Spss因子分析介绍.doc

Spss因子分析数据文件：心脏数据（heart.sav）。X1心脏横径，X2心脏纵径，X3心脏宽径，X4胸腔横，X5心脏面积。目标：找出主成份，对应的因子及命名。1. 数据间显然存在很强的相关性，也可由下表得出：2.KMO统计量为0.874，较为接近1，卡方统计量179.633，对应的显著性水平为p=0.0000.001，表示适合做因子分析。可由下表得出：3.各变量的共同度均较大，大于0.75，表明提取的信息较完整。4.这可由下表看出。第一个特征根为4.245，方差贡献度为84.909%，接近85%，后面的特征值贡献度越来越小，全部舍去也只损失了15%左右的信息，因此，只提取出一个主成份是较为合适的5.下图可以更加清晰的显示：6.找出因子载荷阵，可有下图得到从而：z心脏横径=0.9299*F1+a1，z心脏纵径=0.955*F1+a2，z心脏宽径=0.871*F1+a3，z胸腔横径=0.879*F1+a4，z心脏面积=0.969*F1+a5（加z表明为标准化数据）7.计算因子得分，系数可有下表给出：从而，对个案1有第一主成份得分= z心脏横径*0.219+z心脏纵径*0.225+z心脏宽径*0.205+z胸腔横径*0.207+z心脏面积*0.228。这个与系统生成的新变量值相一致： 上面的系数阵由未标准化的数据生成，可以试验，若是用标准化的数据生成，数据完全一样，得分也完全一样。若要手工计算，建议先将数据标准化处理。8.由于只有一个主成份，无法旋转。下面强行提取出两个主成份，并进行旋转。可以看出，若提取出两个因子，信息对变量的解释程度提高了。如下图 只提取一个因子 提取两个因子10.从旋转的载荷阵中可以看出，原来第一因子与所有的变量都强相关，现在一部分信息转移到了第二因子中，且第二因子与心脏宽径较为相关。从所谓的因子图中也可看出:X3距离较远，提取因子效果较为显著。可以看出，虽然提取了两个因子，但似乎并没有什么用处，事实上，一个因子已经足以将信息包含，无需提取两个。所以，要具体问题具体分析，且要注意统计的适用性和实用性。 原假设 obs F统计量 P值滞后阶数 结果LNWATER does not Granger Cause LNEX231.094120.308041接受LNEX does not Granger Cause LNWATER7.358780.0134拒绝LNWATER does not Granger Cause LNEX220.801840.464752接受LNEX does not Granger Cause LNWATER5.87850.01147拒绝LNWATER does not Granger Cause LNEX212.708880.084983接受LNEX does not Granger Cause LNWATER3.44720.04602拒绝LNGAS does not Granger Cause LNEX230.18450.672131接受LNEX does not Granger Cause LNGAS5.270780.03263拒绝LNGAS does not Granger Cause LNEX221.077640.362552接受 LNEX does not Granger Cause LNGAS2.136660.14867接受 LNGAS does not Granger Cause LNEX213.586050.041213拒绝LNEX does not Granger Cause LNGAS1.079790.38959接受LNWASTES does not Granger Cause LNEX230.26450.612681接受LNEX does not Granger Cause LNWASTES3.734560.06759 拒绝LNWASTES does not Granger Cause LNEX222.090320.154292接受LNEX does not Granger Cause LNWASTES3.1010.0711拒绝LNWASTES does no