于0.4,也需要删除此分析项;第三类:如果某分析项与因子对应关系出现严重偏差（通常也称作‘张冠李戴’）,也需要对该分析项进行删除处理。
第三步:因子命名。
在第二步删除掉不合理题项后,并且确认因子与题项对应关系良好后,则可结合因子与题项对应关系,对因子进行命名。
1.前提条件
KMO值与Bartlete球形检验
使用因子分析进行信息浓缩研究，首先分析研究数据是否适合进行因子分析，从上表可以看出：KMO值为0.922，大于0.6，满足因子分析的前提要求，意味着数据可用于因子分析研究。以及数据通过Bartlett 球形度检验(p<0.05)，说明研究数据适合进行因子分析。接下来查看分析项是否需要调整。
2.因子与测量项之间的关系
一般情况下，如果16项与4个因子之间的对应关系情况，与专业知识情况不符合，比如第一项被划分到了第一个因子下面，此时则说明可能Q1这项应该被删除处理，其出现了‘张冠李戴’现象。因而在进行分析时很可能会对部分不合理项进行删除处理。除此之外,也有可能会出现‘纠缠不清’现象。
（1）“张冠李戴”
一般情况下，如果16项与4个因子之间的对应关系情况，与专业知识情况不符合，比如Q1被划分到了第一个因子下面，此时则说明可能Q1这项应该被删除处理，其出现了‘张冠李戴’现象。例如案例中的“品牌代言人3”、“品牌代言人4”应该属于因子4但是分析时被划分到别的因子中。
（2）”纠缠不清“
除了“张冠李戴”现象，有时候会出现‘纠缠不清’现象，比如案例中的“品牌活动1”可归属为因子1，同时也可归属到因子3，这种情况较为正常（称作‘纠缠不清’），需要结合实际情况处理即可，可将该项删除，也可不删除，此案例中“品牌活动1”按分析应属于因子3，所以不进行删除处理，通过分析其他‘纠缠不清’的分析项也是一样，都不进行删除处理，这时，分析带有一定主观性。（PS：案例中‘纠缠不清’的情况不只有“品牌活动1”比如“品牌活动3”等，需要根据实际情况选择是否处理）。
因子分析是一个多次重复的过程，比如删除某个或多个题项后，则需要重新再次分析进行对比选择等。最终目的在于：因子与分析项对应关系，与专业知识情况基本吻合。总结可知，“品牌代言人3”、“品牌代言人4”应该属于因子4但是分析时被划分到别的因子中。属于“张冠李戴”现象所以需要删除处理。删除后重新分析如下。
上图可知“品牌代言人1-2”可同时出现在因子3和因子4下并且1代言人2还出现在因子2下面，但考虑到因子4当前仅余下2项，因而表示可以接受，以及“品牌活动1、3、4”、“社会责任感2”是一样的，根据专业知识可考虑不用删除，最终找出四个因子，它们分别与项之间的对应关系良好。因子分析结束。
（1）KMO 和 Bartlett 的检验
使用因子分析进行信息浓缩研究，首先分析研究数据是否适合进行因子分析，从上表可以看出：KMO值为0.914，大于0.6，满足因子分析的前提要求，意味着数据可用于因子分析研究。以及数据通过Bartlett 球形度检验(p<0.05)，说明研究数据适合进行因子分析。
（2）因子载荷系数表
所有研究项对应的共同度值均高于0.4，意味着研究项和因子之间有着较强的关联性，因子可以有效的提取出信息。确保因子可以提取出研究项大部分的信息量之后，接着分析因子和研究项的对应关系情况(因子载荷系数绝对值大于0.4时即说明该项和因子有对应关系)。从上图可知“品牌代言人2”可同时出现在因子2、因子3和因子4下面，但考虑到因子4当前仅余下2项，因而表示可以接受，其他分析项出现“纠缠不清”的情况也是就研究问题来说也是可以接受的。最终找出品牌活动、品牌代言、社会责任感以及品牌赞助共4个维度，它们分别与项之间的对应关系良好。因子分析结束。分析项不需要进一步调整，接下来进行查看因子的提取个数以及信息浓缩情况。
4.因子提取
(1)方差解释率
方差解释率可以说明因子包含原数据信息的多少，方差解释率越大说明因子包含的信息越多。因子分析中，主要关注旋转后的数据部分。由上图可以显示14个指标中，四个因子方差解释率分别为26.329％、26.329％、26.329％以及26.329％，累积方差解释率由这四项者相加为89.573％，累积方差解释率这个值没有固定标准，一般超过60%都可以接受。特征根对于因子的提取有什么作用，以下展开来说。
（2）特征根
特征根一般是指标旋转前每个因子的贡献程度。此值的总和与项目数匹配，此值越大，代表因子贡献越大。当然因子分析通常需要综合自己的专业知识综合判断，即使是特征根值小于1，也一样可以提取因子。在进行因子分析时，研究者没有预设因子数，系统就会以特征根“大于1”为标准进行划分。因为此案例在分析前的预设因子个数为4所以也同样可以进行分析。除了特征根之外SPSSAU还提供了更加直观的碎石图帮助判断。
碎石图
从图中可以看出，横轴表示指标数，纵轴表示特征根值，当提取前4个因子时，特征根值变化较明显，对解释原有变量的贡献较大；当提取4个以后的因子时，特征根变化也相对平稳，对原有变量贡献相对较小，由此可见提取前四个因子对原变量有的显著作用。碎石图仅辅助决策因子个数，如果由此图分析三个因子也是可以的。
此案例按专业知识来看提取四个因子，如果没有预设因子个数也可以默认让系统进行决策。提取后要观察因子的信息浓缩程度。
5.信息浓缩
旋转后因子载荷系数表
旋转后因子载荷系数可以用于判断因子与题项之间的对应关系，如果出现“张冠李戴”或者“纠缠不清”的情况需要关注，上述结果已经是处理后的结果，以及各个题项的共同度。如果某分析项对应的多个因子载荷系数绝对值均低于0.4，可考虑删除该项。上图分析中均大于0.4。所以不用删除调整。从结果中可以看出，使用因子分析对14个项进行浓缩处理，浓缩为四个因子。因子与题项对应关系如下：
其中品牌赞助1-4在因子1上有较高的载荷，说明因子1可以解释这几个分析项，它们主要反映了短视频平台进行品牌传播中的品牌赞助；社会责任感1-4在因子2上有较高的载荷，它们主要反映了短视频平台进行品牌传播的社会责任感；品牌活动1-4在因子3上有较高的载荷，它们主要反映了短视频平台进行品牌传播的品牌活动；品牌代言人1-2在因子4上有较高的载荷，它们主要反映了短视频平台进行品牌传播的品牌代言人方面。
你好。因子分析之前要用KMO检验和Bartlett球形检验。
（1）KMO。用于检查变量间的偏相关性，取值在0-1之间。KMO值越接近于1，变量间的偏相关性就越强，因子分析效果就好。KMO值0.9以上极适合做因子分析，0.8以上适合做因子分析，0.7以上尚可，0.6以上勉强可以，0.5以上不适合，0.5以下非常不适合。实际运用中，在0.7以上，效果比较好；在0.5以下时，不适合应用因子分析。
（2）Bartlett球形检验。用于判断相关矩阵是否是单位阵，即各变量是否有较强的相关性。P<.05,不服从球形检验，应拒绝各变量独立的假设，即变量间有较强相关；P>.05时，服从球形检验，各变量相互独立，不能做因子分析。
绛旓細鍥犲瓙涓暟锛氬鏁版儏鍐典笅锛屾垜浠湪鍒嗘瀽鏃跺凡缁忓甫鐫涓昏棰勬湡锛屽笇鏈涢椤濡備綍褰掔被锛屾鏃跺彲浠ョ洿鎺ヨ缃搴旂殑鍥犲瓙涓暟銆傝繘琛岀粨鏋勬晥搴︾殑姝ｅ紡鍒嗘瀽鍓嶏紝绗竴姝ラ渶瑕侀氳繃KMO鍜屽反鐗瑰埄鐗规楠岃繘琛屾祴閲忛棶鍗烽噺琛ㄨ繘鑰屽喅瀹氭槸鍚﹂傚悎杩涜鍥犲瓙鍒嗘瀽锛孠MO鍊兼槸鐢ㄦ潵鍒ゆ柇鎵閫夊彇鍙橀噺鍦ㄥ洜绱犲垎鏋愪腑鐨勫彲鎺ュ彈绋嬪害锛岃冨療鍙橀噺涔嬮棿鐩稿叧鍏崇郴銆備竴鑸繘琛屽洜瀛...
绛旓細鍥犲瓙鏄笉鑳界洿鎺ヨ瀵熷埌鐨,鏄綔鍦ㄧ殑銆備絾鏄彲浠ラ氳繃鍙娴嬪埌鐨勫彉閲忚幏寰椼 鍥犲瓙鍒嗘瀽妯″瀷鏄師濮嬪彉閲忎负鍥犲瓙鐨勭嚎鎬х粍鍚,鐜板湪鎴戜滑鍙互鏍规嵁鍥炲綊鐨勬柟娉曞皢妯″瀷鍊掕繃鏉,鐢ㄥ師濮嬪彉閲忎篃灏辨槸鍙備笌鍒嗘瀽鐨勫彉閲忔潵琛ㄧず鍥犲瓙銆備粠鑰屽緱鍒板洜瀛愬緱鍒嗐傚洜瀛愬緱鍒嗕綔涓哄彉閲忎繚瀛,瀵逛簬浠ュ悗娣卞叆鍒嗘瀽寰堟湁鐢ㄥ銆 缁撴灉瑙ｈ:楠岃瘉鏁版嵁鏄惁閫傚悎鍋氬洜瀛愬垎鏋 鍙傝僰mo...
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1. 鍦杩涜鍥犲瓙鍒嗘瀽涔嬪墠锛岄鍏堥渶瑕佽繘琛孠MO锛圞aiser-Meyer-Olkin锛夋楠岋紝浠ヨ瘎浼板彉閲忛棿鐨勯傚悎搴︺侹MO鍊兼帴杩1琛ㄧず鍙橀噺闂寸殑鐩稿叧鎬ф渶寮猴紝閫傚悎杩涜鍥犲瓙鍒嗘瀽銆傞氬父锛孠MO鍊煎ぇ浜0.9琚涓洪潪甯搁傚悎鍥犲瓙鍒嗘瀽锛0.8浠ヤ笂涓洪傚悎锛0.7浠ヤ笂灏氬彲锛0.6浠ヤ笂鍕夊己鍙互锛0.5浠ヤ笂涓嶅お閫傚悎锛岃0.5浠ヤ笅鍒欒璁や负闈炲父涓嶉傚悎銆傚湪...
绛旓細涓鏃﹀皬缁勬垚鍛樼‘瀹氫箣鍚庯紝璧嬩簣浠栦滑杩涜鍒嗘瀽娲诲姩鐨勬潈闄愶紝浠ヤ繚璇佸垎鏋愬伐浣滅殑鍗忚皟鍜岄『鍒╄繘琛屻 2銆佹槑纭伐浣滃垎鏋愮殑鎬荤洰鏍囥佹讳换鍔°傛牴鎹荤洰鏍囥佹讳换鍔★紝瀵逛紒涓氱幇鐘惰繘琛屽垵姝ヤ簡瑙ｏ紝鎺屾彙鍚勭鏁版嵁鍜岃祫鏂欍 3銆佹槑纭伐浣滃垎鏋愮殑鐩殑銆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...
绛旓細浣犲ソ銆傚洜瀛愬垎鏋愪箣鍓嶈鐢↘MO妫楠屽拰Bartlett鐞冨舰妫楠屻(1)KMO銆傜敤浜庢鏌ュ彉閲忛棿鐨勫亸鐩稿叧鎬,鍙栧煎湪0-1涔嬮棿銆侹MO鍊艰秺鎺ヨ繎浜1,鍙橀噺闂寸殑鍋忕浉鍏虫у氨瓒婂己,鍥犲瓙鍒嗘瀽鏁堟灉灏卞ソ銆侹MO鍊0.9浠ヤ笂鏋侀傚悎鍋氬洜瀛愬垎鏋,0.8浠ヤ笂閫傚悎鍋氬洜瀛愬垎鏋,0.7浠ヤ笂灏氬彲,0.6浠ヤ笂鍕夊己鍙互,0.5浠ヤ笂涓嶉傚悎,0.5浠ヤ笅闈炲父涓嶉傚悎銆傚疄闄呰繍鐢ㄤ腑,鍦0.7浠ヤ笂,鏁堟灉姣...
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...
绛旓細杩涜鍥犲瓙鍒嗘瀽鐨勫墠鎻愭潯浠舵槸锛屽悇鍙橀噺涔嬮棿搴旇浣庡害鐩稿叧銆傚洜瀛愬垎鏋愮殑涓昏鐩殑鏄敤鏉ユ弿杩伴殣钘忓湪涓缁勬祴閲忓埌鐨勫彉閲忎腑鐨勪竴浜涙洿鍩烘湰鐨勶紝浣嗗張鏃犳硶鐩存帴娴嬮噺鍒扮殑闅愭у彉閲忋傚洜姝ゅ洜瀛愬垎鏋愮殑棣栬鍓嶆彁灏辨槸鍚勪釜鍙橀噺涔嬮棿搴旇鍏锋湁涓瀹氱殑鐩稿叧搴︼紝涓嶈姹傜浉鍏冲害杩囬珮锛屽彧鏄綆搴︾浉鍏 姣斿锛屽鏋滆娴嬮噺瀛︾敓鐨勫涔犵Н鏋佹э紝璇惧爞涓殑绉瀬鍙備笌...
绛旓細涓绘垚鍒嗗垎鏋愬拰鍥犲瓙鍒嗘瀽鏈夊崄澶у尯鍒細1.鍘熺悊涓嶅悓 涓绘垚鍒嗗垎鏋愬熀鏈師鐞嗭細鍒╃敤闄嶇淮锛堢嚎鎬у彉鎹)鐨勬濇兂锛屽湪鎹熷け寰堝皯淇℃伅鐨勫墠鎻愪笅鎶婂涓寚鏍囪浆鍖栦负鍑犱釜涓嶇浉鍏崇殑缁煎悎鎸囨爣锛堜富鎴愬垎),鍗虫瘡涓富鎴愬垎閮芥槸鍘熷鍙橀噺鐨勭嚎鎬х粍鍚,涓斿悇涓富鎴愬垎涔嬮棿浜掍笉鐩稿叧,浣垮緱涓绘垚鍒嗘瘮鍘熷鍙橀噺鍏锋湁鏌愪簺鏇翠紭瓒婄殑鎬ц兘锛堜富鎴愬垎蹇呴』淇濈暀鍘熷鍙橀噺90...
绛旓細KMO鍋氫富鎴愬垎鍒嗘瀽鏁堝害妫楠屾寚鏍嘖MO0.9涓婇潪甯稿悎閫鍋氬洜瀛愬垎鏋锛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...
