《主成分、因子解析总结报告步骤.docx》由会员分享，可在线阅读，更多相关《主成分、因子解析总结报告步骤.docx（13页珍藏版）》请在金锄头文库上搜索。
1、主成分、因子解析总结报告步骤适用文案主成分剖析、因子剖析步骤不一样点主成分剖析看法拥有有关关系的p个变量，经过线性组合后成为k个不有关的新变量因子剖析将原数据中多个可能有关的变量综合成少量几个不有关的可反应原始变量的绝大多半信息的综合变量主要减少变量个数，以较少的主成分搜寻变量间的内部有关性及潜伏的共同要素，目标来解说原有变量间的大多半变合适做数据构造检测异，合适于数据简化重申重申的是解说数据变异的能力，重申的是变量之间的有关性，以协方差为导向，要点以方差为导向，使方差达到最大关怀每个变量与其余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应变量间潜伏或察看不到的要素果应用变异解它将全
2、部的变量的变异都考虑只考虑每一题与其余题目共共享有的变异，因释程度在内，因此没有偏差项而有偏差项，叫独到要素能否需主成分剖析作综合指标用，因子剖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能否有不过对数据作变换，故不需要假因子剖析对资料要求需切合很多假定，假如假假定设设条件不符，则因子剖析的结果将遇到怀疑因子剖析【剖析】【降维】【因子剖析】（1）描绘性统计量（Descriptives）对话框设置KMO和Bartlett的球形度查验（查验多变量正态性和原始变量能否合适作因子剖析）。标准文档适用文案2）因子抽取（Extraction）对话框设置方法：默认主成分法。主成分剖析必定要选主成分法
3、剖析：主成分剖析：有关性矩阵。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”。标准文档适用文案（4）因子得分（Scores）对话框设置“保留为变量”，则可将新成立的因子得分储藏至数据文件中，并产生新的变量名称。（5）选项（Options）对话框设置结果剖析（1）KMO及Bartletts查验KMO和Bartlett的查验取样足够度的Kaiser-Meyer-Olkin胸怀。.515Bartlett的球形度查验近似卡方3.784df6Sig.706当KMO值愈大时，表示变量
4、间的共同因子愈多，愈合适作因子剖析。依据Kaiser的观标准文档适用文案点，当KMO0.9（很棒）、KMO0.8（很好）、KMO0.7（中等）、KMO0.6（一般）、KMO0.5（粗劣）、KMO0.5（不可以接受）。（2）公因子方差公因子方差开端撷取卫生1.000.855饭量1.000.846等候时间1.000.819滋味1.000.919和蔼1.000.608撷取方法：主体元件剖析。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靠程度越大。共同度低说明在因子中的重要度低
5、。一般的基准是0.4就能够以为是比较低，这时变量在剖析中去掉比较好。（3）解说的总方差说明的变异数总计各因子的特点值因子贡献率因子积累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：主体元件剖析。第二列：各因子的统计值第三列：各因子特点值与全体特点值总和之比的百分比
6、。也称因子贡献率。第四列：积累百分比也称因子积累贡献率第二列统计的值是各因子的特点值，即各因子能解说的方差，一般的，特点值在1以上就是重要的因子；第三列%是各因子的特点值与全部因子的特点值总和的比，也称因子贡献率；第四列是因子累计贡献率。如因子1的特点值为2.451，因子2的特点值为1.595，因子3,4,5的特点值在1以下。因子1的贡献率为49.0%，因子2的贡献率为31.899%，这两个因子贡献率积累达80.9%，即这两个因子可解说原有变量80.9%的信息，因此因子取二维比较明显。标准文档适用文案至此已经将5个问项降维到两个因子，在数据文件中能够看到增添了2个变量，fac1_1、fac2_
7、1，即为因子得分。（4）成分矩阵与旋转成分矩阵成分矩阵是未旋转前的因子矩阵，从该表中并没法清楚地看出每个变量究竟应归属于哪个因子。旋转后的因子矩阵，从该表中可清楚地看出每个变量究竟应归属于哪个因子。此表显示旋转后原始的全部变量与重生的2个公因子之间的有关程度。一般的，因子负荷量的绝对值0.4以上，以为是明显的变量，超出0.5时能够说是特别重要的变量。如滋味与饭量对于因子1的负荷量高，因此聚成因子1，称为饮食因子；等候时间、卫生、和蔼对于因子2的负荷量高，因此聚成因子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等候时间-.03
8、8.424标准文档适用文案滋味.480.059和蔼-.316-.371撷取方法：主体元件剖析。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：主体元件剖析。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
9、方差矩阵元件评分共变异数矩阵元件1211.000.0002.0001.0001 撷取方法：主体元件剖析。转轴方法：拥有Kaiser正规化的最大变异法。元件评分。看各因子间的有关系数，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。主成分剖析【剖析】【降维】【因子剖析】标准文档适用文案1）设计剖析的统计量【有关性矩阵】中的“系数”：会显示有关系数矩阵；【KMO和Bartlett的球形度查验】：查验原始变量能否合适作主成分剖析。【方法】里选用“主成分”。标准文档适用文案【旋转】：选用第一个选项“无”。【得分】：“保留为变量”【方法】：“回归”；再选中“显示因子得分系数矩阵”。标准文档适
10、用文案结果剖析（1）有关系数矩阵有关性矩阵食品穿着燃料住宅交通和通信娱乐教育文化有关食品1.000.692.319.760.738.556穿着.6921.000-.081.663.902.389燃料.319-.0811.000-.089-.061.267住宅.760.663-.0891.000.831.387交通和通信.738.902-.061.8311.000.326娱乐教育文化.556.389.267.387.3261.000两两之间的有关系数大小的方阵。经过有关系数能够看到各个变量之间的有关，从而认识各个变量之间的关系。由表中可知很多变量之间直接的有关性比较强，证明他们存在信息上的重叠。
11、（2）KMO及Bartletts查验KMO与Bartlett检定Kaiser-Meyer-Olkin丈量取样合适性。.602Bartlett的球形检大概卡方62.216定df15明显性.000依据Kaiser的看法，当KMO0.9（很棒）、KMO0.8（很好）、KMO0.7（中等）、KMO0.6（一般）、KMO0.5（粗劣）、KMO0.5（不可以接受）。3）公因子方差Communalities开端擷取食品1.000.878穿着1.000.825标准文档适用文案燃料1.000.841住宅1.000.810交通和通信1.000.919娱乐教育文化1.000.584擷取方法：主體元件剖析。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靠程度越大。共同度低说明在因子中的重要度低。一般的基准是0.4就能够以为是比较低，这时变量在剖析中去掉比较好。（4）解说的总方差：
