因子载荷矩阵spss

探索性因子分析的步骤：

接下来，通过一个案例演示因子分析（探索性因子分析）的各个步骤应该如何进行。

案例：欲探究我国不同省份铁路运输能力情况，收集到部分相关数据如下：

上传数据至SPSSAU系统，在【进阶方法】模块，选择【探索性因子分析】，将变量拖拽到右侧分析框，勾选“因子得分”与“综合得分”，旋转方法选择默认的“最大方差法”，操作如下图：

由于指标数据性质不同，具有不同的数量级和量纲，会导致分析结果不准确或产生误差。因此，先对原始数据进行标准化处理。SPSSAU因子分析将自动进行标准化处理，因此不需要再对数据进行处理。

标准化计算公式：（X-Mean）/Std

进行因子分析的前提是数据适合使用该方法，通常采取KMO检验和Bartlett球形检验。KMO检验用于检查变量间的相关性，取值为0~1。KMO值越接近于1，变量间的相关性越强，一般该值大于0.6即可进行因子分析。Bartlett球形检验用于检验变量是否各自独立，通常显著性小于0.05时，说明符合标准，适合做因子分析。

本案例SPSSAU输出KMO和Bartlett球形检验结果如下：

从结果来看，KMO值为0.722大于0.6，所以可以进行因子分析。同时Bartlett球形检验结果显示p值小于0.05，可以进行因子分析。

以特征根大于1为标准提取公因子，SPSSAU得到各因子的特征根以及方差解释率见下表：

分析上表可知，特征根大于1的因子共有两个，这2个公因子的累计方差解释率为78.808%，第一个因子的方差解释率为41.346%，第二个因子的方差解释率为37.462%，说明提取的两个公因子能够代表原来6个铁路运输能力指标78.808%的信息，整体来看信息变量丢失较少，因子分析效果比较理想。

另外，从特征根的碎石图可以更为直观的看出拟提取的公因子。如上图，前两个因子的让特征根值均大于1，且曲线比价陡峭，剩下4个特征根值均小于1且特征根值曲线逐渐变得比较平缓，即提取前2个因子可以代表所有原始铁路运输指标的绝大部分信息，与方差解释率得到结果一致。

找到公因子后，为了理解公因子的实际意义以及方便对问题进行分析，需要继续进行因子旋转。旋转常用方法为最大方差法。旋转后的因子载荷矩阵可以直观反映各个变量对主成分的贡献程度，一个变量在某个公因子上的载荷系数的绝对值越大，说明变量与该公因子越具有相关性。

下表为使用最大方差法进行旋转后得到的因子载荷系数表格：

分析上表可知，因子1在铁路货运总量、铁路营业里程、铁路货物总周转量上具有较大的载荷，因此这3个变量归为一类命名为货运因子（记作F1）。因子2在铁路客运量、铁路旅客周转量、铁路运输职工人数上具有较大的载荷，因此这3个变量归为另一类命名为客运因子（记作F2）。

确定因子后，进一步计算各因子得分，SPSSAU输出成份得分系数矩阵如下：

根据成份得分系数矩阵，得到公因子F由变量X表示线性组合的因子得分函数：

F1=-0.203*铁路客运量-0.178*铁路旅客周转量+0.537*铁路货运总量+0.294*铁路营业里程+0.333*铁路货物总周转量+0.135*铁路运输职工人数

F2=0.506*铁路客运量+0.488*铁路旅客周转量-0.321*铁路货运总量+0.025*铁路营业里程-0.014*铁路货物总周转量+0.197*铁路运输职工人数

这一过程可通过手算完成，但要注意使用的是标准化后的数据代入公式。

在我们进行分析前，勾选【因子得分】，SPSSAU自动保存公因子得分，如下图：

进行综合评价将指标数据代入因子表达式，计算综合得分，分析结果并进行综合评价。即以2个公因子得分为基础，再以每个因子的方差解释率为权数进行线性加权平均，最后得到一个综合得分模型：

注：分子为两个公因子旋转后方差解释率，分母为旋转后累计方差解释率。

勾选【综合得分】后，SPSSAU将自动保存综合得分，结果见下图：

得到综合得分后，可将数据下载至本地，使用excel对综合得分进行排序，该排名就代表了31个省份的铁路运输能力。最后整理成下面这个一个表格：

分析31个省份铁路运输能力综合得分表可知，河北省的铁路运输能力最强，海南省铁路运输能力最弱......

至此，因子分析结束。

经须莎4489问spss的因子分析 -
干败储19489831947 ______ Rotated Component Matrix,就是经转轴后的因子负荷矩阵,当你设置了因子转轴后,便会产生这结果.转轴的是要得到清晰的负荷形式,以便研究者进行因子解释及命名.SPSS的Factor Analysis对话框中,有个Rotation钮,点击便会弹出...

经须莎4489spss中关于因子分析下的旋转载荷矩阵问题 -
干败储19489831947 ______ 未旋转的因子矩阵: 不是说x7是最主要的因素,而是说x7与第1个成分的相关性最大,且为正相关.通过你这个因子矩阵表,很难将各个x进行分类,可以进行因子分析,得到旋转后的因子矩阵. 旋转后的因子矩阵: 表中的数据是每个x在每个共同因素的因素负荷量. 1、2...代表提取的主成分,一般而言是越排在前面,就越与第1个主成分相关,应归纳在第1个主成分中.依次类推,可以将所有的x归类到不同的主成分中.

经须莎4489请问数据统计大神,这个数据因子载荷分析如何得出?SPSS如何操作? -
干败储19489831947 ______ 在 因子分析里面 即可得出因子载荷矩阵

经须莎4489怎样用spss怎样才能得到旋转后的因子载荷矩阵 -
干败储19489831947 ______ 勾选旋转方法,比如varimax

经须莎4489spss19是在因子分析里面的旋转成分矩阵中看因子载荷量吗?. -
干败储19489831947 ______ 1、成分矩阵是各个原始变量的主成分表达式的系数;旋转成分矩阵是成分矩阵正交变换(还有其他方法)得到的;成分得分矩阵表示各项指标变量与提取的公因子之间的关系. 简单来说通过成分矩阵可以得到原始指标变量的线性组合,如TB3=...

经须莎4489为什么求出因子载荷阵后还要用因子载荷阵的每列除以相应的特征根的开?
干败储19489831947 ______ spss可以直接输出四个主因子的得分的 在 scores里面 有保存因子得分 然后再原始数据最后就会多出几列就是了

经须莎4489向你请教SPSS中旋转后的因子矩阵问题,谢谢! -
干败储19489831947 ______ 因子载荷阵选择适当方法求出旋转后的载荷阵数值出负是求解的结果……这和原始矩阵数值以及计算方法相关,没什么原因解释的吧?比如因子旋转有正交和斜交两种方法,比较常用的是正交变换,正交矩阵的选取不一不说,符号改变很正常.另外,在因子载荷矩阵这里,载荷数值的意义取决于绝对值的大小,而不是符号.因子旋转只是为了让变量在公共因子的贡献程度上产生比较明显的分级,假如原始载荷阵已经可以很明显的看出就不用非得做旋转.

经须莎4489spss19.0中因子分析 -
干败储19489831947 ______ 因子分析的目的就是将一系列有内在相关性的变量进行浓缩,从而提取出少量几个因子来代替原来的众多变量,所以选择变量就是将你需要进行浓缩的所有变量都移入这个对话框 ,不过因子分析的变量只能是连续性数值

经须莎4489SPSS主成分分析 -
干败储19489831947 ______ 以下全属个人看法,首先我认为,楼主对主成分分析还没有一个清楚的认知,导致所给的图形就不是最终判断分析的结果.在多元统计分析中,主成分分析是依靠因子分析的结果来进行的. 请饶在下唐突,不过确实,楼主的给因子载荷矩阵图...

经须莎4489你好 看到你在百度上的回答,请问你用spss主成分分析法算因子的权重的详细步骤是怎样的啊 -
干败储19489831947 ______ 主成分分析法在SPSS中的操作1、指标数据选取、收集与录入(表1)2、Analyze →Data Reduction →Factor Analysis,弹出Factor Analysis 对话框:3、把指标数据选入Variables 框,Descriptives: Correlation Matrix 框组中选中Coefficients,然...