SPSS因子分析实验报告.docxVIP

实验十一（因子分析）报告 一、数据来源 各地区年平均收入.sav 二、基本结果 （1）考察原有变量是否适合进行因子分析 首先考察原有变量之间是否存在线性关系，是否采用因子分析提取因子。 借助变量的相关系数矩阵、反映像相关矩阵、巴特利球度检验和KMO检验方法 进行分析，结果如表1、表2所示： 表1原有变量相关系数矩阵 correlation matrix 表1显示原有变量的相关系数矩阵，可以看出大部分的相关系数都比较 高，各变量呈较强的线性关系，能够从中提取公共因子，适合进行因子分析。 表2 KMO and Bartletts Test 由表2可知，巴特利特球度检验统计量观测值为182.913，p值接近0，显 著性差异，可以认为相关系数矩阵与单位阵有显著差异，同时KMO值为 0.882，根据Kaiser给出的KMO度量标准可知原有变量适合进行因子分析。 （2）提取因子 进行尝试性分析：根据原有变量的相关系数矩阵，采用主成分分析法提取 因子并选取大于1的特征值。具体结果见表3：可知，initial一列是因子分析 初始解下的共同度，表明如果对原有7个变量采用主成分分析法提取所有特征 值，那么原有变量的所有方差都可以被解释，变量的共同度均为1。事实上， 因子个数小于原有变量的个数才是因子分析的目的，所以不可以提取全部特征 值。第二列表明港澳台经济单位、集体经济单位以及外商投资经济单位等变量 的绝大部分信息（大于83%）可被因子解释。但联营经济、其他经济丢失较为 严重。因此，本次因子提取的总体效果不理想。 表3因子分析中的变量共同度（一） 重新制定提取特征值的标准，指定提取2个因子，分析表4：可以看出， 此时所有变量的共同度均较高，各个变量的信息丢失较少。因此，本次因子提 取的总体效果比较理想。 表4因子分析的变量共同度（二） 表5中，第一列是因子编号，以后三列组成一组，每组中数据项为特征 值、方差贡献率、累计方差贡献率。第一组数据项（2-4列）描述因子分析初 始解的情况。在初始解中由于提取了7个因子，因此原有变量的总方差均被解 释，累计方差贡献率为100%。 第二组（5-7列）描述了因子解的情况。由于指定提取2个因子，2个因子 共解释原有变量宗法差的84%，总体上丢失原有信息量较少，因子分析效果理 想。 第三组（8-10列）描述了最终因子解的情况。因子旋转后，总的累计方差 贡献率没有发生改变，也就是没有影响原有变量的共同度，但却重新分配了各 个因子的解释原有变量的方差，改变了各因子方差贡献，使得因子更易被解 释。 表5因子解释原有变量总方差的情况 图1中，横坐标为因子数目，纵坐标为特征值。可以看出，第1个因子特 征值很高，对解释原有变量的贡献最大，第3个以后的因子特征值都较小，对 解释原有变量的贡献很小。因此提取两个因子是合适的。