因子分析作业：
全国30个省市的8项经济指标如下：
要求：先对数据做标准化处理，然后基于标准化数据进行以下操作
1、给出原始变量的相关系数矩阵；
2、用主成分法求公因子，公因子的提取按照默认提取（即特征值大于1），给出公因子的方差贡献度表；
3、给出共同度表，并进行解释；
4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。如果不好解释，请用因子旋转（采用正交旋转中最大方差法）给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义；
5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。
1、输入数据，依次点选分析→描述统计→描述，将变量x1到x8选入右边变量下面，点选“将标
准化得分另存为变量”，点确定即可的标准化的数据。
依次点选分析→降维→因子分析，打开因子分析窗口，将标准化的8个变量选入右边变量下面，点选描述→相关矩阵下选中系数及KMO和Bartlett的检验，点继续，确定，就可得出8个变量的相关系数矩阵如下图。
由表中数据可以看出大部分数据的绝对值都在0.3以上，说明变量间有较强的相关性。
由上图看出，sig.值为0，所以拒绝相关系数为0（变量相互独立）的原假设，即说明变量间存在
相关性。
2、依次点选在因子分析窗口点选抽取 方法：主成分；分析：相关性矩阵；输出：未旋转的因
3个图。
表看出前3个主成分的累计贡献率就达到了89.599%>85%，所以选取主成分个数为3。选y1为第一主成分，y2为第二主成分，y3为第三主成分。且这三个主成分的方差和占全部方差的89.599%，即基本上保留了原来指标的信息。这样由原来的8个指标变为了3个指标。
3。与按累计贡献率确定的主成分个数是一致的。
80%以上的信息。
由上表数据第一列表明：第一主成分与各个变量之间的相关性；第二列表明：第二主成分与各个变量之间的相关性；第三列表明：第三主成分与各个变量之间的相关性。可以得出：x1x3x8主要由第一主成分解释，x4x5主要由第二主成分解释，x6主要由第三主成分解释。但是x2是由第一主成分还是第二主成分解释不好确定，x7是由三个主成分中的哪个解释也不好确定。
下面作因子旋转后的因子载荷阵。
在因子分析窗口，抽取→输出：旋转的因子解，继续；旋转→方法：最大方差法，继续；确定。输出结果如下2图；
由上表数据可以得出：x1x3x5x8主要由第一主成分解释，x2x4主要由第二主成分解释，x6x7主要由第三主成分解释。与第一因子关系密切的变量主要是投入（投资：固定资产投资）与产出（产值：国内生产总值、工业总产值）方面的变量，货物周转又是投入产出的中介过程，可以命名为投入产出因
子；与第二因子关系密切的都是反映民众生活水平的变量，可以命名为消费能力因子；与第三因子关系密切的是价格指数方面的变量，可以命名为价格指数因子。
由上表可以看出：第二列数据表明，各个主成分的贡献率与旋转前的有变化，但是3个主成分的累积贡献率相同都是89.599%。
5、在因子分析窗口，得分→因子得分保存为变量f1f2f3;方法：回归。再按三个主成分降序排列：数据→排序个案：将f1选入排序依据，排列顺序：降序。同理得出按f2f3排序的结果。结果如下；最后，以各因子的方差贡献率占三个因子总方差贡献率的比重作为权重进行加权汇总，得出各城市的综合得分f。即
f=(0.40089*f1+0.277*f2+0.2174*f3)/0.89599
f得分在转换→计算变量中的出。最后再按f得分排序。排序结果如下：
f1 排序f2 排序f3 排序 f 排序
2.11763 山东
3.66094 上海 2.07204 云南 1.62 上海
2.03281 江苏 1.6829 广东 1.69291 贵州0.95 山东
1.48171 广东 1.58836 北京 1.28542 湖北0.95 江苏
1.22895 河北0.99048 天津 1.16111 新疆0.88 广东
1.10693 四川0.74993 浙江0.98784 四川0.58 四川
1.07313 河南0.6314 西藏0.90343 陕西0.5 湖北
0.96184 辽宁0.27409 福建0.84557 上海0.44 浙江
0.65225 浙江0.26647 江苏0.77625 甘肃0.42 云南
0.60326 上海0.18476 青海0.62601 广西0.25 北京
0.60136 湖北0.11802 新疆0.53464 湖南0.14 辽宁
0.26238 湖南0.04579 云南0.47211 青海0.09 湖南
0.23633 黑龙江0.00117 海南0.25513 山东0.07 新疆
-0.06617 安徽 -0.15123 宁夏0.21824 内蒙-0.02 贵州
-0.26842 福建 -0.19777 山东 -0.00481 西藏-0.05 河南
-0.28002 云南 -0.27211 广西-0.0403 江西-0.05 广西
-0.28376 广西 -0.29037 甘肃 -0.13117 宁夏-0.12 陕西
-0.36466 山西 -0.29779 湖北 -0.13995 山西-0.12 河北
-0.39638 北京 -0.34462 贵州 -0.17691 江苏-0.16 黑龙江
-0.41389 陕西 -0.37617 黑龙江 -0.25054 北京-0.23 甘肃
-0.47727 内蒙 -0.39701 吉林 -0.32565 浙江-0.24 福建
-0.51327 吉林 -0.43068 辽宁 -0.46473 河南-0.4 山西
-0.56026 江西 -0.52044 湖南 -0.57616 黑龙江-0.42 青海
-0.57753 新疆 -0.52561 四川 -0.61312 辽宁-0.43 内蒙
-0.74551 甘肃 -0.53203 陕西 -0.78714 河北-0.47 江西
-0.76636 贵州 -0.66221 山西 -0.79854 福建-0.5 天津
-0.88229 天津-0.68 江西 -0.94379 吉林-0.52 西藏
-1.34465 青海 -0.79471 安徽-1.1953 广东-0.59 吉林
-1.35668 宁夏 -0.88339 内蒙 -1.50695 安徽-0.66 安徽
-1.46804 海南-1.3165 河南 -1.62403 天津-0.69 宁夏
-1.59344 西藏 -1.52165 河北 -2.25163 海南-1.23 海南
有了对各个公因子的合理的解释，结合各个城市在三个公因子的得分和综合得分，就可对各城市的经济发展水平进行评价了。在投入产出因子f1上得分最高的6个城市是山东、江苏、广东、河北、四川。其中山东得分为2.11763，江苏得分为2.03281，高于其他城市，说明山东、江苏的工业的投入产出能力最高，工业发展相对较快，从而推动城市发展；而青海、宁夏、海南、西藏的投入产出能力较差，可能由于地理位置的缘故工业发展相对落后。上海、广东、北京、天津在消费能力因子f2上的得分较高，说明它们的消费能力较高，人们的收入也较高，从而生活质量较好，城市发展较快；而河南、河北得分较低，它们的消费能力较低，从而说明人们的收入也相对较低，生活质量相对差一点，城市发展较慢。云南、贵州、湖北、新疆在价格指数因子f3上的得分较高，说明在这些城市物价相对较高，可能以些非本地产的东西由于运输的不方便，使得这些物价相对较高，而广东、安徽、天津、海南的价格指数较低，说明，在这些城市，交通相对便捷，运输方便，或者本地产的东西较多基本满足需求，使得物价相对较低，但从侧面也可看出这些城市与其他城市的联系可能较少，不利于自己的总和发展，从而也说明了这些城市的发展相对较慢。由综合因子f的分就可综合评价城市的经济发展水平，综合得分的前3名上海、山东、江苏，得分最低的3个城市安徽、宁夏、海南。
现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示： 问题 题项 从未使用 很少使用 有时使用 经常使用 总是使用 1 2 3 4 5 a1 电脑 a2 录音磁带 a3 录像带 a4 网上资料 a5 校园网或因特网 a6 电子邮件 a7 电子讨论网 a8 CAI 课件 a9 视频会议 a10 视听会议 一．因子分析的定义 在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。 因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。 二．数学模型 i m im i i i i U F F F F Z +++++=αααα · · · 332211 i Z 为第i 个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的 那批分数中的相对位置的。） m F 为共同因子； m 为所有变量共同因子的数目； i U 为变量i Z 的唯一因素； im α为因子负荷。（也叫因子载荷，统计意义就是第i 个变量与第m 个公共因子的相关系数,它反映了第i 个变量在 第m 个公共因子上的相对重要性也就是第m 个共同因子对第i 个变量的解释程度。） 因子分析的理想情况，在于个别因子负荷im α不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则i U 彼此间不能有关联存在。 所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷im α就是第i 个原有变量和第m 个因子变量间的相关系数，也就是i Z 在第m 个共同因子变量上的相
SPSS因子分析实例操作步骤 实验目的: 引入2003~2013年全国的农、林、牧、渔业,采矿业,制造业电力、热力、燃气及水生产与供应业,建筑业,批发与零售业,交通运输、仓储与邮政业7个产业的投资值作为变量,来研究其对全国总固定投资的影响。 实验变量: 以年份,合计(单位:千亿元),农、林、牧、渔业,采矿业,制造业电力、热力、燃气及水生产与供应业,建筑业,批发与零售业,交通运输、仓储与邮政业作为变量。 实验方法:因子分析法 软件:spss19、0 操作过程: 第一步:导入Excel数据文件 1.open data document——open data——open; 2、 Opening excel data source——OK、
第二步: 1、数据标准化:在最上面菜单里面选中Analyze——Descriptive Statistics——OK (变量选择除年份、合计以外的所有变量)、 2.降维:在最上面菜单里面选中Analyze——Dimension Reduction—— Factor ,变量选择标准化后的数据、
3.点击右侧Descriptive,勾选Correlation Matrix选项组中的 Coefficients与KMO and Bartlett’s text of sphericity,点击 Continue、 4、点击右侧Extraction,勾选Scree Plot与fixed number with factors,默认3个,点击Continue、
5、点击右侧Rotation,勾选Method选项组中的Varimax;勾选Display选项组中的Loding Plot(s);点击Continue、 6、点击右侧Scores,勾选Method选项组中的Regression;勾选Display factor score coefficient matrix;点击Continue、
一．研究目的：为了研究农民收入，我们选取了其中7种主要影响因素，包括财政用于农业的支出的比重（%），第二、三产业从业人数占全社会从业人数的比重（%），非农村人口比重，乡村从业人员占农村人口的比重（%），农业总产值占农林牧总产值的比重（%），农作物播种面积（千公顷），农村用电量（亿千瓦时）。（数据见最后一页） 二．研究变量：在经济生活中，根据以上分析，我们在影响农民收入因素中引入7个变量。即设置变量:x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人 农村口的比重，x5-农业总产值占农林牧总产值的比重，x6-农作物播种面积，x7 — 用电量。 一、研究方法：SPSS中的因子分析。 具体操作步骤 （1）定义变量：x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人口的 农村用电比重，x5-农业总产值占农林牧总产值的比重，x6-农作物播种面积，x7 — 量。 （2）导入数据： file-open-data （3）变量标准化Analyze-Descriptive Statistics-Descriptives
" 勾选Save standardized values as variables保存变量，再点击ok，就完成了对变量的标准化。 （3）因子分析 Analyze—Dimension Reduction—Faction
点击右侧的Description选项，选择Statistics选项组中的initial solution，勾选Correlation Matrix 选项组中的Coefficients和KMO and Bartlelts test of sphericity，点击Continue。 点击右侧Extraction选项，其中Method选Principal components，Analyze选择Correlation matrix，Display中选择Unrotated factor solution，Extract如图，点击Continue.
因子分析 ? 因子分析（Factor analysis ）：用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis ）：是因子分析一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA ）和因子分析（FA ）是两种把变量维数降低以便于描述、理解和分析的方法。 ? 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 ? 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 ? 分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : 当p 较大时，在p 维空间中考察问题比较麻烦。这就需要进行降维处理，即用较少几个综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。 线性组合：记x1，x2，…，xP 为原变量指标，z1，z2，…，zm （m ≤p ）为??????????????=np n n p p x x x x x x x x x X 212222111211
SPSS因子分析实例操作步骤 实验目的： 引入2003~2013年全国的农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业7个产业的投资值作为变量，来研究其对全国总固定投资的影响。 实验变量： 以年份，合计（单位：千亿元），农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业作为变量。 实验方法：因子分析法 软件： 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open； 2. Opening excel data source——OK. 第二步： 1.数据标准化：在最上面菜单里面选中Analyze——Descriptive Statistics——OK （变量选择除年份、合计以外的所有变量）. 2.降维：在最上面菜单里面选中Analyze——Dimension Reduction——Factor ，变量选择标准化后的数据. 3.点击右侧Descriptive，勾选Correlation Matrix选项组中的 Coefficients和KMO and Bartlett’s text of sphericity,点击 Continue.
4.点击右侧Extraction,勾选Scree Plot和fixed number with factors，默认3个，点击Continue. 5.点击右侧Rotation，勾选Method选项组中的Varimax；勾选Display选项组中的Loding Plot(s)；点击Continue. 6.点击右侧Scores，勾选Method选项组中的Regression；勾选Display factor score coefficient matrix；点击Continue. 7.点击右侧Options，勾选Coefficient Display Format选项组中所有选项，将Absolute value blow改为，点击Continue. 8.返回主对话框，单击OK. 输出结果分析：
S P S S因子分析实例操作步骤 实验目的： 引入2003~2013年全国的农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业7个产业的投资值作为变量，来研究其对全国总固定投资的影响。 实验变量： 以年份，合计（单位：千亿元），农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业作为变量。 实验方法：因子分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件??? 1.opendatadocument——opendata——open； 2.Openingexceldatasource——OK. 第二步： 1.数据标准化：在最上面菜单里面选中Analyze——DescriptiveStatistics——OK?（变量选择除年份、合计以外的所有变量）. 2.降维：在最上面菜单里面选中 Analyze——DimensionReduction——Factor?，变量选择标准化后的数据. 3.点击右侧Descriptive，勾选CorrelationMatrix选项组中的 Coefficients和KMOandBartlett’stextofsphericity,点击Continue. 4.点击右侧Extraction,勾选ScreePlot和fixednumberwithfactors，默认3个，点击Continue. 5.点击右侧Rotation，勾选Method选项组中的Varimax；勾选Display选项组中的LodingPlot(s)；点击Continue. 6.点击右侧Scores，勾选Method选项组中的Regression；勾选Displayfactorscorecoefficientmatrix；点击Continue. 7.点击右侧Options，勾选CoefficientDisplayFormat选项组中所有选项，将Absolutevalueblow改为0.60，点击Continue. 8.返回主对话框，单击OK. 输出结果分析： 1.描述性统计量
因子分析作业： 全国30个省市的8项经济指标如下： 要求：先对数据做标准化处理，然后基于标准化数据进行以下操作 1、给出原始变量的相关系数矩阵； 2、用主成分法求公因子，公因子的提取按照默认提取（即特征值大于1），给出公因子的方差贡献度表； 3、给出共同度表，并进行解释； 4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。如果不好解释，请用因子旋转（采用正交旋转中最大方差法）给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义； 5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。 1、输入数据，依次点选分析描述统计描述，将变量x1到x8选入右边变量下面，点选“将标
准化得分另存为变量”，点确定即可的标准化的数据。 依次点选分析降维因子分析，打开因子分析窗口，将标准化的8个变量选入右边变量下面，点选描述相关矩阵下选中系数及KMO和Bartlett的检验，点继续，确定，就可得出8个变量的相关系数矩阵如下图。 由表中数据可以看出大部分数据的绝对值都在以上，说明变量间有较强的相关性。 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.621 Bartlett 的球形度检验近似卡方 df28 Sig..000 由上图看出，sig.值为0，所以拒绝相关系数为0（变量相互独立）的原假设，即说明变量间存 在相关性。 2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因子解，碎石图；抽取：基于特征值（特征值大于1）；继续，确定，输出结果如下3个图。 解释的总方差 成份 初始特征值提取平方和载入 合计方差的 %累积 %合计方差的 %累积 % 1 2 3 4.403
实验指导之四 因子分析的SPSS操作方法 以例为例进行因子分析操作。 1.在SPSS的数据编辑窗口（见图1）点击Analysize →Data Reduction →Factor，打开Factor Analysis对话框如图 2. 图1 因子分析操作
图2 Factor Analysis 对话框 将参与因子分析的变量依次选入Variables框中。例中有8个参与因子分析的变量，故都选入变量框内。 2.单击Descriptives 按钮，打开Descriptives对话框如图3所示。 Statistics栏，指定输出的统计量。 图3 Descriptives对话框 Univariate descriptives 输出每个变量的基本统计描述；
Initial solution 输出初始分析结果。输出主成分变量的相关或协方差矩阵的对角元素。（本例选择） Correlation Matrix栏指定输出考察因子分析条件和方法。 Coefficients相关系数矩阵； Significance levels 相关系数假设检验的P值； Determinant 相关系数矩阵行列式的值； KMO and Bartlett′s test of Sphericity KMO和巴特利检验（本例选择）巴特利检验是关于研究的变量是否适合进行因子分析的检验. 拒绝原假设意味着适合进行因子分析. KMO值等于变量间单相关系数的平方和与单相关系数平方和加上偏相关系数平方和之比, 值越接近1, 意味着变量间的相关性越强,越适合进行因子分分析, KMO值越接近0, 则变量间的相关性越弱. 越不适合进行因子分析. Inverse 相关系数矩阵的逆矩阵； Reproduced 再生相关阵； Anti-image 反映象相关矩阵。 3.单击Extraction 按钮，打开Extraction对话框选项，见图4。
因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在： 计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解
SPSS探索性因子分析的过程
现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示： 一. 因子分析的定义
在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。 因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。 二. 数学模型 Z i i1F1 i2^ i3F3 …im F m U i 乙为第i个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的那批分数中的相对位置的。） F m为共同因子； m为所有变量共同因子的数目； U为变量Z的唯一因素； i个变量与第im为因子负荷。（也叫因子载荷，统计意义就是第 m个公共因子的相关系数，它反映了第i个变量在第m个公共因子上的相对重要性也就是第m个共同因子对第i个变量的解释程
度。） 因子分析的理想情况，在于个别因子负荷im不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则U彼此间不能有关联存在。 所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷.就是第i个原有变量和第m个因子变量间的相关系数，也就是Z在第m个共同因子变量上的相对重要性，因此，.绝对值越大则公共因子和原有变量关系越强。在因子分析中有两个重要指针：一为“共同性”，二为“特征值”。 所为共同性，也称变量共同度或者公共方差，就是每个变量在每个共同因子的负荷量的平方总和（一横列中所有因子负荷的的平方和），也就是个别变量可以被共同因子解释的变异量百分比，这个值是个别变量与共同因子间多元相关的平方。从共同性的大小可以判断这个原始变量与共同因子间的关系程度。如果大部分变量的共同度都高于0.8，则说明提取出的共同因子已经基本反映了各原始变量80%以上的信息，仅有较少的信息丢失，因子分析效果较好。而各变量的唯一因素就是1减掉该变量共同性的值，就是原有变量不能
因子分析的基本概念与步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量,以期望能对问题有比较全面、完整的把握与认识。例如,对高等学校科研状况的评价研究,可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标;再例如,学生综合评价研究中,可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力,虽然它们能够较为全面精确地描述事物,但在实际数据建模时,这些变量未必能真正发挥预期的作用,“投入”与“产出”并非呈合理的正比,反而会给统计分析带来很多问题,可以表现在: 计算量的问题 由于收集的变量较多,如果这些变量都参与数据建模,无疑会增加分析过程中的计算工作量。虽然,现在的计算技术已得到了迅猛发展,但高维变量与海量数据仍就是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如,高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性;学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠与高度相关会给统计方法的应用带来许多障碍。例如,多元线性回归分析中,如果众多解释变量之间存在较强的相关性,即存在高度的多重共线性,那么会给回归方程的参数估计带来许多麻烦,致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题,最简单与最直接的解决方案就是削减变量的个数,但这必然又会导致信息丢失与信息不完整等问题的产生。为此,人们希望探索一种更为有效的解决方法,它既能大大减少参与数据建模的变量个数,同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数,并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson与Charles Spearmen等人关于智力测验的统计分析。目前,因子分析已成功应用于心理学、医学、气象、地址、经济学等领域,并因此促进了理论的不断丰富与完善。 因子分析以最少的信息丢失为前提,将众多的原有变量综合成较少几个综合指标,名为因子。通常,因子有以下几个特点: ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后,因子将可以替代原有变量参与数据建模,这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不就是原有变量的简单取舍,而就是原有变量重组后的结果,因此不会造成原有变量信息的大量丢失,并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱,因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常,因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解释
因子分析S P S S操作 Ting Bao was revised on January 6, 20021
因子分析作业： 全国30个省市的8项经济指标如下： 要求：先对数据做标准化处理，然后基于标准化数据进行以下操作 1、给出原始变量的相关系数矩阵； 2、用主成分法求公因子，公因子的提取按照默认提取（即特征值大于1），给出公因子的方差贡献度表； 3、给出共同度表，并进行解释； 4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。如果不好解释，请用因子旋转（采用正交旋转中最大方差法）给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义； 5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。 1、输入数据，依次点选分析描述统计描述，将变量x1到x8选入右边变量下面，点选“将标准化得 分另存为变量”，点确定即可的标准化的数据。 依次点选分析降维因子分析，打开因子分析窗口，将标准化的8个变量选入右边变量下面，点选描 述相关矩阵下选中系数及KMO和Bartlett的检验，点继续，确定，就可得出8个变量的相关系数矩 阵如下图。 由表中数据可以看出大部分数据的绝对值都在0.3以上，说明变量间有较强的相关性。 KMO和Bartlett的检验 取样足够度的Kaiser-Meyer-Olkin度量。.621 Bartlett的球形度检验近似卡方231.420 df28 Sig..000 由上图看出，sig.值为0，所以拒绝相关系数为0（变量相互独立）的原假设，即说明变量间存在 相关性。 2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因子 3个图。 献率，由上表看出前3个主成分的累计贡献率就达到了89.599%>85%，所以选取主成分个数为3。
因子分析作业： 全国30 个省市的8 项经济指标如下： 要求：先对数据做标准化处理，然后基于标准化数据进行以下操作 1、给出原始变量的相关系数矩阵； 2、用主成分法求公因子，公因子的提取按照默认提取（即特征值大于1），给出公因子的方差贡献度表； 3、给出共同度表，并进行解释； 4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。如果不好解释，请用因子旋转（采用正交旋转中最大方差法）给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义； 5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。 1、输入数据，依次点选分析描述统计描述，将变量x1到x8选入右边变量下 面，点选“将标准化得分另存为变量”，点确定即可的标准化的数据。 依次点选分析降维因子分析，打开因子分析窗口，将标准化的8个变量选入右边变量下面，点选描述相关矩阵下选中系数及KMO 和Bartlett的检验，点继续，确定，就可得出8个变量的相关系数矩阵如下图。
由表中数据可以看出大部分数据的绝对值都在0.3以上，说明变量间有较强的相关性。 由上图看出，sig.值为0，所以拒绝相关系数为0（变量相互独立）的原假设，即说明变量间存在相关性。 2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因 子解，碎石图；抽取：基于特征值（特征值大于1）；继续，确定，输出结果如下3个图。 上表中第一列为特征值（主成分的方差），第二列为各个主成分的贡献率，第三列为累积贡献率，由上表看出前3个主成分的累计贡献率就达到了89.599%>85% ，所以选取主成分个数为3。选y1 为第一主成分，y2 为第二主成分，y3 为第三主成分。且这三个主成分的方差和占全部方差的89.599% ，即基本上保留了原
S P S S探索性因子分析的 过程 Company Document number：WUUT-WUUY-WBBGB-BWYTT-1982GT
现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示： 一．因子分析的定义 在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。 因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。 二．数学模型 Z为第i个变量的标准化分数；（标准分是一种由原始分出来的，它是用来说明原始分i 在所属的那批分数中的相对位置的。）
m F 为共同因子； m 为所有变量共同因子的数目； i U 为变量i Z 的唯一因素； im α为因子负荷。（也叫因子载荷，统计意义就是第i 个变量与第m 个公共因子的相关 系数,它反映了第i 个变量在第m 个公共因子上的相对重要性也就是第m 个共同因子对第i 个变量的解释程度。） 因子分析的理想情况，在于个别因子负荷im α不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则i U 彼此间不能有关联存在。 所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷im α就是第i 个原有变量和第m 个因子变量间的相关系数，也就是i Z 在第m 个共同因子变量上的相对重要性，因此，im α绝对值越大则公共因子和原有变量关系越强。在因子分析中有两个重要指针：一为“共同性”，二为“特征值”。 所为共同性，也称变量共同度或者公共方差，就是每个变量在每个共同因子的负荷量的平方总和（一横列中所有因子负荷的的平方和），也就是个别变量可以被共同因子解释的变异量百分比，这个值是个别变量与共同因子间多元相关的平方。从共同性的大小可以判断这个原始变量与共同因子间的关系程度。如果大部分变量的共同度都高于，则说明提取出的共同因子已经基本反映了各原始变量80%以上的信息，仅有较少的信息丢失，因子分析效果较好。而各变量的唯一因素就是1减掉该变量共同性的值，就是原有变量不能被因子变量所能解释的部分。 所谓特征值，是每个变量在某一共同因子的因子负荷的平方总和（一直行所有因子
我就以我的数据为例来做示范，仅供参考 一、信度分析（即可靠度分析） 1.分析——度量——可靠度分析 图 1 2.然后就会弹出上图1的 框框。在这里，你可以对 所有的问题进行可靠度分 析，如果是这样，那你只 需要选中所有的问题到右 边这个白色的框框，然后 点击“统计量”，按照右 边这个图进行打钩。然后 点“继续”。之后就点“确 定”图2 3.接着去“输出1”这个框看分析结果，你就 会看到很多分析结果，其中有一个就是右图，
那第一个0.808就是你所选择进行分析的数据的信度。如果你想把每一个维度的数据进行独立的信度分析，那道理也是一样的。 二、因子分析 在做因子分析之前首先要判断这些数据是否适合做因子分析，那这里就需要进行效度检验，不过总共效度检验是和因子分析的操作同步的，意思就是说你在做因子分析的时候也可以做效度检验。具体示范如下： 1.分析——降维——因子分析 图 2 一般来说，咱们做因子分析的时候是为了把那些具有共同属性的因子归类成一类，说的简单点就是要验证咱们所选取的每一个维度下面的题目是属于这个维度，而非其他维度的。那一般来说，因子分析做出来的结果就是你原本有几个维度，最终分析结果就会归类成几个公因子。 2.一般来说，自变量的题目和因变量的题目是要独立分析的。我的课题是“店
面形象对顾客购买意愿的影响”那自变量就是店面形象的那些维度，因变量就是顾客购买意愿。 3.将要做分析的题目选择到右边的白框之后，就如下图打钩： “抽取”和“选项”两个不用管他。然后就点 “确定” 4.按照上述步骤操作下来 之后，就可以去“输出1” 看分析结果。首先看效 度检验的结果：这里要 看第一行和最后一行的数据，第一行数据为0.756，表明效度较高，sig为 0.000，这两个结果显示这份数据完全可以做因子分析。那就去看因子分析的
实验课：因子分析 实验目的 理解主成分（因子）分析的基本原理，熟悉并掌握SPSS中的主成分（因子）分析方法及其主要应用。 因子分析 一、基础理论知识 1 概念 因子分析（Factor analysis）：就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis）：是因子分析的一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA）和因子分析（FA）是两种把变量维数降低以便于描述、理解和分析的方法，而实际上主成分分析可以说是因子分析的一个特例。 2 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。
3 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 4分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : 当p 较大时，在p 维空间中考察问题比较麻烦。这就需要进行降维处理，即用较少几个 综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。 线性组合：记x1，x2，…，xP 为原变量指标，z1，z2，…，zm （m ≤p ）为新变量指标（主成分），则其线性组合为: Lij 是原变量在各主成分上的载荷 无论是哪一种因子分析方法，其相应的因子解都不是唯一的，主因子解仅仅是无数因子解中之一。 zi 与zj 相互无关； z1是x1，x2，…，xp 的一切线性组合中方差最大者，z2是与z1不相关的x1，x2，…的所有线性组合中方差最大者。则，新变量指标z1，z2，…分别称为原变量指标的第一，第二，…主成分。 Z 为因子变量或公共因子，可以理解为在高维空间中互相垂直的m 个坐标轴。 主成分分析实质就是确定原来变量xj （j=1，2 ，…，p ）在各主成分zi （i=1，2，…，m ）上的荷载 lij 。 从数学上容易知道，从数学上也可以证明，它们分别是相关矩阵的m 个较大的特征值所对应的特征向量。 ?? ? ??? ????? ???=np n n p p x x x x x x x x x X 2 1 222 21 11211?? ? ?? ? ?+++=+++=+++=p mp m m m p p p p x l x l x l z x l x l x l z x l x l x l z 22112222121212121111?? ? ?? ? ?+++=+++=+++=p mp m m m p p p p x l x l x l z x l x l x l z x l x l x l z 22112222121212121111
SPSS因子分析的基本概念和步骤
因子分析的基本概念和步骤 四、因素分析的操作说明 Statistics/Data Reduction/Factor… （统计分析/数据缩减/因子…） 出现“Factor Analysis”（因子分析）对话框，将左边框中鉴别度达显著性的a1～a22选如右边“Variables”（变量）下的空框中。 其中五个按钮内的图标意义如下： Descriptives（描述性统计量）按钮，会出现“Factor Analysis:Descriptives”（因子分析：描述性统计量）对话窗口 1．“Statistics”(统计量)选项框
（1）“ Univariate descriptives”（单变量描述性统计量）：显示每一题项的平均数、标准差。 （2）“ Initial solution”（未转轴之统计量）：显示因素分析未转轴前之共同性（communality）、特征值（eigenvalues）、变异数百分比及累积百分比。 2．“Correlation Matric”(相关矩阵)选项框 （1）“ Coefficients”（系数）：显示题项的相关矩阵； （2）“ Significance levels”（显著水准）：求出前述矩阵的显著水准； （3）“ Determinant”（行列式）：求出前述相关矩阵的行列式值； （4）“ KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）：显示KMO抽样适当性参数与Bartlett的球形检定； （5）“ Inverse”（倒数模式）：求出相关矩阵的反矩阵； （6）“ Reproduced”（重制的）：显示重制相关矩阵，上三角形矩阵代表残差值；而主对角线及下三角形代表相关系数； （7）“ Anti-image”（反映象）：求出反映象的共变量及相关矩阵； 在“Factor Analysis:Descriptives”对话窗口中，选取“ Initial solution”、“ KMO and Bartlett’s test of sphericity”二项。 ?Extraction…（萃取…）按钮，会出现“Factor Analysis:Extraction”（因子分析：萃取）对话窗口 1．“Method”（方法）选项框：下拉式选项内有7种选取因素的方法 （1）“Principal components”法：主成份分析法抽取因素，此为SPSS内定方法； （2）“Unweighted least squares”法：未加权最小平方法； （3）“Ggeneralized least square”法：一般化最小平方法； （4）“Mmximum likelihood”法：最大概似法； （5）“Principal-axis factoring”法：主轴法；
使用S P S S进行探索式因素分析的教程
第4章探索式因素分析 在社会与行为科学研究中，研究者经常会搜集实证性的量化资料來做验证，而要证明这些资料的可靠性与正确性，则必须依靠测量或调查工具的信度或效度（杨国枢等，2002b）。一份好的量表应该要能够将欲研究的主题构念（Construct，它是心理学上的一种理论构想或特质，无法直接观测得到）清楚且正确的呈现出来，而且还需具有「效度」，即能真正衡量到我们欲量测的特性，此外还有「信度」，即该量表所衡量的结果应具有一致性、稳定性，因此为达成「良好之衡量」的目标，必须有以下两个步骤：第一个步骤是针对量表的题项作项目分析，以判定各项目的区别效果好坏；第二步骤则是建立量表的信度与效度。量表之项目分析、信度检验已于第2、3章有所说明，本章将探讨量表之效度问题。 4-1 效度 效度即为正确性，也就是测量工具确实能测出其所欲测量的特质或功能之程度。一般的研究中最常使用「内容效度」（Content Validity）与「建构效度」（Construct Validity）来检视该份研究之效度。 所谓「内容效度」，是指该衡量工具能足够涵盖主题的程度，此程度可从量表内容的代表性或取样的适切性来加以评估。若测量内容涵盖所有研究计划所要探讨的架构及内容，就可说是具有优良的内容效度。在一般论文中，常使用如下的描述来「交代」内容效度： 而所谓「建构效度」系指测量工具的内容，即各问项是否能够测量到理论上的构念或特质的程度。建构效度包含收敛效度（Convergent Validity）与区别效度（Discriminant Validity），收敛效度主要测试以一个变量（构念）发展出的多项问项，最后是否会收敛于一个因素中（同一构念不同题目相关性很高）；而区别效度为判别问项可以与其它构念之问项区别的程度（不