spss因子载荷结果解释

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。

魏福斧4457怎么解读SPSS做出的主成分分析结果 -
汤往临13443529138 ______ 主要看1.方差解释表里的累积方差贡献率,以此确定主成分,一般都是>=85%. 2.主成分载荷矩阵. 你可以参考SPSS教材,里面有结果分析说明

魏福斧4457SPSS因子分析结果(好像是分了4个因子,是怎么分的?可以详细解释吗) -
汤往临13443529138 ______[答案] 你的结果不太好,累积贡献率只有60.68%.一般要求85%以上才有意义.

魏福斧4457谁来帮我看看这个“spss输出结果”什么意思 -
汤往临13443529138 ______ 1. 上下限是相对应置信区间来说的. 已知下限0.001,上限0.003.比如说计算出了平均值F值为2.233,那么他的下限就是(2.233-0.001=2.232),上限就是(2.233+0.003=2.236),它的99%置信区间就是[2.232,2.236].2. 比较两组数据可以用两配对样本检验.

魏福斧4457spss19.0中因子分析 -
汤往临13443529138 ______ 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

魏福斧4457spss 因子成分矩阵合因子载荷矩阵是一样的吗?请高手指点一下,详细一点哦. -
汤往临13443529138 ______ SPSS因子成分矩阵和因子载荷矩阵是2个概念..成分矩阵式组成时出现的排列,载荷矩阵式承受荷载后产生的新一轮矩阵..!

魏福斧4457在spss弹出的的结果中判断哪个是因子负荷的值呢 -
汤往临13443529138 ______ 看rotated componenr matrix哈. 另外,如果要看因子的方差贡献,就看total variance explained那个框子

魏福斧4457spss因子分析中因子载荷矩阵是因子成分矩阵还是旋 -
汤往临13443529138 ______ 旋转后的 因子载荷矩阵

魏福斧4457用spss进行主成分分析的结果怎么看,说明什么 -
汤往临13443529138 ______ KMO检验用于检查变量间的偏相关性 一般认为该值大于0.9时效果最佳 0.7以上尚可,0.6时效果较差 Bartlett's球形检验用于检验相关阵是否是单位阵 P<0.01说明指标间并非独立,取值是有关系的.可以进行因子分析 根据上图 可以看出一共提取...

魏福斧4457请问,SPSS中的Component Matrix 也叫做初始因子载荷矩阵是如何计算得到的? -
汤往临13443529138 ______ 1、根据特征方程 求出各个特征值,λ是特征值,I代表单位矩阵,R是各个变量所形成的的相关矩阵,相关矩阵可以通过spss的相关命令求得,然后可以解出λ. 2、用求得的特征值λ,相关矩阵R这些条件,求出对应于特征值的特征向量e(i)(根据特征向量的求解方程RE=λE求出每个特征值的特征向量),所有的e(i)所形成的的矩阵就是Component Matrix 主成分矩阵,每个e(i)代表了每个主成分和每个变量的相关. 这个主成分系数矩阵要自己手算很麻烦的,知道大致的原理就可以了