SPSS学习系列31.-因子分析.docxVIP

SPSS学习系列31.-因子分析 31. 因子分析 一、基本原理 因子分析，是用少数起根本作用、相互独立、易于解释通常又是不可观察的因子来概括和描述数据，表达一组相互关联的变量。通常情况下，这些相关因素并不能直观观测。 因子分析是从研究相关系数矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。简言之，即用少数不可观测的隐变量来解释原始变量之间的相关性或协方差关系。 因子分析的作用是减少变量个数，根据原始变量的信息进行重组，能反映原有变量大部分的信息；原始部分变量之间多存在较显著的相关关系，重组变量（因子变量）之间相互独立；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。 主成分分析是因子分析的特例。主成份分析的目标是降维，而因子分析的目标是找出公共因素及特有因素，即公共因子与特殊因子。 因子分析模型在形式上与线性回归模型相似，但两者有着本质的区别：回归模型中的自变量是可观测到的，而因子模型中的各公因子是不可观测的隐变量，而且两个模型的参数意义也不相同。 得到估计的因子模型后，还必须对得到的公因子进行解释。即对每个公共因子给出一种意义明确的名称，用来反映在预测每个可观察变量中这个公因子的重要性。该公因子的重要程度就是在因子模型矩 2. 点【描述】，打开“描述统计”子窗口，勾选【统计量】下的“单变量描述性”、“原始分析结果”，【相关矩阵】下的“系数”、“再生”、“KMO和Bartlett的球形度检验”；点【继续】； 3. 点【抽取】，打开“抽取”子窗口，【方法】选“主成份”，【分析】选“相关性矩阵”，【输出】勾选“未旋转因子解”、“碎石图”，【抽取】选“基于特征值：特征值大于‘1’”；点【继续】； 注1：提取公因子方法有（1）主成份法（默认），假设变量是各因子的线性组合，从解释变量的变异除非，尽量是变量的方差能被主成分所解释，适合大多数情况； （2）未加权的最小平方法：使相关矩阵和再生相关矩阵之差的平方和达到最小； （3）综合最小平方法：同（2），并用单值的倒数对相关系数加权； （4）最大似然法：要求数据服从多变量正态分布，此时生成的参数估计最接近观察到相关矩阵，适宜样本量较大情况； （5）主轴因子分解法：从原始变量的相关性出发，使变量间的相关程度尽可能地被公因子解释，但对变量方差的解释不太重视； （6）α因子分解法：将变量看出从潜在的变量空间中抽取出的样本，计算时尽量使得变量的α信度达到最大，适合不好的数据； （7）映像因子分解法：把一个变量看作是其它变量的多元回归，提取公因子。 注2：计算特征值和特征向量时，可选择相关矩阵（不受量纲影响）或协方差矩阵（受量纲影响较大，需先进行变量标准化）计算主成分。但SPSS做因子分析时，已经包含了变量标准化过程。二者结果有差异，但在对因子解释和方差贡献率的解释上是一致的。 4. 点【旋转】，打开“旋转”子窗口，【方法】选“最大方差法”，【输出】勾选“旋转解”、“载荷图”；点【继续】； 注：（1）最大方差法：最常用，使各因子保持正交前提下的方差差异（相对载荷平方和）达到最大，方便对公因子解释； （2）最大四次方值法：各因子方差差异化更强，并减少和每个变量有关联的因子数，简化对原变量的解释； （3）最大平衡值法：介于方差最大正交旋转与4次方最大正交旋转之间； （4）直接Oblimin法：斜交旋转方法，需先指定一个因子映像的自相关范围； （5）Promax：最常用的斜交旋转法，在方差最大正交旋转的基础上再进行斜交旋转，旋转后允许因子间存在相关，适合有具体的结果倾向时选用。 5. 用主成分法提取公因子，用回归法对因子进行估计。 点【得分】，打开“因子得分”子窗口，勾选“保存为变量”方法选“回归”、“显示因子得分系数矩阵”；点【继续】； 另外，若在【选项】子窗口，将【系数显示格式】勾选“按大小排序”，将按载荷从大到小排列变量。 点【确定】得到（部分与主成份分析结果相同，略） KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。 .620 Bartlett 的球形度检验 近似卡方 231.285 df 28 Sig. .000 KMO检验变量间的偏相关是否较大，该值越大越适合做因子分析，0.7以上因子分析效果较好，0.5以下不适合做因子分析。KMO值=0.6200.7说明变量间的重叠可能不是特别高。 Bartlett球形度检验判断相关系数矩阵是否是单位阵，原假设H0：各变量相互独立。P值0.0010.05, 故拒绝原假设，即变量间有较强的相关性。 公因子方差 初始 提取 GDP 1.000 .945 居民消费水平 1.000 .799 固定资产投资 1.000 .902 职