spss因子分析论文,探索性因子分析结果解读

(辅助解读：举个例子，目前一个表中有10个变量，因子分析可以通过某个算法将这10个变量转化为3个、4个、5个等因子，每个因子代表一个意义

2 .因子分析与主成分分析的区别：主成分分析是寻找原变量的线性组合。 该线性组合的方差越大，该组合所具有的信息越多。 也就是说，主成分分析是指扩大原始数据的主成分。

因子分析，它假设原始变量背后有一个个隐藏因子，该因子可以包括原始变量中的一个或几个，因子分析不是原始变量的线性组合。

(帮助解读)主成分分析；强调降维变量中起主导作用的变量；因子分析；(寻找能够概括变量背后变量特征的因子) ) ) ) ) ) ) ) ) ) )。

--------------算法和原理不介绍，秃顶----- -

2 .因素分析怎么办(用spss )1.数据准备)下图数据为某城市空气质量数据，共有6个变量，分别为二氧化硫、二氧化氮、可吸入颗粒物、一氧化碳、臭氧、颗粒物。 在SPSS中打开的数据如下：

2 .操作步骤：1)打开因子分析工具：

2 )选择进行因子分析的变量：

3 )设置因子分析模型()可以按照以下截图设置模型，一般情况下是足够的)a.描述)现在我们来谈谈KMO和Bartlett球形度检测。

KMO检验统计量是比较变量间简单相关系数和偏相关系数的指标。 主要应用于多元统计的因子分析。 KMO统计量取0和1之间的值。 Kaiser给出了常用的kmo测量标准： 0.9以上，表明非常合适； 0.8表示符合； 0.7表示一般； 0.6表示不太合适0.5以下表示非常不合适。 KMO统计量取0和1之间的值。 当所有变量之间的简单相关系数平方和远大于偏相关系数平方和时，KMO值越接近1，变量之间的相关越强，意味着原始变量越适合因子分析；当所有变量之间的简单相关系数的平方和接近0时，KMO值接近0.kmo值

bartlett’s球形检验用于检验相关数组中各变量之间的相关性、单位数组，即各变量是否各自独立。 变量之间独立的话，就不能从中提取共同因子，也不能应用因子分析法。 Bartlett球形检测认为，如果相关序列为单位序列，则各变量独立，因子分析法无效。 SPSS检测结果显示Sig.0.05 (即p值0.05 )，各变量之间相关，表明因子分析有效。

b.抽取:一般方法选择主成分法，但在用python进行因子分析时不是这种方法。c.旋转:旋转的作用是最后方便查看哪些变量属于哪个因子。 http://www.Sina.com//http://www.Sina.com /

完成此模型的设置后，可以单击“确定”在SPSS窗口中查看分析结果。

三、因子分析结果解读：主要看以下部分的结果。

1.KMO和Bartlett检测结果：首先KMO值为0.733，大于阈值0.5，表明变量之间存在相关性，满足要求； 还有Bartlett球形检查的结果。 在此只需查看Sig .项，其值为0.000，因此小于0.05。 也就是说，这个数据可以进行因子分析。

2 )公因子方差)公因子方差表示的意思是，各变量可以用公因子表示，但公因子能表示多少？ 其表现的大小是公因子方差表的“抽取”。 “抽取”值越大，表示变量可以用公式因子表示，一般可以表示为大于0.5，但大于0.7则更合理，表示可以用公式因子表示。 在这个例子中，“提取”的值都大于0.7，所以变量可以很好地表示。

3 .解释总方差和碎石图：简单说明，解释地总方差可以看出因子对变量解释的贡献率(可以理解变量表达为100%需要多少因子)。 此表只需查看图中的红框列，即可显示贡献率。 蓝框通过表示4个因子，可以将变量表达到91.151%。 说明表现很好。 我认为一般要表达到90%以上，否则必须调整因子数据。 从碎石图来看，确实在4个因子之后折线变缓了。

这一张表是用来看哪些变量可以包含在哪些因子里，一列一列地看：第一列，最大的值为0.917和0.772，分别对应的是细颗粒物和可吸入颗粒物，因此我们可以把因子归结为颗粒物。第二列，最大值为0.95对应着二氧化硫，因此我们可以把因子归结为硫化物。第三列，最大值为0.962，对应着臭氧，因此可以把因子归结为臭氧。第四列，最大值为0.754和0.571，分别对应着二氧化氮和一氧化碳，因子归结为什么这个我也不清楚，可能要请教一下环工环科的同学们，此处我选择滑稽…

因子分析还是非常好用的一种降维方式的，在SPSS中进行操作十分简单方便，结果一目了然。喜好机器学习的同学们自然也知道，这么好的方法怎么能少得了python呢，没错python也可以做因子分析，代码量也并不是很大，但是，python做因子分析时会有一些功能需要自己根据算法写（头皮发麻），比如说KMO检验。喜欢本文的话请点赞或留言哦，接下来还会有一些数据分析和机器学习方面的知识与大家分享~