包含spss因子分析的词条 _因子分析

今天给大家介绍spss因子分析以及相应的知识点。希望对你有帮助，也别忘了收藏这个网站。
如何分析spss因子
可以用网上的spss平台进行分析，用因子分析来探讨量化的数据如何凝聚成几个方面(因子)以及每个方面(因子)与问题的对应关系。因子分析步骤:
1.选择高级* * *因子
2.设置输出维度(因子)的数量
3.单击开始分析。
因子分析通常有三个步骤:之一步判断是否适合做因子分析；步骤2，判断因素与项目的对应关系；第三步是因子命名。
之一步:判断是否进行因子分析，判断标准是KMO值大于0.6；
第二步:确定因素与项目的对应关系。如果因素和项目之间的对应关系与预期严重不一致，则可以删除项目。
第三步:删除第二步中不合理的条目，在确认好因子与条目的对应关系后，结合因子与条目的对应关系，为因子命名。
6.6的基本用法。SPSS:因子分析
因子分析几乎可以等价于主成分分析，其本质是PCA降维，过多的因子减少了因子的数量。例子如下
先导入老师给的数据，然后点击分析-降维-因子分析。
单击描述按钮-选择KMO和球形测试。
点击提取-* * *选择主成分-同时查看砾石图。
这里的特征值一般大于1，然后你可以根据自己的需要加上因子的个数。
一般选择更大方差法作为轮换法，查负荷图，迭代次数选择30次。
实际上，可能的旋转次数不足以产生结果，因此我们将检查迭代次数。
这里的因子得分作为一个变量检查，然后检查得分系数矩阵。

文章插图
这里的选项按大小排序，不包括小系数，这里的绝对值是0.3 。我们来看看后续结果，分析一下。
操作后生成的结果如上。这里KMO需要大于0.7，这样各个因子的相互度才能满足因子分析的条件，才是相关的。
公因子方差的提取部分取决于提取了多少信息。以q1_1为例，0.581相当于提取了58.1%的信息。只要比值大于0.5，萃取效果就好。
砾石图主要用于统计所选特征值的个数。如果你能看到上图，你应该选择四个特征值，但是前面老师说了，八个因素代表性不够，更别说四个特征值了，实际过程中可能不太实用。你可以写在报告里。
这里的分量矩阵(其实老师说应该叫载荷矩阵？？)，旋转前没有因子。因为之前已经对选项进行了排序，把小于0.3的都去掉了(其实0.5以下就没用了)，所以从上面可以看出，因子1主要是由问题5_3到3_4组成的。这里需要重点关注0.4以下的数据，比如0.490(小于0.5用处不大) 。另外，老师提到了q7_3，它在因子2和因子3中都是0.4，那么如何判断它属于哪个因子，从旋转的那个就可以看出来。
旋转后的Q7_3为0.734，属于因子2，与因子3无关。
可以发现，每个维度的第三个问题归因于因素2，每个维度的第五个问题归因于因素1 。
1)另外我们可以看到q3_3叫做交叉因子现象，两个因子都大于0.5，这是不允许的。我们需要删除这个主题或修改它。
2)另外，q3_2与所有因素的相关性小于0.5，建议删除。
3)还有，只有因子8的相关性大于0.5，所以因子8完全用表示，需要删除。
1)2)3)这三种特殊情况需要注意，所有题目都需要修改或删除。
这个作文图一般是二维的，看起来很清晰，但三维的并不是不清晰，因为它显示了哪些因素与每个题目接近。
spss因子分析为什么要轮换因子？
因子旋转是为了帮助用真实的语言描述得到的因子。正常的因子分析得到的因子可能没有明显的逻辑意义，难以理解。但是旋转之后，就有可能得到一个逻辑因子。