主成分因子解析总结报告步骤

1、合用文案主成分解析、因子解析步骤不同样点主成分解析见解拥有相关关系的p个变量，经过线性组合后成为k个不相关的新变量因子解析将原数据中多个可能相关的变量综合成少许几个不相关的可反响原始变量的绝大多数信息的综合变量主要减少变量个数，以较少的主成分找寻变量间的内部相关性及潜藏的共同因素，目标来讲解原有变量间的大多数变适合做数据结构检测异，适合于数据简化重申重申的是讲解数据变异的能力，重申的是变量之间的相关性，以协方差为导向，重点以方差为导向，使方差达到最大关心每个变量与其他变量共共享有部分的大小最后结形成一个或数个总指标变量反响变量间潜藏或观察不到的因素果应用变异解它将所有的变量的变异都考虑只考虑每

2、一题与其他题目共共享有的变异，因释程度在内，所以没有误差项而有误差项，叫独到因素可否需主成分解析作综合指标用，因子解析需要经过旋转才能对因子作命名与解要旋转不需要旋转释可否有可是对数据作变换，故不需要假因子解析对资料要求需吻合好多假设，若是假假设设设条件不符，则因子解析的结果将碰到思疑因子解析【解析】【降维】【因子解析】（1）描述性统计量（Descriptives）对话框设置KMO和Bartlett的球形度检验（检验多变量正态性和原始变量可否适合作因子解析）。标准文档合用文案2）因子抽取（Extraction）对话框设置方法：默认主成分法。主成分解析必然要选主成分法解析：主成分解析：相关性矩阵

3、。输出：为旋转的因子图抽取：默认选1.最大收敛性迭代次数：默认25.3）因子旋转（Rotation）对话框设置因子旋转的方法，常选择“最大方差法”。“输出”框中的“旋转解”。标准文档合用文案（4）因子得分（Scores）对话框设置“保存为变量”，则可将新建立的因子得分储蓄至数据文件中，并产生新的变量名称。（5）选项（Options）对话框设置结果解析（1）KMO及Bartletts检验KMO和Bartlett的检验取样足够度的Kaiser-Meyer-Olkin胸襟。.515Bartlett的球形度检验近似卡方3.784df6Sig.706当KMO值愈大时，表示变量间的共同因子愈多，愈适合作因

4、子解析。依照Kaiser的观标准文档合用文案点，当KMO0.9（很棒）、KMO0.8（很好）、KMO0.7（中等）、KMO0.6（一般）、KMO0.5（粗劣）、KMO0.5（不能够接受）。（2）公因子方差公因子方差初步撷取卫生1.000.855饭量1.000.846等待时间1.000.819味道1.000.919平和1.000.608撷取方法：主体元件解析。Communalities（称共同度）表示公因子对各个变量能说明的程度，每个变量的初始公因子方差都为1，共同度越大，公因子对该变量说明的程度越大，也就是该变量对公因子的依赖程度越大。共同度低说明在因子中的重要度低。一般的基准是0.4就可以认

5、为是比较低，这时变量在解析中去掉比较好。（3）讲解的总方差说明的变异数总计各因子的特色值因子贡献率因子累积贡献率元件总计变异的%累加%总计变异的%累加%总计变异的%累加%12.45149.02449.0242.45149.02449.0242.04240.84340.84321.59531.89980.9231.59531.89980.9232.00440.07980.9233.66213.24694.1684.1913.82397.9925.1002.008100.000撷取方法：主体元件解析。第二列：各因子的统计值第三列：各因子特色值与全体特色值总和之比的百分比。也称因子贡献率。第四列：累

6、积百分比也称因子累积贡献率第二列统计的值是各因子的特色值，即各因子能讲解的方差，一般的，特色值在1以上就是重要的因子；第三列%是各因子的特色值与所有因子的特色值总和的比，也称因子贡献率；第四列是因子累计贡献率。如因子1的特色值为2.451，因子2的特色值为1.595，因子3,4,5的特色值在1以下。因子1的贡献率为49.0%，因子2的贡献率为31.899%，这两个因子贡献率累积达80.9%，即这两个因子可讲解原有变量80.9%的信息，所以因子取二维比较显然。标准文档合用文案至此已经将5个问项降维到两个因子，在数据文件中能够看到增加了2个变量，fac1_1、fac2_1，即为因子得分。（4）成分

7、矩阵与旋转成分矩阵成分矩阵是未旋转前的因子矩阵，从该表中并无法清楚地看出每个变量终究应归属于哪个因子。旋转后的因子矩阵，从该表中可清楚地看出每个变量终究应归属于哪个因子。此表显示旋转后原始的所有变量与再生的2个公因子之间的相关程度。一般的，因子负荷量的绝对值0.4以上，认为是显然的变量，高出0.5时能够说是特别重要的变量。如味道与饭量关于因子1的负荷量高，所以聚成因子1，称为饮食因子；等待时间、卫生、平和关于因子2的负荷量高，所以聚成因子2，又能够称为服务因子。（5）因子得分系数矩阵元件评分系数矩阵元件12卫生-.010.447饭量.425-.036等待时间-.038.424标准文档合用文案味

8、道.480.059平和-.316-.371撷取方法：主体元件解析。转轴方法：拥有Kaiser正规化的最大变异法。元件评分。因子得分系数矩阵给出了因子与各变量的线性组合系数。因子1的分数=-0.010*X1+0.425*X2-0.038*X3+0.408*X4-0.316*X5因子2的分数=0.447*X1-0.036*X2+0.424*X3+0.059*X4-0.371*X5（6）因子变换矩阵元件变换矩阵元件121.723-.6912.691.723撷取方法：主体元件解析。转轴方法：拥有Kaiser正规化的最大变异法。因子变换矩阵是主成分形式的系数。（7）因子得分协方差矩阵元件评分共变异数矩阵

9、元件1211.000.0002.0001.000撷取方法：主体元件解析。转轴方法：拥有Kaiser正规化的最大变异法。元件评分。看各因子间的相关系数，若很小，则因子间基本是两两独立的，说明这样的分类是较合理的。主成分解析【解析】【降维】【因子解析】标准文档合用文案1）设计解析的统计量【相关性矩阵】中的“系数”：会显示相关系数矩阵；【KMO和Bartlett的球形度检验】：检验原始变量可否适合作主成分解析。【方法】里采用“主成分”。标准文档合用文案【旋转】：采用第一个选项“无”。【得分】：“保存为变量”【方法】：“回归”；再选中“显示因子得分系数矩阵”。标准文档合用文案结果解析（1）相关系数矩阵

10、相关性矩阵食品衣着燃料住所交通和通讯娱乐教育文化相关食品1.000.692.319.760.738.556衣着.6921.000-.081.663.902.389燃料.319-.0811.000-.089-.061.267住所.760.663-.0891.000.831.387交通和通讯.738.902-.061.8311.000.326娱乐教育文化.556.389.267.387.3261.000两两之间的相关系数大小的方阵。经过相关系数能够看到各个变量之间的相关，进而认识各个变量之间的关系。由表中可知好多变量之间直接的相关性比较强，证明他们存在信息上的重叠。（2）KMO及Bartletts

11、检验KMO与Bartlett检定Kaiser-Meyer-Olkin测量取样适合性。.602Bartlett的球形检大体卡方62.216定df15显然性.000依照Kaiser的见解，当KMO0.9（很棒）、KMO0.8（很好）、KMO0.7（中等）、KMO0.6（一般）、KMO0.5（粗劣）、KMO0.5（不能够接受）。3）公因子方差Communalities初步擷取食品1.000.878衣着1.000.825标准文档合用文案燃料1.000.841住所1.000.810交通和通讯1.000.919娱乐教育文化1.000.584擷取方法：主體元件解析。Communalities（称共同度）表示

12、公因子对各个变量能说明的程度，每个变量的初始公因子方差都为1，共同度越大，公因子对该变量说明的程度越大，也就是该变量对公因子的依赖程度越大。共同度低说明在因子中的重要度低。一般的基准是0.4就可以认为是比较低，这时变量在解析中去掉比较好。（4）讲解的总方差：说明的变异数总计初步特色值撷取平方和载入元件总计变异的%累加%总计变异的%累加%13.56859.47459.4743.56859.47459.47421.28821.46680.9391.28821.46680.9393.60010.00190.9414.3585.97596.9165.1422.37299.2886.043.712100

13、.000撷取方法：主体元件解析。因子1的贡献率为49.0%，因子2的贡献率为31.899%，这两个因子贡献率累积达80.9%，即这两个因子可讲解原有变量80.9%的信息，所以因子取二维比较显然。（5）成分矩阵（因子载荷矩阵）元件矩阵a元件12食品.902.255衣着.880-.224燃料.093.912住所.878-.195交通和通讯.925-.252娱乐教育文化.588.488撷取方法：主体元件解析。a.撷取2个元件。该矩阵其实不是主成分1和主成分2的系数。主成分系数的求法：各自主成分载荷向量除以主成分方差的算数平方根。则第1主成分的各个系数是向量（0.925，0.902，0.880，0.878，0.588，0.093）除以3.568后才获取的，即（0.490，0.478，0.466，0.465，0.311，0.049）才是主成分1的特色向量。第1主成分的函数表达式：Y1=0.490*Z交+0.478*Z食+0.466*Z衣+0.465*Z住+0.311*Z娱