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23
5
.100
撷取方法：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。因 %,%,%, %的信息，因而因子取二维比较显著。
疵
隹别
FAC1_i
FAC2_i
斐
A
1
-
3
1
&423
-
1
-.96232
4
1
176622
・ 48502
3
1
1 11567
-
?
1
-25S20
03122
2
1
14573
12734
0
1
-1 44917
・ 4BD33
1
1
-
-1 D3265
1
1
-79531
DBB55
2
1
-1 4B031
11561
1
1
-.24664
2
1
.2B347
J
1
.75124
&420
在数据文件中可以看到增加了 2个变量，fac1_1、
至此已经将5个问项降维到两个因子 fac2_1,即为因子得分。
成分矩阵与旋转成分矩阵
元件
1
2
.815
.427
等待时间
-.787
.447
卫生
-.775
.504
味道
.750
.597
亲切
.069
-.776
L鲤方至一主耘典近?.
■ ■ I个元件。
I
元
件
1
2
味道
.955
-.086
振里
.884
-.255
卫生
.212
.300
等待时间
.260
.867
亲切
.487
-.G09
撷®1方法：主体■五件分析。
转轴方法：具有Ifeisei正规化的最 大焚异法。
s■•在3叠代中收佥循环。
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， 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。
因子得分系数矩阵
元件评分系数矩阵
元件
1
2
卫生
-.
.447
饭量
.425
-.036
等待时间
-.038
.424
味道
.480
.
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=-0.*X1+*X2-*X3+*X4-*X5
因子 2 的分数=*X1-*X2+*X3+0.*X4-*X5
（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