文档介绍：spss主成分分析
实验目的：原始数据中每一所高校具有20个相关性很高的变量，利用主成分分析法用较少的变量去解释原来资料中的大局部变异，将手中的众多变量转化成彼此相互独立或不相关的个数较少的变量，即所谓主成分，并用以解释资料的综合
spss主成分分析
实验目的：原始数据中每一所高校具有20个相关性很高的变量，利用主成分分析法用较少的变量去解释原来资料中的大局部变异，将手中的众多变量转化成彼此相互独立或不相关的个数较少的变量，即所谓主成分，并用以解释资料的综合性指标，其实质的目的是降维
原始数据截屏：
操作方法：
描述性统计
SPSS在调用因子分析过程进行分析时，SPSS会自动对原始数据进行标准化处理，所以在得到计算结果后指的变量都是指经过标准化处理后的变量，但SPSS不会直接给出标准化后的数据，然后后期的计算需得到标准化数据，那么需调用“描述〞过程进行计算,为了看到标准化数据，所以采用描述性统计下的描述操作获得标准化后的变量数据
标准化数据：
因子分析操作过程：
选取变量：
X1：科研经费得分
X2：国家人文社科重点研究基地得分
X3:院士总数得分
X4:生均图书得分
X5:研究中心数得分
X6:国家重点实验室得分
X7:生均教学科研仪器设备得分
X8:生均教育事业经费得分
X9:精品课程得分
X10:优秀博士生论文总分
X11:人才得分
X12:二级学科建设得分
X13:生均固定资产得分
X14:科研论文得分
X15:博导及相关合计得分
X16:教师中博士学位比重得分
X17:一级学科得分
X18:高级职称比重得分
X19:师资总分
X20:SCI数量
这里分析采用相关系数矩阵，输出选择为未旋转的因子解，并选择碎石图，抽取过程选择基于特征值〔特征值大于1〕，最大收敛迭代次数：25，点击确定。

原数据中有较多的缺失值，选择按列表排除个案，点击继续。
分析结果：
KMO越接近1，说明变量之间的相关性越强，原有变量适合做因子分析；，越说明变量间存在相关关系。
，，符合因子分析条件，可进行因子分析，并进一步进行主成分分析
%<80%，由反映象相关矩阵中我们可以看出〔如以下图所示〕

反映象相关矩阵中对角线上的数值应>,根据次标准，数据显示生均图书得分变量不适合做因子分析，所以删去，重新做因子分析。
去除生均图书得分变量之后的因子分析结果：
%>80%,且特征值均大于1
结论：
初始特征根：λ1=，,λ2=，λ3=
主成分奉献率：r1=%,r2=%,r3=%
碎石图
旋转之后的主成分载荷矩阵，可以看出：SCI数量，国家重点实验室得分，研究中心数得分，研究中心数得分，科研经费得分，二级学科建设得分，科研论文得分，优秀博士生论文得分，一级学科得分，精品课程得分与主成分1密切相关，可将其总结归纳为软实力与资源指标；师资总分，博导及相关合计得分，人才得分，院士总数得分，高级职称比重得分，教师中博士学位比重得分与主成分2密切相关，可将其归纳总结为师资结构指标；生均教学科研仪器设备得分，生均教育事业经费得分，生均固定资产得分与主成分3密切相关，可将其归纳为学生平均资产指标。
根据主成分1得分降序排列：由主成分1可以看出，清华大学，浙江大学，北京大学，华中科技大学，西安交通大学，武汉大学，上海交通大学，中南大学，四川大学，东南大学在论文发表以及国家级实验室得分方面位列前十名，其软实力雄厚；
根据主成分2得分降序排名：可以看出北京大学，中国人民大学，复旦大学等在师资结构方面排名靠前，说明其在师资力量上占据很大竞争力
根据主成分3得分降序排名：可以看出清华大学，上海交通大学等前十名大学在学校生均资产方面具有竞争力
2> 计算主成分综合得分
Z=r1*FAC1+r2*FAC2+r3*FAC3
主成分奉献率：r1=%,r2=%,r3=%
由综合得分可以看出：清华大学，北京大学，浙江大学，复旦大学，，，，，，等十所高校位列我国高校前十名，与武书连等国内知名统计机构结果相近，也与我国现状相似