【SPSS】因子分析详细操作教程（附案例实战）

🤵‍♂️ 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+

因子分析

因子分析案例

因子分析

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

【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

④勾选选项，点击继续

⑤提取

⑥旋转

⑦因子得分

⑧选项

⑨点击“确定”，在输出窗口中查看输出结果：

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

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。

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。

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。

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。