什么数据适合因子分析？
定量数据适合因子分析。把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析。
因子分析法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。
处理因子分析的方法
提取因子的个数是一个综合选择的过程。默认是按特征根大于1作为因子提取的标准。
特征根不是唯一的判断标准。除此特征根，还可以通过累积方差贡献率、碎石图等指标综合判断。如果分析前已经有了预期的维度划分，也可以在分析时主动设定提取因子个数，再根据上面的指标进行调整。
因子与对应项关系不一致，一般有三种情况：第一种是一个分析项对应着多个因子；导致题项无法归类；第二种是题项与对应因子的关系出现严重偏差；第三种是题项在各个因子下的载荷系数值或共同度都非常低。
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。在“进阶方法”模块中选择“因子”方法，将分析项定量拖拽到右侧分析框内，点击“开始分析”即可。
补充说明：如果有预期想提取的因子个数，可以主动设置输出的因子个数勾选“因子得分”与“综合得分”会在左侧分析框生成新的变量，标题如CompScore*****（综合得分）、FactorScore*****（因子得分）。因子得分可用于进一步分析，比如聚类分析，回归分析使用等；综合得分可用于对比排名等。
因子个数：多数情况下，我们在分析时已经带着主观预期，希望题项如何归类，此时可以直接设置对应的因子个数。
进行结构效度的正式分析前，第一步需要通过KMO和巴特利特检验进行测量问卷量表进而决定是否适合进行因子分析，KMO值是用来判断所选取变量在因素分析中的可接受程度，考察变量之间相关关系。
一般进行因子分析需要kmo值大于0.6即可。处理之外还需要关注巴特利特检验。巴特利特检验原理上是检验各变量是否独立，确定因素的相关性，如果模型显著（对应的p值小于0.05）说明适合因子分析。
绛旓細1. KMO锛圞aiser-Meyer-Olkin锛夋楠屾槸璇勪及鏍锋湰鏁版嵁鏄惁閫傚悎杩涜鍥犲瓙鍒嗘瀽鐨勪竴涓粺璁￠噺銆2. 閫氬父锛孠MO鍊艰秺楂橈紝琛ㄦ槑鏁版嵁瓒婇傚悎杩涜鍥犲瓙鍒嗘瀽銆備竴鑸涓猴紝KMO鍊艰揪鍒0.9浠ヤ笂琛ㄧず闈炲父閫傚悎鍥犲瓙鍒嗘瀽锛涘湪0.8鍒0.9涔嬮棿琛ㄧず寰堥傚悎锛0.7鍒0.8涔嬮棿琛ㄧず閫傚悎锛0.6鍒0.7涔嬮棿琛ㄧず灏氬彲锛0.5鍒0.6涔嬮棿琛ㄧず杈冨樊锛涜0...
绛旓細1. KMO锛圞aiser-Meyer-Olkin锛夋祴搴︼細杩欐槸璇勪及鏍锋湰閫傚悎鍥犲瓙鍒嗘瀽鐨勪竴涓噺鏁銆侹MO鍊艰秺楂橈紝璇存槑鍙橀噺闂寸殑鍏卞悓鍥犲瓙瓒婂锛屾暟鎹秺閫傚悎杩涜鍥犲瓙鍒嗘瀽銆傚父瑙勬爣鍑嗘槸锛欿MO鍊煎ぇ浜0.9涓洪潪甯稿ソ锛0.8鍒0.9涓哄ソ锛0.7鍒0.8涓轰竴鑸紝0.6鍒0.7涓哄樊锛0.5鍒0.6涓哄緢宸傚湪鏈緥涓紝KMO鍊间负0.509锛岃〃鏄庢暟鎹傚悎杩...
绛旓細瀹氶噺鏁版嵁閫傚悎鍥犲瓙鍒嗘瀽銆傛妸涓浜涗俊鎭噸鍙犮佸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笉鐩稿叧鐨勭患鍚堝洜瀛愮殑涓绉嶅鍏冪粺璁″垎鏋愩傚洜瀛愬垎鏋愭硶鏄寚浠庣爺绌舵寚鏍囩浉鍏崇煩闃靛唴閮ㄧ殑渚濊禆鍏崇郴鍑哄彂锛屾妸涓浜涗俊鎭噸鍙犮佸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笉鐩稿叧鐨勭患鍚堝洜瀛愮殑涓绉嶅鍏冪粺璁″垎鏋愭柟娉曘傚鐞嗗洜瀛愬垎鏋愮殑鏂规硶 鎻愬彇鍥犲瓙鐨勪釜鏁版槸...
绛旓細1. 妫楠孠MO锛圞aiser-Meyer-Olkin锛夋祴璇曟槸鍥犲瓙鍒嗘瀽鍓嶇敤浜庤瘎浼鏁版嵁闆嗘槸鍚﹂傚悎杩涜鍥犲瓙鍒嗘瀽鐨勪竴绉嶇粺璁℃柟娉曘傚畠閫氳繃姣旇緝鍙橀噺闂寸殑鐩稿叧绯绘暟涓庡亸鐩稿叧绯绘暟鏉ュ垽鏂暟鎹殑閫傜敤鎬с侹MO鍊艰秺鎺ヨ繎1锛岃〃绀烘暟鎹秺閫傚悎杩涜鍥犲瓙鍒嗘瀽銆2. Bartlett鐞冨舰妫楠岋紙Bartlett's Test of Sphericity锛夋槸鍙︿竴绉嶇敤浜庢楠屾暟鎹槸鍚閫傚悎鍥犲瓙鍒嗘瀽...
绛旓細浣犲ソ銆鍥犲瓙鍒嗘瀽涔嬪墠瑕佺敤KMO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浠ヤ笂鏋閫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銆佺粡娴庢寚鏍囷細涓浗缁熻骞撮壌鍖呭惈浜嗗ぇ閲忕殑缁忔祹鎸囨爣鏁版嵁锛屽GDP銆佷汉鍧囨敹鍏ャ佸浐瀹氳祫浜ф姇璧勭瓑銆傝繖浜涙寚鏍囧弽鏄犱簡缁忔祹鐨勬暣浣撳拰閮ㄥ垎鏂归潰鐨勮〃鐜帮紝鍙互鐢ㄤ簬鍒嗘瀽缁忔祹鍙戝睍鐨勬綔鍦ㄥ洜绱犮2銆佷骇涓氭暟鎹細缁熻骞撮壌涓彁渚涗簡鍚勭琛屼笟鐨勬暟鎹紝濡傚伐涓氫骇鍊笺佸啘涓氫骇閲忋佹湇鍔′笟灏变笟浜烘暟绛夈傝繖浜涙暟鎹彲浠ョ敤浜庣爺绌朵笉鍚屼骇涓氫箣闂寸殑鍏崇郴鍜屽奖鍝...
绛旓細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銆佷互涓婅缃箣鍚庝細鍑虹幇鍒嗘瀽鍚庣殑涓涓璇濇锛岄氳繃KMO鍜孊artlett鐨勬楠岀粨鏋滐紝KMO鍊间负0.635锛屾帴杩戜簬1锛岃鏄庤繖浜鏁版嵁閫傚悎杩涜鍥犲瓙鍒嗘瀽銆
绛旓細鍥犲瓙鍒嗘瀽閫傚悎鐨鏁版嵁绫诲瀷鏄墍鏈夋暟鎹被鍨嬨傚洜瀛愬垎鏋愭槸鎸囩爺绌朵粠鍙橀噺缇や腑鎻愬彇鍏辨у洜瀛愮殑缁熻鎶鏈紝鏈鏃╃敱鑻卞浗蹇冪悊瀛﹀C.E.鏂毊灏旀浖鎻愬嚭銆備粬鍙戠幇瀛︾敓鐨勫悇绉戞垚缁╀箣闂村瓨鍦ㄧ潃涓瀹氱殑鐩稿叧鎬э紝涓绉戞垚缁╁ソ鐨勫鐢燂紝寰寰鍏朵粬鍚勭鎴愮哗涔熸瘮杈冨ソ锛屼粠鑰屾帹鎯虫槸鍚﹀瓨鍦ㄦ煇浜涙綔鍦ㄧ殑鍏辨у洜瀛愶紝鎴栫О鏌愪簺涓鑸櫤鍔涙潯浠跺奖鍝嶇潃瀛︾敓鐨勫涔...
绛旓細棣栧厛杩涜妫鏌鏁版嵁鏄惁婊¤冻鍥犲瓙鍒嗘瀽锛孠MO妫楠屾槸涓轰簡鐪嬫暟鎹槸鍚﹂傚悎杩涜鍥犲瓙鍒嗘瀽锛屽叾鍙栧艰寖鍥存槸0-1銆傚叿浣撳垝鍒嗗涓嬶細涓庢鍚屾椂锛屽埄鐢˙artlett妫楠屾槸涓轰簡鐪嬫暟鎹槸鍚︽潵鑷湇浠庡鍏冩鎬佸垎甯冪殑鎬讳綋銆傚鏋減<0.05鍒閫傚悎鍥犲瓙鍒嗘瀽銆傚鏋滀笉婊¤冻鏉′欢鍒欎笉杩涜鍒嗘瀽锛屽鏋滄弧瓒虫潯浠讹紝鍙互杩涗竴姝ュ垎鏋愶紝棣栧厛杩涜鍒嗘瀽鍥犲瓙鎻愬彇鐨勫垎鏋愶紝涔...
绛旓細5. KMO缁熻閲忚 閲忕殑鏄彉閲忛棿鐨勭浉鍏虫у拰鍋忕浉鍏虫с傚綋鍙橀噺闂寸殑绠鍗曠浉鍏崇郴鏁板钩鏂瑰拰杩滃ぇ浜庡亸鐩稿叧绯绘暟骞虫柟鍜屾椂锛孠MO鍊兼帴杩1锛岃〃鏄庡彉閲忛棿鐨勭浉鍏虫ц緝寮猴紝閫傚悎鍥犲瓙鍒嗘瀽銆傜浉鍙嶏紝褰撶畝鍗曠浉鍏崇郴鏁板钩鏂瑰拰鎺ヨ繎0鏃讹紝KMO鍊兼帴杩0锛岃〃鏄庡彉閲忛棿鐩稿叧鎬у急锛屼笉閫傚悎鍥犲瓙鍒嗘瀽銆6. KMO妫楠屾槸鐢ㄤ簬璇勪及鏁版嵁鏄惁閫傚悎杩涜鍥犲瓙鍒嗘瀽鐨勪竴...
