文档介绍:主成分、因子分析步骤
主成分分析、因子分析步骤
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)。
(2)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:默认选1.
最大收敛性迭代次数:默认
25.
(3)因子旋转(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”。
(4)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。
(5)选项(Options)对话框设置
2 结果分析
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)公因子方差
公因子方差
卫生饭量等待时间味道亲切
起始撷取撷取方法:主体元件分析。
Communalities(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&lt;,这时变量在分析中去掉比较好。(3)解释的总方差
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。
(4)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
卫生
饭量
等待时间 1 2
。
因子1的分数=-*X1+*X2-*X3+*X4-*X5
因子2的分数=*X1-*X2+