用spss进行主成分分析的结果怎么看，说明什么 spss主成分分析的结果怎么看
spss\u4e3b\u6210\u5206\u5206\u6790\u7ed3\u679c\u600e\u4e48\u7406\u89e3spss\u5982\u4f55\u505a\u4e3b\u6210\u5206\u5206\u6790
\u4e3b\u6210\u5206\u5206\u6790\u7684\u4e3b\u8981\u539f\u7406\u662f\u5bfb\u627e\u4e00\u4e2a\u9002\u5f53\u7684\u7ebf\u6027\u53d8\u6362\uff1a
•\u5c06\u5f7c\u6b64\u76f8\u5173\u7684\u53d8\u91cf\u8f6c\u53d8\u4e3a\u5f7c\u6b64\u72ec\u7acb\u7684\u65b0\u53d8\u91cf\uff1b
•\u65b9\u5dee\u8f83\u5927\u7684\u51e0\u4e2a\u65b0\u53d8\u91cf\u5c31\u80fd\u7efc\u5408\u53cd\u5e94\u539f\u591a\u4e2a\u53d8\u91cf\u6240\u5305\u542b\u7684\u4e3b\u8981\u4fe1\u606f\uff1b
•\u65b0\u53d8\u91cf\u5404\u81ea\u5e26\u6709\u72ec\u7279\u7684\u4e13\u4e1a\u542b\u4e49\u3002
\u4f4f\u6210\u5206\u5206\u6790\u7684\u4f5c\u7528\u662f\uff1a
•\u51cf\u5c11\u6307\u6807\u53d8\u91cf\u7684\u4e2a\u6570
•\u89e3\u51b3\u591a\u91cd\u76f8\u5173\u6027\u95ee\u9898
\u6b65\u9aa4\u9605\u8bfb
\u5de5\u5177/\u539f\u6599
spss20.0
\u65b9\u6cd5/\u6b65\u9aa4
>01
\u5148\u5728spss\u4e2d\u51c6\u5907\u597d\u8981\u5904\u7406\u7684\u6570\u636e\uff0c\u7136\u540e\u5728\u83dc\u5355\u680f\u4e0a\u6267\u884c\uff1aanalyse--dimension reduction--factor analyse\u3002\u6253\u5f00\u56e0\u7d20\u5206\u6790\u5bf9\u8bdd\u6846
>02
\u6211\u4eec\u770b\u5230\u4e0b\u56fe\u5c31\u662f\u56e0\u7d20\u5206\u6790\u7684\u5bf9\u8bdd\u6846\uff0c\u5c06\u8981\u5206\u6790\u7684\u53d8\u91cf\u90fd\u653e\u5165variables\u7a97\u53e3\u4e2d
>03
\u70b9\u51fbdescriptives\u6309\u94ae\uff0c\u8fdb\u5165\u6b21\u7ea7\u5bf9\u8bdd\u6846\uff0c\u8fd9\u4e2a\u5bf9\u8bdd\u6846\u53ef\u4ee5\u8f93\u51fa\u6211\u4eec\u60f3\u8981\u770b\u5230\u7684\u63cf\u8ff0\u7edf\u8ba1\u91cf
>04
\u56e0\u4e3a\u505a\u4e3b\u6210\u5206\u5206\u6790\u9700\u8981\u6211\u4eec\u770b\u4e00\u4e0b\u5404\u4e2a\u53d8\u91cf\u4e4b\u95f4\u7684\u76f8\u5173\uff0c\u5bf9\u53d8\u91cf\u95f4\u7684\u5173\u7cfb\u6709\u4e00\u4e2a\u4e86\u89e3\uff0c\u6240\u4ee5\u9700\u8981\u8f93\u51fa\u76f8\u5173\uff0c\u52fe\u9009coefficience\uff0c\u70b9\u51fbcontinue\uff0c\u8fd4\u56de\u4e3b\u5bf9\u8bdd\u6846
>05
\u56de\u5230\u4e3b\u5bf9\u8bdd\u6846\uff0c\u70b9\u51fbok\uff0c\u5f00\u59cb\u8f93\u51fa\u6570\u636e\u5904\u7406\u7ed3\u679c
>06
\u4f60\u770b\u5230\u7684\u8fd9\u7b2c\u4e00\u4e2a\u8868\u683c\u5c31\u662f\u76f8\u5173\u77e9\u9635\uff0c\u73b0\u5b9e\u7684\u662f\u5404\u4e2a\u53d8\u91cf\u4e4b\u95f4\u7684\u76f8\u5173\u7cfb\u6570\uff0c\u901a\u8fc7\u76f8\u5173\u7cfb\u6570\uff0c\u4f60\u53ef\u4ee5\u770b\u5230\u5404\u4e2a\u53d8\u91cf\u4e4b\u95f4\u7684\u76f8\u5173\uff0c\u8fdb\u800c\u4e86\u89e3\u5404\u4e2a\u53d8\u91cf\u4e4b\u95f4\u7684\u5173\u7cfb
>07
\u7b2c\u4e8c\u4e2a\u8868\u683c\u663e\u793a\u7684\u4e3b\u6210\u5206\u5206\u6790\u7684\u8fc7\u7a0b\uff0c\u6211\u4eec\u770b\u5230eigenvalues\u4e0b\u9762\u7684total\u680f\uff0c\u4ed6\u7684\u610f\u601d\u5c31\u662f\u7279\u5f81\u6839\uff0c\u4ed6\u7684\u610f\u4e49\u662f\u4e3b\u6210\u5206\u5f71\u54cd\u529b\u5ea6\u7684\u6307\u6807\uff0c\u4e00\u822c\u4ee51\u4e3a\u6807\u51c6\uff0c\u5982\u679c\u7279\u5f81\u6839\u5c0f\u4e8e1\uff0c\u8bf4\u660e\u8fd9\u4e2a\u4e3b\u56e0\u7d20\u7684\u5f71\u54cd\u529b\u5ea6\u8fd8\u4e0d\u5982\u4e00\u4e2a\u57fa\u672c\u7684\u53d8\u91cf\u3002\u6240\u4ee5\u6211\u4eec\u53ea\u63d0\u53d6\u7279\u5f81\u6839\u5927\u4e8e1\u7684\u4e3b\u6210\u5206\u3002\u5982\u56fe\u6240\u793a\uff0c\u524d\u4e09\u4e2a\u4e3b\u6210\u5206\u5c31\u662f\u5927\u4e8e1\u7684\uff0c\u6240\u4ee5\u6211\u4eec\u53ea\u80fd\u8bf4\u6709\u4e09\u4e2a\u4e3b\u6210\u5206\u3002\u53e6\u5916\uff0c\u6211\u4eec\u770b\u5230\u7b2c\u4e00\u4e2a\u4e3b\u6210\u5206\u65b9\u5dee\u5360\u6240\u6709\u4e3b\u6210\u5206\u65b9\u5dee\u768446.9%\uff0c\u7b2c\u4e8c\u4e2a\u536027.5%\uff0c\u7b2c\u4e09\u4e2a\u536015.0%\u3002\u8fd9\u4e09\u4e2a\u7d2f\u8ba1\u8fbe\u5230\u4e8689.5%\u3002
\u4e3b\u8981\u770b\u5f97\u5230\u4e86\u51e0\u4e2a\u4e3b\u6210\u5206
KMO检验用于检查变量间的偏相关性 一般认为该值大于0.9时效果最佳 0.7以上尚可，0.6时效果较差
Bartlett's球形检验用于检验相关阵是否是单位阵 P<0.01说明指标间并非独立，取值是有关系的。可以进行因子分析
根据上图 可以看出一共提取了3个主成分 可是能解释的方差为69.958%
软件默认的是提取特征根大于1的主成分 如果加上第四个主成分的话可以解释的变异度为86.26%
所以结合专业知识 可以考虑是不是增加一个主成分。
扩展资料：
软件模块实际上就是将以前单独发行的SPSS AnswerTree软件整合进了SPSS平台。笔者几年前在自己的网站上介绍SPSS 11的新功能时，曾经很尖锐地指出SPSS的产品线过于分散，应当把各种功能较单一的小软件，如AnswerTree、Sample Power等整合到SPSS等几个平台上去。
看来SPSS公司也意识到了这一点，而AnswerTree就是在此背景下第一个被彻底整合的产品。
Classification Tree模块基于数据挖掘中发展起来的树结构模型对分类变量或连续变量进行预测，可以方便、快速的对样本进行细分，而不需要用户有太多的统计专业知识。在市场细分和数据挖掘中有较广泛的应用。
已知该模块提供了CHAID、Exhaustive CHAID和C&RT三种算法，在AnswerTree中提供的QUEST算法尚不能肯定是否会被纳入。
为了方便新老用户的使用，Tree模块在操作方式上不再使用AnswerTree中的向导方式，而是SPSS近两年开始采用的交互式选项卡对话框。但是，整个选项卡界面的内容实际上是和原先的向导基本一致的，另外，模型的结果输出仍然是AnswerTree中标准的树形图，这使得AnswerTree的老用户基本上不需要专门的学习就能够懂得如何使用该模块。
由于树结构模型的方法体系和传统的统计方法完全不同，贸然引入可能会引起读者统计方法体系的混乱。为此，本次编写的高级教程并未介绍该模块，而将在高级教程的下一个版本，以及关于市场细分问题的教材中对其加以详细介绍。
参考资料：百度百科-spss
看各个成分中，载荷比较大的分别由哪些指标构成，这些指标就归属于某个成分。
绛旓細褰撴暟鎹‘瀹氬彲浠浣跨敤涓绘垚鍒嗗垎鏋鍚庯紝涓嬩竴姝ョ‘瀹氫富鎴愬垎鎴愬垎閫夋嫨涓暟锛屾渚涓娇鐢鐗瑰緛鏍瑰煎ぇ浜1鐨勬柟娉曘備粠涓婅〃鍙煡锛氫富鎴愬垎鍒嗘瀽涓鍏辨彁鍙栧嚭4涓富鎴愬垎锛岀壒寰佹牴鍊煎潎澶т簬1锛屾4涓富鎴愬垎鐨勬柟宸В閲婄巼鍒嗗埆鏄33.871%,20.571%,15.799%,13.779%锛岀疮绉柟宸В閲婄巼涓84.021%銆3.鎻愬彇鎴愬垎 宸茬粡纭畾浜嗘垚鍒嗛夋嫨涓...
绛旓細1. 棣栧厛锛岄渶瑕佹寚鍑虹殑鏄紝KMO锛圞aiser-Meyer-Olkin锛夊兼槸璇勪及鏍锋湰鏁版嵁鏄惁閫傚悎杩涜鍥犲瓙鍒嗘瀽鐨涓涓粺璁￠噺銆傚綋KMO鍊兼帴杩1鏃讹紝琛ㄧず鏁版嵁闈炲父閫傚悎杩涜鍥犲瓙鍒嗘瀽锛涜屽綋KMO鍊兼帴杩0鏃讹紝琛ㄧず鏁版嵁涓嶅お閫傚悎杩涜鍥犲瓙鍒嗘瀽銆傚湪鏈渚嬩腑锛孠MO鍊煎亸浣庯紝琛ㄦ槑鎵閫夋暟鎹泦鍙兘涓嶉傚悎杩涜涓绘垚鍒嗗垎鏋銆2. 閫氬父鎯呭喌涓嬶紝KMO鍊煎ぇ浜0....
绛旓細Bartlett's鐞冨舰妫楠岀敤浜庢楠岀浉鍏抽樀鏄惁鏄崟浣嶉樀 P<0.01璇存槑鎸囨爣闂村苟闈炵嫭绔嬶紝鍙栧兼槸鏈夊叧绯荤殑銆傚彲浠杩涜鍥犲瓙鍒嗘瀽 鏍规嵁涓婂浘 鍙互鐪嬪嚭涓鍏辨彁鍙栦簡3涓富鎴愬垎 鍙槸鑳借В閲婄殑鏂瑰樊涓69.958%杞欢榛樿鐨勬槸鎻愬彇鐗瑰緛鏍瑰ぇ浜1鐨勪富鎴愬垎 濡傛灉鍔犱笂绗洓涓涓绘垚鍒嗙殑璇濆彲浠ヨВ閲婄殑鍙樺紓搴︿负86.26%鎵浠ョ粨鍚堜笓涓氱煡璇 鍙互鑰冭檻鏄...
绛旓細1銆侀鍏堟墦寮涓浠借杩涜绾挎у洖褰鍒嗘瀽鐨凷PSS鏁版嵁锛岀劧鍚庣偣鍑汇愬垎鏋-鍥炲綊-绾挎с戙2銆佺劧鍚庡皢鍥犲彉閲忓拰鑷彉閲忓垎鍒斁鍏ョ浉搴旂殑妗嗕腑锛屽涓嬪浘鎵绀恒3銆佹帴鐫鍙互杩涜閫夋嫨鍙橀噺锛屽嵆瀵瑰彉閲忚繘琛岀瓫閫夛紝骞跺埄鐢ㄥ彸渚х殑鈥滆鍒欌濇寜閽缓绔嬩竴涓夋嫨鏉′欢锛岃繖鏍凤紝鍙湁婊¤冻璇ユ潯浠剁殑璁板綍鎵嶈兘杩涜鍥炲綊鍒嗘瀽銆4銆佹帴鐫鐐瑰嚮鍙充晶鐨勭粺璁￠噺鎵撳紑...
绛旓細寰楀埌鐨勬柟宸櫨鍒嗘瘮灏辨槸璐＄尞鐜囷紝绱鐧惧垎姣斿氨鏄疮璁¤础鐚巼锛屾垚鍒嗙煩闃电敤鏉ュ垽瀹涓绘垚鍒銆傝础鐚巼鎸囨湁鏁堟垨鏈夌敤鎴愭灉鏁伴噺涓庤祫婧愭秷鑰楀強鍗犵敤閲忎箣姣旓紝鍗充骇鍑洪噺涓庢姇鍏ラ噺涔嬫瘮锛屾垨鎵寰楅噺涓庢墍璐归噺涔嬫瘮銆傝绠楀叕寮忥細璐＄尞鐜囷紙%锛=璐＄尞閲忥紙浜у嚭閲忥紝鎵寰楅噺锛/鎶曞叆閲忥紙娑堣楅噺锛屽崰鐢ㄩ噺锛壝100%璐＄尞鐜囦篃鐢ㄤ簬鍒嗘瀽缁忔祹澧為暱涓鍚...
绛旓細褰撲綘瀹屾垚浜SPSS鐨勪富鎴愬垎鍥炲綊鍒嗘瀽锛屽苟鑾峰緱浜嗘爣鍑嗗寲鍚庣殑鏁版嵁锛屽鏋滈渶瑕佸皢杩欎簺鏁版嵁杩樺師浠ユ瀯寤哄師濮嬫柟绋嬶紝棣栧厛锛屼綘闇瑕佷娇鐢ㄥ緱鍒扮殑涓绘垚鍒嗗洖褰掔郴鏁般傝繖浜涚郴鏁颁唬琛ㄤ簡鍘熷鍙橀噺濡備綍绾挎х粍鍚堝舰鎴愪富鎴愬垎銆傛帴涓嬫潵锛屼綘闇瑕佷娇鐢ㄨ繖浜涚郴鏁板拰浣犵殑鍘熷鏁版嵁杩涜绾挎у洖褰掑垎鏋愩傚湪杩欎釜杩囩▼涓紝灏嗘爣鍑嗗寲鍚庣殑鍥犲彉閲忥紙print鍊硷級浣滀负鐩爣...
绛旓細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銆傚鏋杩涜涓绘垚鍒嗗垎鏋涔嬪悗鍙堣杩涜鍥炲綊鍒嗘瀽锛屽簲璇ユ槸鐢ㄦ彁鍙栧嚭鏉ョ殑涓诲洜瀛愪綔涓鸿嚜鍙橀噺杩涜璁＄畻鐨勶紝鍥炲綊鏄彧鑳芥湁涓...
绛旓細涓銆 涓绘垚鍒嗗垎鏋 1.瀵煎叆鏁版嵁鍚庯紝鍏堝皢鏁版嵁鏍囧噯鍖栵紝娑堥櫎鍗曚綅鐨勫奖鍝嶃傚浘1-1 鏍囧噯鍖栧悗鐨勬暟鎹鍥1-2 鍥1-2 鏍囧噯鍖栨暟鎹 2銆鍋氫富鎴愬垎鍒嗘瀽 鎿嶄綔姝ラ瑙佸浘2-1銆佸浘2-2 鍥2-1鍥犲瓙鍒嗘瀽鍥2-2 3銆佹彁鍙缁撴灉锛屾牴鎹壒寰佸煎ぇ浜1鎻愬彇鍑轰簡涓変釜涓绘垚鍒嗐傚浘3-1鐗瑰緛鍊煎浘3-2鎴愬垎鐭╅樀 鏍规嵁鎴愬垎鐭╅樀鍙互鍐欏嚭涓...
绛旓細闂3锛氬鏋滈棶鍒扮淮搴1銆2搴旇濡備綍瑙ｉ噴锛岄偅涔堝繀椤婚氳繃涓绘垚鍒嗗垎鏋愮殑缁撴灉鏉ョ粰涓绘垚鍒嗚祴浜堝叿浣撶殑缁忔祹鍚箟銆傛瘮濡傜淮搴1涓鍙橀噺x1銆亁2鐨勭郴鏁扮粷瀵瑰艰緝澶э紝閭ｄ箞璇存槑缁村害1涓昏瑙ｉ噴浜唜1鍜寈2鐨勪俊鎭紝鑻1鏄綇鎴块潰绉紝x2鏄皬鍖虹墿涓氳垂鐨勮瘽锛岄偅涔堢淮搴1涓昏琛￠噺浜嗚灏忓尯鐨勪綇鎴挎按骞筹紝鍥犳灏卞彲浠ョ粰缁村害璧嬩簣杩欐牱鐨勭粡娴庡惈涔夈...
绛旓細缁煎悎寰楀垎锛氫富瑕鍒╃敤鎴愬垎寰楀垎鍜屾柟宸В閲婄巼杩欎袱椤规寚鏍囷紝璁＄畻寰楀埌缁煎悎寰楀垎锛岀敤浜庣患鍚堢珵浜夊姏瀵规瘮锛堢患鍚堝緱鍒嗗艰秺楂樻剰鍛崇潃绔炰簤鍔涜秺寮猴級銆備娇鐢ㄥ湪绾縮pssau鍒嗘瀽锛屽彲鐩存帴淇濆瓨缁煎悎寰楀垎锛屼笉鐢ㄨ绠椼傛帓鍚嶆寜鐓х患鍚堝緱鍒嗙殑澶у皬杩涜姣旇緝锛屾暟鍊艰秺澶ф帓鍚嶈秺楂樸
