SPSS教程05(帶圖)_因子分析_chenxy

1、簡單教程 05 1. 相關(guān)配套數(shù)據(jù) 已經(jīng) 上傳百度文庫：2. 配套軟件 SPSS 17.0 已經(jīng)上傳百度文庫；百度文庫搜索“SPSS簡單教程配套數(shù)據(jù)及軟件_chenxy”百度云盤鏈接；6. 因子分析26.1 因子分析理論基礎(chǔ)26.2 因子分析步驟46.3 因子分析實(shí)際操作步驟66.4 因子分析輸出結(jié)果96. 因子分析6.1 因子分析理論基礎(chǔ)因子分析的特點(diǎn) 1. 因子變量的數(shù)量遠(yuǎn)少于原有的指標(biāo)變量的數(shù)量，對因子變量的分析能夠減少分析中的計(jì)算工作量。2. 因子變量不是對原有變量的取舍，而是根據(jù)原始變量的信息進(jìn)行重新組構(gòu)，它能夠反映原有變量大部分的信息。3. 因子變量之間不存在線性相關(guān)關(guān)系，對變量的

2、分析比較方便。4. 因子變量具有命名解釋性，即該變量是對某些原始變量信息的綜合和反映。 （ 原始變量 具有高度相關(guān)關(guān)系 的組合在一起 重新起一個名字 ）因子分析和主成分分析的區(qū)別（簡述）1) 原理不同2) .線性表示方向不同3) 假設(shè)條件不同4) 求解方法不同5) 主成分和因子的變化不同6) 因子數(shù)量與主成分的數(shù)量7) 解釋重點(diǎn)不同8) 算法上的不同9) 優(yōu)點(diǎn)不同10) 應(yīng)用場景不同因子分析 目標(biāo)l 根據(jù)因子分析結(jié)果構(gòu)建數(shù)學(xué)模型l 把因子變量包含的原有信息 讀出來l 因子得分的數(shù)學(xué)模型得出來因子載荷： 因子之間關(guān)系的系數(shù)（相關(guān)程度）： 在各個因子變量不相關(guān)情況下，因子載荷 就是第 i 個原有變

3、量和第 j 個因子變量的相關(guān)系數(shù)，即 在第 j 個公共因子變量上的相對重要性。因此，絕對值越大，則公共因子和原有變量關(guān)系越強(qiáng)。特殊因子： 原始變量不能被因子變量解釋的那一部分相當(dāng)于多元回歸分析中的殘差部分。變量共同度 ：也稱公共方差，反映全部公共因子變量對原有變量的總方差解釋說明的比例；原有變量的共同度是因子載荷矩陣A中第i行元素的平方和，即：公共因子的方差貢獻(xiàn)：為因子載荷矩陣A中第j列各元素的平方和，即：公共因子的方差貢獻(xiàn)反映了該因子對所有原始變總方差的解釋能力，其值越高，說明因子重要程度越高。6.2 因子分析步驟步驟： 1. 是否適合做因子分析一次性選擇 三個 以上的奇數(shù)個方法（避免偶數(shù)個

4、方法出現(xiàn)的判別矛盾性）2. 構(gòu)造因子變量提取因子變量 旋轉(zhuǎn) 因子變量 命名可解釋性3. 利用旋轉(zhuǎn)使得因子變量更具有可解釋性4. 計(jì)算因子變量的得分5. 計(jì)算綜合得分6. 根據(jù)綜合得分進(jìn)行排序 1. 確定待分析的原有若干變量是否適合于因子分析 相關(guān)系數(shù)矩陣法：較大的程度？如果相關(guān)系數(shù)矩陣在進(jìn)行統(tǒng)計(jì)檢驗(yàn)中，大部分相關(guān)系數(shù)（超過50%）都小于0.3且未通過統(tǒng)計(jì)檢驗(yàn)（相關(guān)系數(shù)異于0的顯著性檢驗(yàn)：不拒絕H0即p>0.05），那么這些變量就不適合進(jìn)行因子分析。巴特利球形檢驗(yàn)巴特利特球形檢驗(yàn)的統(tǒng)計(jì)量是根據(jù)相關(guān)系數(shù)矩陣的行列式得到的。如果該值較大，且其對應(yīng)的相伴概率值小于用戶心中的顯著性水平，那么應(yīng)該拒

5、絕零假設(shè)，認(rèn)為相關(guān)系數(shù)據(jù)不可能是單位陣，也即原始變量之間存在相關(guān)性，適合作因子分析；相反，不宜于作因子分析。反映像相關(guān)矩陣檢驗(yàn)(不需要用)如果反映像相關(guān)矩陣中有些元素（超過50%的元素）的絕對值比較大，那么說明這些變量不適合作因子分析。 KMO檢驗(yàn)法>0.9 非常適合0.8-0.9 適合0.7-0.8 一般0.6-0.7不太適合0.5以下 極不適合如果KMO 2. 構(gòu)造因子變量選擇提取因子方法 只能選其一l 根據(jù) 特征值>1 的方法l 累計(jì)方差貢獻(xiàn)率 （到達(dá)以上0.80）當(dāng)兩種方法提取因子不一樣時：借助 陡坡圖 判定 找到 拐點(diǎn) （ 最佳因子提取數(shù) ）3. 因子的命名解釋因子載荷矩

6、陣某一行多個比較大 某個原有變量xi可能同時與幾個因子有比較大的相關(guān)關(guān)系。某一列多個比較大 說明某個因子變量可能解釋多個原變量的信息。對于同一行數(shù)據(jù)，當(dāng)出現(xiàn)因子載荷>=0.5原始變量出現(xiàn)在兩個因子下時需對因子載荷矩陣 進(jìn)行旋轉(zhuǎn)得到旋轉(zhuǎn)后的因子載荷矩陣 并提取每一列 0.5以上解釋程度的原始變量 構(gòu)建多元線性方程： 4. 計(jì)算因子得分 通過因子得分矩陣 縱向數(shù)據(jù) 構(gòu)建新的多元線性方程： 5. 計(jì)算綜合得分對 提取的因子 通過其方差貢獻(xiàn)率（或者累計(jì)方差貢獻(xiàn)率） 做權(quán)數(shù) 的得分 算出總得分（一般大多選擇 方差貢獻(xiàn)率 做權(quán)數(shù)）6.3 因子分析實(shí)際操作步驟操作步驟 1 ： （ 數(shù)據(jù)文件見 2015

7、1203_因子分析 ）Analyze -> Dimension Reduction -> Factor 添加全部 原始變量 指標(biāo)點(diǎn)擊 Descriptive 按鈕描述統(tǒng)計(jì)按鈕即各變量 均值 標(biāo)準(zhǔn)差等信息可選可不選Initial solution：表示輸出初始分析結(jié)果。輸出的是因子提取前分析變量的公因子方差，是一個中間結(jié)果。Coefficients : 相關(guān)系數(shù)KMO and Bartletts test sphericity : KMO和 巴特利球形檢驗(yàn)點(diǎn)擊 continue 點(diǎn)擊 Extraction主成分分析法Extract一般選用 第一個 based on Eigenvalu

8、e當(dāng)出現(xiàn)以下這種情況時候： 存在20個原始變且目標(biāo)為提取4個因子 通過方法一 特征值大于1 確定提取三個因子 通過方法二 累計(jì)方差貢獻(xiàn)率大于80% 確定提取5個因子此時勾選第二個 Fixed number of factors 指定因子個數(shù)繼續(xù)點(diǎn)擊 ->continue ->點(diǎn)擊按鈕 Rotation 方差極大化旋轉(zhuǎn)點(diǎn)擊 ->continue 點(diǎn)擊按鈕 ScoresSave as variables：將因子得分作為新變量保存在數(shù)掘文什中。程序運(yùn)行結(jié)束后，存數(shù)據(jù)編輯窗口中將顯示出新變量。l Regression：其因子得分均值為0，方差等于估計(jì)因子得分與實(shí)際因子得分之間的多元相

9、關(guān)的平方。l Bartlett：巴特立特法。因子得分均值為0，超出變量范圍的各因子平方和被最小化。l AndersonRubin：因子得分均值為0，標(biāo)準(zhǔn)差為1，彼此不相關(guān)。Display factor score coefficient matrix：顯示因子得分系數(shù)矩陣。點(diǎn)擊 -> continue 點(diǎn)擊 按鈕 Options 默認(rèn)選項(xiàng)點(diǎn)擊 -> continue ->OK 輸出結(jié)果如下6.4 因子分析輸出結(jié)果表格一 ： 相關(guān)系數(shù)表通過統(tǒng)計(jì)分析 位于 對角線上方共有 36 個數(shù)據(jù)且在該36個數(shù)據(jù)中絕對值 > 0.3 的共有17 個小于總數(shù)據(jù)個數(shù)的一半通過對數(shù)據(jù)四舍五入

10、（0.264 , 0.261 ），此時發(fā)現(xiàn) > 0.3 的數(shù)據(jù)超過總數(shù)據(jù)個數(shù)的一半 ，適合進(jìn)行因子分析。表格二 ： KMO和巴特利球形檢驗(yàn)結(jié)果可知1. KMO = 0.585 介于 不太適合 和 極不適合 之間 則不適合作因子分析2. 巴特利球型檢驗(yàn) 值= 74.733 較大 且 巴特利特球形檢驗(yàn)伴概率值P值 = 0.00 <0.05 拒絕零假設(shè)，認(rèn)為相關(guān)系數(shù)據(jù)不可能是單位陣，也即原始變量之間存在相關(guān)性，適合作因子分析共同度（Commonality）是指一個測驗(yàn)條目在所有因子上的因子載荷平方和，它代表了所有因子合起來對該條目的變異解釋量，我們知道因子是用來代替繁多的條目的簡化測量指

11、標(biāo)，那么共同度高即代表某個條目與其他條目相關(guān)性高，而共同度低則表明該條目與其他條目共通性很低，也就是說這個條目的獨(dú)特性很強(qiáng)，這樣的題目是應(yīng)該予以剔除的表格三 ：變量共同度 網(wǎng)上解釋：因子分析中各指標(biāo)的共同度來確定指標(biāo)的效度，一般認(rèn)為當(dāng)共同度大于0.4，說明該指標(biāo)具有較好的效度。課上解釋：有 50% 的以上的因素 其絕對值 在0.7-0.8以上 適合做因子分析（ 不太確定是不是這么分析 ，上課內(nèi)容比較籠統(tǒng)，望提示補(bǔ)充）累計(jì)方差貢獻(xiàn)率表格四 ： 方差解釋表格方差貢獻(xiàn)率提取因子：判別條件一：特征值>1的 共有3個因子判別條件二： 各因子按方差貢獻(xiàn)率從大到小排列， 而當(dāng)累計(jì)方差貢獻(xiàn)率超過80%時 即因子1方差貢獻(xiàn)率+因子2+因子3+因子4 > 80%共有4個因子 條件一和二出現(xiàn)矛盾、結(jié)合 陡坡圖 確定 拐點(diǎn) 為最佳因子確定個數(shù) 為3個表格五和表格六 : 因子載荷 系數(shù)表格由因素2 存在于兩個公共的因子的解釋程度都>0.5 此時即因子2具有交叉性故選擇 旋轉(zhuǎn)后的 因子載荷矩陣旋轉(zhuǎn)后的 因子載荷矩陣 不存在 因子交叉現(xiàn)象，得出各原始變量對公共因子的解釋程度結(jié)果如下：即公共因子下：出發(fā)點(diǎn)，發(fā)展機(jī)會，權(quán)力距離，職位升遷，領(lǐng)導(dǎo)風(fēng)格即公共因子下：合作性，分配，工作投入即公共因子下：社會地位并根據(jù)各公因子下屬子因子實(shí)際信息對各公因子命名；（