【SPSS】因子分析详细操作教程(附案例实战)

【SPSS】因子分析详细操作教程(附案例实战)本文主要讲解使用SPSS进行因子分析详细操作教程,附案例实战_spss因子分析

3f6a7ab0347a4af1a75e6ebadee63fc1.gif

🤵‍♂️ 个人主页:@艾派森的个人主页

✍🏻作者简介:Python学习者
🐋 希望大家多多支持,我们一起进步!😄
如果文章对你有帮助的话,
欢迎评论 💬点赞👍🏻 收藏 📂加关注+


目录

因子分析

因子分析案例 


 

因子分析

9412a2b6f2b3416291f126a9ceb67624.png

因子分析的基本思想

        因子分析以最少的信息丢失为前提,将众多的原有变量综合成较少的几个综合指标,名为因子。因子有以下几个特点:

  • 因子个数远远少于原有变量的个数
  • 因子能够反映原有变量的绝大部分信息
  • 因子之间的线性关系不显著

判断因子分析的前提条件是否满足

因子分析有一个前提要求:原有变量之间应具有较强的相关关系。

一般在因子分析时需首先对原有变量是否相关进行研究,常用的方法有:

  • 计算相关系数矩阵
  • 巴特利特球度检验
    • 原假设H0是:相关系数矩阵是单位阵,如果巴特利特球度检验对应的概率P值小于等于给定的显著性水平α,则应拒绝原假设,认为相关系数矩阵不太可能是单位阵, 原有变量适合作因子分析。 
  • KMO检验
    • KMO统计量的取值在0~1之间。KMO值越接近0,意味着变量间的相关性越弱,原有变量越不适合作因子分析;KMO值越接近1,意味着变量间的相关性越强,原有变量越适合作因子分析。 

因子分析案例 

5dd5e2cb4c4f42569b54b3532cff0c0e.png

【案例】—— 对高校学报的原有变量进行因子分析

①导入数据

②选择菜单【分析】—-> 【降维】—-> 【因子】 

③选择变量,点击描述

962d2769ddd843f8bd62cc539a4a702d.png

 ④勾选选项,点击继续

0ce87202f38e43a7afdfb5d4e3a5cce0.png

 ⑤提取

8c069f14661b40d29489a34cd3fc65e0.png

 ⑥旋转

0272b2d1402d478095584ca242ed348e.png

 ⑦因子得分

2fa0d97f182c4c9f96c5926ccb6118e9.png

 ⑧选项

f18ff6b926ef4f7e94c5c579ed1200f3.png

 ⑨点击“确定”,在输出窗口中查看输出结果:

aaba63a5605145619019f46b7124d774.png

 从描述统计中可以看到各个变量的平均值,标准偏差及分析个案数。

⑩相关性矩阵

744edfe6c33b4b2fb79c7658693d093e.png

         从相关性矩阵中可以看到,每个变量与每个变量之间的相关性高。如从表中可以看到载文量与基金论文比的相关系数是 0.391。 从显著性值可以看每个变量与每个变量之间是否显著相关。如载文量和基金论文比的显著性0.075>0.05,说明这两个变量相关性不显著。而载文量和被引期刊数的显著小于0.05,说明载文量和被引期刊数有显著性相关。从表中发现大多数概率P值都是小于 0.05的,说明大多数变量之间相关性显著。

5f40dd1a5def40afaacf366822f429a4.png

         KMO 检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。主要应用于多元统计的因子分析。KMO 统计量是取值在0和1之间。0.9 以上表示非常适合;0.8 表示适合;0.7 表示一般;0.6 表示不太适合;0.5 以下表示极不适合。

40ccf457c4f54eeba90c5a793c493d5c.png

         从公因子方差表中可以看到提取值都比较高,表明变量中大部分信息能被因子所提取,说明因子分析结果有效。

bf6be8ed317f4fd2a78a43aedd4925de.png

         总方差解释图表,也称主成分列表。一个因子所解释的方差比例越高,这个因子包含原有变量信息的量就越多。第一个成分的初始特征值为4.864能解释的方差比例为60.804%,第二个特征 值为1.163,能解释的方差比例为14.541。其余四个成分都小于1,说明这几个成分的解释力度还不如直接引入原变量大。这七个变量只需要提取出头两个成分即可。

c3d960e2a6614539a725f89c32cb65a4.png

        碎石图中,从第二个成分以后的特征值就降得非常低。第二个成分就是这一图形的“拐点”。在这一实例中,只需要提取两个主要成分就行了。 

0082698428d542478df84b5ca3edb307.png

 表中列出未使用旋转方法时使用因子能解释的各个变量的比例(各变量的信息被主成分提取了多少)。

2be5112a84c64dcaa4db0d95d85205c2.png

         表中列出了使用旋转方法后因子能解释的各个变量的比例。和上面未旋转对比可以看出,旋转后,原先较大的比例值仍然大,较小的比例则变得更小。

eccbfa44b293435e9e7a6355ea655ed4.png

 成分转换矩阵表,用来说明旋转前后主成份间的系数对应关系。

59e15945915441d8862d4425b40603b9.png

 从旋转后的空间中的组件图中可以看到,被引半衰期和基金论文比属于一类成分,其余属于另外一类。

6bf30f5d5fbf4c33bd29a1d9f767bea9.png

 

今天的文章【SPSS】因子分析详细操作教程(附案例实战)分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/79592.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注