文档介绍：-
. z
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：累积百分比也称因子累积奉献率
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，也称因子奉献率；第四列是因子累计奉献率。
，，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。
-
. z
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，又可以称为效劳因子。
〔5〕因子得分系数矩阵
元件评分系数矩阵
元件
1
2
卫生
-.010
.447
饭量
.425
-.036
等待时间
-.038
.424
味道
.480
.059
亲切
-.316
-.371
撷取方法：主体元件分析。
转轴方法：具有 Kaiser 正规化的最大变异法。
元件评分。
因子得分系数矩阵给出了因子与各变量的线性组合系数。
因子1的分数=-**1+**2-**3+**4-**5
因子2的分数=**1-**2+**3+**4-**5
〔6〕因子转换矩阵
元件转换矩阵
元件
1
2
1
.723
-.691
2
.691
.723
撷取方法：主体元件分析。
转轴方法：具有 Kaiser 正规化的最大变异法。
因子转换矩阵是主成分形式的系数。
〔7〕因子得分协方差矩阵
元件评分共变异数矩阵
元件
1
2
1
.000
2
.000
撷取方法：主体元件分析。
转轴方法：具有 Kaiser 正规化的最大变异法。
元件评分。
看各因子间的相关系数，假设很小，则因子间根本是两两独立的，说明这样的分类是较合理的。
-
. z
主成分分析
1 【分析】——【降维】——【因子分