文档介绍：主成分分析、因子分析步骤不同点主成分分析因子分析概念具有相关关系的p个变量,经过线性组合后成为k个不相关的新变量将原数据中多个可能相关的变量综合成少数几个不相关的可反映原始变量的绝大多数信息的综合变量主要目标减少变量个数,以较少的主成分来解释原有变量间的大部分变异,适合于数据简化找寻变量间的部相关性及潜在的共同因素,适合做数据结构检测强调重点强调的是解释数据变异的能力,以方差为导向,使方差达到最大强调的是变量之间的相关性,以协方差为导向,关心每个变量与其他变量共同享有部分的大小最终结果应用形成一个或数个总指标变量反映变量间潜在或观察不到的因素变异解释程度它将所有的变量的变异都考虑在,因而没有误差项只考虑每一题与其他题目共同享有的变异,因而有误差项,叫独特因素是否需要旋转主成分分析作综合指标用,不需要旋转因子分析需要经过旋转才能对因子作命名与解释是否有假设只是对数据作变换,故不需要假设因子分析对资料要求需符合许多假设,如果假设条件不符,则因子分析的结果将受到质疑因子分析1【分析】→【降维】→【因子分析】(1)描述性统计量(Descriptives)对话框设置KMO和Bartlett的球形度检验(检验多变量正态性和原始变量是否适合作因子分析)。因子抽取(Extraction)对话框设置方法:默认主成分法。主成分分析一定要选主成分法分析:主成分分析:相关性矩阵。输出:为旋转的因子图抽取::(Rotation)对话框设置因子旋转的方法,常选择“最大方差法”。“输出”框中的“旋转解”。因子得分(Scores)对话框设置“保存为变量”,则可将新建立的因子得分储存至数据文件中,并产生新的变量名称。选项(Options)对话框设置2结果分析(1)KMO及Bartlett’s检验KMO和Bartlett的检验取样足够度的Kaiser-Meyer-Olkin度量。...706当KMO值愈大时,表示变量间的共同因子愈多,愈适合作因子分析。根据Kaiser的观点,当KMO>(很棒)、KMO>(很好)、KMO>(中等)、KMO>(普通)、KMO>(粗劣)、KMO<(不能接受)。(2):munalities(称共同度)表示公因子对各个变量能说明的程度,每个变量的初始公因子方差都为1,共同度越大,公因子对该变量说明的程度越大,也就是该变量对公因子的依赖程度越大。共同度低说明在因子中的重要度低。一般的基准是<,这时变量在分析中去掉比较好。(3)解释的总方差说明的变异数总计元件各因子的特征值因子贡献率因子累积贡献率总计变异的%累加%总计变异的%累加%总计变异的%累加%:主体元件分析。第二列:各因子的统计值第三列:各因子特征值与全体特征值总和之比的百分比。也称因子贡献率。第四列:累积百分比也称因子累积贡献率第二列统计的值是各因子的特征值,即各因子能解释的方差,一般的,特征值在1以上就是重要的因子;第三列%是各因子的特征值与所有因子的特征值总和的比,也称因子贡献率;第四列是因子累计贡献率。,,因子3,4,5的特征值在1以下。%,%,%,%的信息,因而因子取二维比较显著。至此已经将5个问项降维到两个因子,在数据文件中可以看到增加了2个变量,fac1_1、fac2_1,即为因子得分。成分矩阵与旋转成分矩阵成分矩阵是未旋转前的因子矩阵,从该表中并无法清楚地看出每个变量到底应归属于哪个因子。旋转后的因子矩阵,从该表中可清楚地看出每个变量到底应归属于哪个因子。此表显示旋转后原始的所有变量与新生的2个公因子之间的相关程度。一般的,,认为是显著的变量,。如味道与饭量关于因子1的负荷量高,所以聚成因子1,称为饮食因子;等待时间、卫生、亲切关于因子2的负荷量高,所以聚成因子2,又可以称为服务因子。(5)因子得分系数矩阵元件评分系数矩阵元件12卫生-..