SPSS中因子分析，正交旋转后的因子载荷，出现怎么样的小数才是正常的？我的有些出现负值和0.12或者0.35网友说:额。。。楼主手边有spss操作参考书吗？如果操作步骤是按照书上做的同时也符合你的分析要求的话应该不会出问题吧~~我的spss只是半吊子不能完美解释介个问题哦。。。见谅。。。
找了一些旋转结果的分析看出现负值好像没什么问题，进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。你看看你的旋转后结果里面有没有出现散点图，“Loading plot(s)”显示因素载荷散点图“Component Plot in Rotated Space”。该图形是一个双因素或三因素关于各个变量的载荷散点图。每个变量在图形中为一个数据点，这些数据点最好能够分布在某一个坐标轴的远端，即载荷越接近1或-1越好，而对于另一个坐标轴则越接近0越好，即载荷越接近0...SPSS中如何进行正交旋转因子负载分析，得出正交旋转因子负载矩阵，谢谢网友说:　单击对话框中的“Rotation…”按钮，弹出“Factor Analyze:Rotation”（因素分析：旋转）对话框，
在“Method”（方法）选项方框内六种因素转轴方法：
　　A “None”：不需要转轴
　　B “Varimax”：最大变异法，属正交转轴法之一。
　　C “Quartimax”：四次方最大值法，属正交转轴法之一。
　　D “Equamax”：相等最大值法，属正交转轴法之一。
　　E “Direct Oblimin”：直接斜交转轴法，属斜交转轴法之一。
　　F “Promax”：Promax转轴法，属斜交转轴法之一。spss19是在因子分析里面的旋转成分矩阵中看因子载荷量吗?。网友说:你肯定是选择了正交或斜交旋转才会产生“旋转成分矩阵”，你可以用主成分分析法来做一下就会发现没有“旋转成分矩阵”了，所以两者是没有关系的，因为“成分矩阵”是主成分分析法得到的，“旋转成分矩阵”是因子分析得到的，(主成分分析和因子分析的关系应该知道吧，理解一下就ok了)。
因子载荷的意思是左边的和因子的相关系数。因子载荷在“成分矩阵”里分别是0.778、0.453、0.553、0.785，这是左边的那些TB对上面的因子的载荷--因此可以说是因子1=0.778*TB3+0.453*TB4+0.553*TB1+0.785*TB2，(我这么说我像你应该能理解因子2的公式了吧)。 因子载荷在旋转成分矩阵里也是一样的这种纵向的公式。怎么用spss做因子载荷矩阵分析?网友说:analysis-data reduction-factor-extraction下自己选择分析方法因子载荷矩阵怎么得出?要求用SPSS的具体步骤讲解下，谢谢!网友说:1，打开SPSS数据 2，选择 &分析(a)& 3,选择“降维 (Date Reduction)”--因子分析(factor)4，将需要因子分析的变量拖入变量框。 5，在抽取 菜单中 “因子固定个数” (N) 设为 1 5，点击 继续 确定 6， 你将得到公因子方差表 和 因素负荷量 表SPSS13.0 因子分析后，如何看因子载荷量和特征值，应该看哪个图，还有分散的数值怎么看？谢谢网友说:不会做的话让人帮你
spss在factor里面去做因子分析
专业数据统计分析，看我的名字吧spss经过主成分分析后，得出3个因子，怎么利用这几个因子进行后续的回归分析。网友说:1.spss直接帮你把几个因子都已经算出来了，就是FAC1-1列就是因子F1，同理可以得知F2，F3....不用算的，如果问F1怎么来的，就说是F1=0.701X1-0.549X2+0.736X3+0.216X4+0.112X5-0.318X6.
2.如果你进行主成分分析之后又要进行回归分析，应该是用提取出来的主因子作为自变量进行计算的，回归的话是只能有一个自变量，一个因变量才算回归的呢，如果不是的话，建议你使用多项式分析。用SPSS做因子分析，要提取出四个因子，但只有3个因子特征值大于1，如何修改数据，使第四个因子特征值大于1网友说:这个和因子分析所选的每个变量有关系，变量之间要有一定的相关性，同时也可以加大样本量。另外，不是只能提前特征值大于1的，如果前4个成分的累计贡献率很客观，那也可以认为提前四个。请问用SPSS因子分析如何求权重？还有spss因子分析中如何算因子解释了多少变异量？谢谢~网友说:求各主成分的权重：
权重就是用提取出来的主成分的特征根值去除以 这几个主成分特征根值 之和 就得出对应每个主成分的权重了。各个主成分的特征值可以查看解释的总方差表。
因子解释变异量：
因子解释的变异量=该因子特征值 / 因子总数。如因子特征值为1.56，共有20个因子，该因子解释的变异量为7.8%
因子解释的变异量可以直接在解释的总方差表中看到。如何 spss 因子分析 求权重网友说:在用spss进行主成分分析的时候，默认对原始变量进行标准化，首先在spss中输入需要分析的变量，再是Analyze→Data Reduction→Factor 进入之后，先点击 Descriptives ,在Correlation复选框下选中C点击Extraction，在Display复选框里选中同时点击Scores，选中Display factor scor点Rotation ，在Method复选框下选中Varimax(方差最大化法旋转)，点击ok就可以得出你主成分分析的结果(包括累计贡献率等)，spss中不可以直接求出因子的权重，要用到权重计算公式(这个我忘记了)，自己手算一下，百度一下可以找到计算公式。
你可能也喜欢这些查看: 2856|回复: 5
因子分析，得分均值为0 出现缺失值
主题帖子积分
马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
才可以下载或查看，没有帐号？
今天分析一个量表的时候，出现了3个问题，在学习的时候 没有人讲过。最后问了&&@spss版主 得出了解决方法问题1：得到的主因子的得分平均值全部为0
问题2：因子得分 很多缺失值
问题3：怎么计算综合得分因子
12.png (7.98 KB, 下载次数: 6)
19:09 上传
33.png (8.74 KB, 下载次数: 4)
19:09 上传
问题原因：
1.在原始因子当中，缺失值过多问卷中用“0”表示缺失值，通过Excel ，把大于2个缺失值的记录给剔除掉。最后得到700个有效样本量。
=COUNTIF(F2:AO2,0)复制代码
2.最后平均值计算得到的是0，原因就是 spss在自动计算的时候，做了标准化，保证不同量级的数据可以做，主成分分析的平均值，最后的结果当然是0了。
3.计算的方法还是通过：权重来加权：综合得分在spss中不能自动计算的，加权建议通过Excel 计算，会比spss 快捷。
首先，factor会分析一个component transform matrix，然后把这个表的数据输入到spss里面，分别命名变量a1 a2; 点击transform里面点击compute variable按钮，在对话框中输入等式：t1=a1/a1对应的特征值，点击ok即可得出以t1为变量名的第一特征向量，同样得出t2。
这样就可以得出一个以t1&&t2的特征向量矩阵；这样主成分Y1=t1*x1+t2*x2,x1 x2为经过标准化的标准变量。
QQ截图22.png (64.75 KB, 下载次数: 6)
19:15 上传
5.最后 因子得分是什么意思？
通过旋转矩阵，我给因子1 取名 团队合作能力，因子2 就是 抗压能力，因子3 。。。。。
这里得到0表示这个人的水平和平均值一样，如果大于0，表示大于平均水平，那么他的能力也就越强！
注意这里的因子得分，是通过标准化的，就是上面看到的均值为0，标准差为1的分布。
QQ截图55.png (74.39 KB, 下载次数: 6)
19:17 上传
DMER 站长&&原创 转载说明出处
主题帖子积分
楼上的正解。缺失值太多，宁愿缺着，也不要用0填补。缺失值和0是不一样的，太多0，是无法计算相关系数矩阵的，所以会导致因子分析甚至出错。
如果您在数据分析过程中遇到任何问题，请加QQ，技术支持：/
主题帖子积分
楼上的正解。缺失值太多，宁愿缺着，也不要用0填补。缺失值和0是不一样的，太多0，是无法计算相关系数矩阵的，所以会导致因子分析甚至出错。
如果您在数据分析过程中遇到任何问题，请加QQ，技术支持：/
主题帖子积分
楼上的正解。缺失值太多，宁愿缺着，也不要用0填补。缺失值和0是不一样的，太多0，是无法计算相关系数矩阵的，所以会导致因子分析甚至出错。
如果您在数据分析过程中遇到任何问题，请加QQ，技术支持：/
主题帖子积分
楼上的正解。缺失值太多，宁愿缺着，也不要用0填补。缺失值和0是不一样的，太多0，是无法计算相关系数矩阵的，所以会导致因子分析甚至出错。
如果您在数据分析过程中遇到任何问题，请加QQ，技术支持：/
主题帖子积分
楼上的正解。缺失值太多，宁愿缺着，也不要用0填补。缺失值和0是不一样的，太多0，是无法计算相关系数矩阵的，所以会导致因子分析甚至出错。
如果您在数据分析过程中遇到任何问题，请加QQ，技术支持：/
活跃且尽责职守的版主
为论坛做出突出贡献的会员
Powered by您现在的位置： >> spss因子分析讨论题 >> spss因子分析实验报告
spss因子分析实验报告
来源： 时间：
【spss因子分析实验报告】一、实验目的及要求：1、目的 用 SPSS 软件实现主成分分析、因子分析及其应用。2、内容及要求 用 SPSS 对 2009 年我国 88 个房地产上市做因子分析， 并做出相关解释。二、仪器用具仪器名称计算机 SPSS 软件规格/型号数量1 1备注有网络环境三、实验方法与步骤:准备工作：把实验所用数据从 Word 文档复制到 Excel，并进一步导入到 SPSS 数据文件中，以备后续分析。四、实验结果与数据处理：在因子分析的 SPSS 操作中所用到的部分选项的设置如下面四个图所示， 其余为 软件默认的选项，因此不再列示，具体的分析如这些表之后所示。图 1一图二图三图四分析结果：表1 取样足够度的 Kaiser-Meyer-Olkin 度量。Bartlett 的球形度检验 近似卡方 df Sig. KMO 和 Bartlett 的检验 .637 398.287 45 .000由表 1 可知，巴特利特球度检验统计量的观测值为 398.287，相应的概率 p 值 接近 0，小于显著性水平 ? (取 0.05)，所以应拒绝原假设，认为相关系数矩阵与单 位矩阵有显著差异。同时， KMO 值为 0.637， 根据 Kaiser 给出的 KMO 度量标准(0.9 以上表示非常适合；0.8 表示适合；0.7 表示一般；0.6 表示不太适合；0.5 以下表 示极不适合)可知原有变量不算特别适合进行因子分析。表2 公因子方差 初始 市盈率 净资产收益率 总资产报酬率 毛利率 资产现金率 应收应付比 营业利润占比 流通市值 总市值 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 提取 .706 .609 .822 .280 .731 .561 .782 .957 .9282成交量（手） 提取方法：主成份分析。1.000.858表 2 为公因子方差，即因子分析的初始解，显示了所有变量的共同度数据。第 一列是因子分析初始解下的变量共同度，它表明，对原有 10 个变量如果采用主成 分分析方法提取所有特征根(10 个)，那么原有变量的所有方差都可被解释，变量的 共同度均为 1(原有变量标准化后的方差为 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标， 所以不可提取全部特征根； 第二列是在按指定提取条件(这 里为特征根大于 1)提取特征根时的共同度。可以看到，总资产报酬率、成交量、流 通市值、总市值的绝大部分信息可被因子解释，这些变量的信息丢失较少。但毛利 率这一变量的信息丢失相当严重(近 70%)，净资产收益率、应收应付比率两个变量 的信息丢失较为严重(近 40%)。因此本次因子提取的总体效果并不理想。表 3 展示了特征根及累积贡献率情况，按照特征根大于 1 的原则，选入了 4 个 公共因子，其累积方差贡献率为 72.343%，同时也可以看出，因子旋转后，累计方 差比并没有改变，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解 释原有变量的方差，改变了各因子的方差贡献，使各因子更易于解释。图五为因子 的碎石图，需要说明的是这里累积方差贡献率并不高，远没有达到 85%，但是根据碎石图我们可以看出在这里选四个因子还是比较合适的。表3 成份 合计 1 2 3 4 5 6 7 2.909 1.907 1.251 1.168 .972 .730 .520 初始特征值 方差的 % 29.092 19.069 12.506 11.676 9.718 7.299 5.201 累积 % 29.092 48.162 60.667 72.343 82.061 89.359 94.560 合计 2.909 1.907 1.251 1.168 解释的总方差 提取平方和载入 方差的 % 29.092 19.069 12.506 11.676 累积 % 29.092 48.162 60.667 72.343 合计 2.727 1.904 1.354 1.249 旋转平方和载入 方差的 % 27.269 19.043 13.541 12.491 累积 % 27.269 46.311 59.852 72. 10.305 .192 ..925 ..535 100.000提取方法：主成份分析。图五表 4 成份矩阵也即是因子载荷矩阵，根据该表可以写出因子分析模型：流 通 市 值 = 0 .9 3 4 f 1 ? 0 .2 5 3 f 2 ? 0 .1 2 5 f 3 ? 0 .0 6 7 f 4 总 市 值 = 0 .9 2 6 f 1 ? 0 .2 5 7 f 2 ? 0 .0 6 4 f 3 ? 0 .0 1 3 f 4 成 交 量 ( 手 )= 0 .8 4 9 f 1 ? 0 .3 5 7 f 2 ? 0 .0 6 5 f 3 ? 0 .0 8 2 f 4 总 资 产 报 酬 率 = 0 .3 2 2 f 1 ? 0 .7 9 1 f 2 ? 0 .2 9 5 f 3 ? 0 .0 7 3 f 4 净 资 产 收 益 率 = 0 .2 6 9 f 1 ? 0 .6 6 9 f 2 ? 0 .1 2 5 f 3 ? 0 .2 7 1 f 4 市 盈 率 = ? 0 .3 3 3 f 1 ? 0 .5 8 2 f 2 ? 0 .4 1 8 f 3 ? 0 .2 8 6 f 44毛 利 率 = 0 .2 0 2 f 1 ? 0 .4 1 8 f 2 ? 0 .2 2 2 f 3 ? 0 .1 2 2 f 4 营 业 利 润 占 比 = 0 .1 9 8 f 1 ? 0 .1 5 5 f 2 ? 0 .7 7 6 f 3 ? 0 .3 4 1 f 4 应 收 应 付 比 = ? 0 .2 3 1 f 1 ? 0 .1 9 0 f 2 ? 0 .0 1 9 f 3 ? 0 .6 8 7 f 4 资 产 现 金 率 = 0 .1 9 5 f 1 ? 0 .0 5 2 f 2 ? 0 .5 4 4 f 3 ? 0 .6 2 7 f 4表4 成份矩阵a成份 1 流通市值 总市值 成交量（手） 总资产报酬率 净资产收益率 市盈率 毛利率 营业利润占比 应收应付比 资产现金率 提取方法 :主成份。a. 已提取了 4 个成份。.934 .926 .849 .322 .269 -.333 .202 .198 -.231 .195 2 -.253 -.257 -.357 .791 .669 -.582 .418 .155 -.190 -.052 3 .125 .064 .065 .295 .125 .418 .222 -.776 .019 -.544 4 .067 .013 .082 .073 -.271 -.286 .122 .341 .687 -.627采用最大方差法对成份矩阵(因子载荷矩阵)实施正交旋转以使因子具有命名解释性。指定按第一因子载荷降序的顺序输出旋转后的因子载荷矩阵如表 5 所示：表5 旋转成份矩阵a成份 1 流通市值 总市值 成交量（手） 总资产报酬率 净资产收益率 毛利率 营业利润占比 市盈率 资产现金率 应收应付比 .971 .952 .925 .043 -.013 .069 .055 -.060 .070 -.075 2 .110 .079 -.029 .903 .707 .513 -.090 -.458 -.208 -.212 3 .032 .058 .041 .070 .029 .021 .878 -.701 .229 .162 4 .042 .111 .022 -.021 .328 -.104 .020 -.017 .794 -.6965提取方法 :主成份。旋转法 :具有 Kaiser 标准化的正交旋转法。a. 旋转在 5 次迭代后收敛。可以看出流通市值、总市值、成交量在第一因子上有较高的载荷，第一因子主 要解释了这几个变量，可解释为公司市场价值；总资产报酬率、净资产收益率、毛 利率在第二因子上有较高的载荷，第二因子主要解释了这几个变量，可解释为公司 运营效益；营业利润占比、市盈率在第三因子上有较高的载荷，第三因子主要解释 了这几个变量，可解释为公司获利能力；资产现金率、应收应付比在第四因子上有 较高的载荷，第四因子主要解释了这几个变量，可解释为公司获现能力。表6 成份 1 2 3 4 提取方法 :主成份。旋转法 :具有 Kaiser 标准化的正交旋转法。构成得分。1 1.000 .000 .000 .000 成份得分协方差矩阵 2 .000 1.000 .000 .000 3 .000 .000 1.000 .000 4 .000 .000 .000 1.000表 6 显示了四个因子的协方差矩阵， 可以看出， 四个因子之间没有线性相关性， 实现了因子分析的目标。采用回归法估计因子得分系数，并输出因子得分系数矩阵（成份得分系数矩 阵） ，如表 7 所示。表7 成份得分系数矩阵 成份 1 市盈率 净资产收益率 总资产报酬率 毛利率 资产现金率 应收应付比 营业利润占比 流通市值 总市值 .030 -.055 -.018 .014 -.034 .021 -.021 .361 .349 2 -.181 .367 .487 .282 -.181 -.091 -.136 .020 -.002 3 -.492 -.060 -.034 -.032 .156 .181 .680 -.036 -.015 4 .048 .233 -.073 -.120 .652 -.566 -.024 -.042 .0176成交量（手） 提取方法 :主成份。旋转法 :具有 Kaiser 标准化的正交旋转法。构成得分。.350-.054-.012-.048由表 7 得到四个因子f 1、 f 2、 f 3、 f 4 的线性组合如下所示（注：以下市盈率、净资产收益率、总资产报酬率、毛利率、资产现金率、应收应付比、营业利润占比、 流通市值、总市值、成交量(手)依次用x1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 , x 8 , x 9 , x1 0代替）f 1 = 0 .0 3 0 x 1 - 0 .0 5 5 x 2 - 0 .0 1 8 x 3 + 0 .0 1 4 x 4 - 0 . 3 4 x 5 ? 0 .0 2 1 x 6 0 - 0 .0 2 1 x 7 + 0 .3 6 1 x 8 + 0 .3 4 9 x 9 + 0 .3 5 0 x 1 0 f 2 = - 0 .1 8 1 x 1 + 0 .3 6 7 x 2 + 0 .4 8 7 x 3 + 0 .2 8 2 x 4 - 0 . 8 1 x 5 ? 0 .0 9 1 x 6 1 - 0 .1 3 6 x 7 + 0 .0 2 0 x 8 - 0 .0 0 2 x 9 - 0 .0 5 4 x 1 0 f 3 = - 0 .4 9 2 x 1 - 0 .0 6 0 x 2 - 0 .0 3 4 x 3 - 0 .0 3 2 x 4 + 0 . 1 5 6 x 5 ? 0 .1 8 1 x 6 + 0 .6 8 0 x 7 - 0 .0 3 6 x 8 - 0 .0 1 5 x 9 - 0 .0 1 2 x 1 0 f 4 = 0 .0 4 8 x 1 + 0 .2 3 3 x 2 - 0 .0 7 3 x 3 - 0 .1 2 0 x 4 + 0 .6 5 2 x 5 ? 0 .5 6 6 x 6 - 0 .0 2 4 x 7 - 0 .0 4 2 x 8 + 0 .0 1 7 x 9 - 0 .0 4 8 x 1 0按以上四个线性组合计算因子得分，以各因子的方差贡献率占四个因子总方差 贡献率的比重作为权重进行加权汇总，得到各企业的综合得分，即f=(f 1 *27.269+ f 2*19.043+f 3 *13.541+ f 4*12.491)/72.343下表显示了各个因子得分及综合得分中排在前十位的房地产上市公司：公司 万科 A 保利地 产 金地集 团 金融街 陆家嘴 招商地 产 张江高 f17.39806公司 陆家嘴 *ST 华 控 绿景地 产 万方地 产 *ST 珠 江 中天城 投 阳光股f2 2.22 2.47 1.97 1.2 2.37 1.65 0.61729公司 成城股 份 亿城股 份 海泰发 展 丰华股 份 园城股 份 首开股 份 渝开发7f3 1.99 1.17 0.12 0.91964公司 首开股 份 园城股 份 香江控 股 ST 鲁置 业 万方地 产 云南城 投 中国宝f4 3.34 1.71 1.51 1.03083公司 万科 A 保利地 产 陆家嘴 *ST 华 控 金融街 金地集 团 苏宁环f 2.14 1.12 0.8 0.63885科 泛海建 设 新湖中 宝 北辰实 业0.88 0.34736份 卧龙地 产 正和股 份 苏宁环 球安 1.12 1.63216 云南城 投 中国高 科 中国武 夷 0.91 0.58839 深长城 苏宁环 球 新湖中 宝 1.88 0.82418球 首开股 份 阳光股 份 招商地 产0.31 0.42119由该表我们可以看到就公司市场价值而言， 最高的是万科 A， 其次是保利地产、 然后是金地集团等，在公司运营效益上相对比较好的是陆家嘴和*ST 华控，而在公 司获利能力和获现能力上，相对较好的是成城股份及亿城股份、首开股份及园城股 份。就综合得分而言，排名最靠前的是万科 A、保利地产和陆家嘴。由此我们也可 以看出：对于房地产上市为公司而言，公司的市场价值对公司综合能力的影响是比 较显著的，其次是公司的运营效益和公司的获利能力，由于该行业不像一般的零售 业及其他产业那么注重现金流的问题，所以自然公司获现能力对公司综合能力的影 响也就不是很突出。这也为房地产上市公司提供了一个参考，在他们以后的运营过 程中，他们应该注重提高自己公司的市场价值和盈利能力，具体表现在流通市值、 总市值、成交量（手）以及总资产报酬率、净资产收益率、毛利率、营业利润率和 市盈率上。附：四个因子的矩阵图8从该图中我们不难发现几乎没有哪个公司是在这四个因子上都有很高的得分， 但是万科 A 在第一因子（公司市场价值）上的得分明显远高于其他各公司，这也是 为什么综合得分中它的得分最高，与上述分析吻合，其实这也为各房地产上市公司 指明了一条前进的道路，在资源有限的情况下，优先提升公司的市场价值，其次是 公司的运营效益和盈利能力。五、本次实验不足之处：觉得本次实验做得不够到位的地方在于因子命名，第二因子和第三因子似 乎都可以表示公司的盈利能力，但是各公司在这两个因子上的得分又有很大的差 异， 也尝试过提取三个因子， 看是否可以得到更便于解释的结论，但结果并不理想。另外，从碎石图中来看其实是提取三个因子更合适的，但是在这种情况下累积 方差贡献率又太小了，在 60%左右，考虑到这些情况，最终还是选择按照特征根大 于 1 的原则，提取了四个因子。9
【spss因子分析实验报告】青海大学财经学院 实 验 报 告实验项目名称 所属课程名称 实 验 类 型 实 验 日 期SPSS 因子分析 SPSS 验证型实验 班 学 姓 成级 号 名 绩【实验目的及要求】 实验目的及要求】掌握 SPSS 因子分析的具体操作。【实验原理】 实验原理】因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归 结为少数几个综合因子的一种多变量统计分析方法。它的基本是将观测变量进行分 类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较 低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就 是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测 的每一分量。（使用的软件 【实验环境】 使用的软件） 实验环境】 使用的软件） （spss 13.0 等实验内容实验内容实验方案设计】 【实验方案设计】选取某某全班同学（26 人）的七门主要成绩作为变量，利用 SPSS 的因子分析 方法找出对可观测变量起支配作用的潜在因子。（实验步骤 【实验过程】 实验步骤、记录、数据、分析） 实验过程】 实验步骤、记录、数据、分析） （在进行因子分析前，作 KMO and Bartlett's Test，Kaiser-Meyer-Olkin Measure of Sampling Adequacy 值为 0.729。适合进行因子分析。操作步骤 1. 按 Analyze→Data Reduction→Factor 顺序单击菜单项，打开因子分析主对话框。2. 选择 PoliticalEconomy 、 Calculus1 、 ComputerCulture、 Microeconomics 、 Algebra 、 Calculus2 和 VB 为分析变量送到右边的 Variables 栏中。3. 在主对话框中单击 Extraction 按钮，相应的对话框中1) 2) 3) 4) Method 菜单中选择 Principle components 项，使用主成分分析方法。Analyze 栏中选择 Correlation matrix 项，分析相关矩阵。Extract 栏中选择 Number of factors 2。Display 栏中选择 Unrotated factor solution，显示未旋转的因子结果。同样选择 Scree plot，要求作出特征值的散点图。5) Maximum iteration convagence 25，结束迭代的判据为到达最大迭代次数 25. 4. 主对话框中单击 Score 按钮。在相应的对话框中选择 Save as variables，并在 Method 栏中 选择 Rregression，要求通过回归方法计算因子得分并把因子得分作为变量保存到数据文件 中。5. 6. 单击 Descriptives 按钮，在对话框 Statistics 栏内选择 Initial solution 选项。在主对话框中单击 OK 按钮执行运算。（ 【结论】 结果） 结论】 结果）1. 2. 表一为公因子提取前后的公因子方差表。表二为各成分的公因子方差表。在选择提取公因子的数量时，选择了提取前 2 个公因子的 方法。前 2 个公因子可以解释总方差的近 76%，其余 5 个因子只占 24%，可以说 2 个因子 可以解释总方差的绝大部分。3. 图一是特征值碎石图。可以看出前 2 个特征值间的差异很大，其余的变化很小。从图中可 以看出，取前 2 个因子是正确的。4. 表三是提取的 2 个因子的因子载荷矩阵。行列交叉点上的数据是对应因子在变量上的载荷。它体现了交叉点对应的因子与对应变量的相关程度。可以看出，第一主成分与六个变量的 相关较高，这六个变量是 PoliticalEconomy 、Calculus1、Microeconomics 、Algebra 、 Calculus2 和 VB。而第二主成分则于 ComputerCulture 的相关更高些。PoliticalEconomy 、 可 Calculus1、Microeconomics 、Algebra 、Calculus2 和 VB 命名为理解能力因子， ComputerCulture 称为操作能力因子。5. 图二是当前数据文件。其中最右边的变量 FAC1-1 和 FAC2-1 是各观测量的因子得分变量。【小结】 小结】基本掌握本次课程任务，但是在操作过程和文字分析上还是有些生疏。指导评语及成绩指导教师评语及成绩评语评语：成绩成绩：指导教师签名指导教师签名：批阅日期批阅日期：附件一附件一：公因子方差 附件二附件二：总方差分解 附件三附件三：特征值散点图 附件四附件四：主成分分析的因子载荷阵 附件五 附件五：数据文件中的两个新变量――因子得分表一 公因子方差表Communalities Initial PoliticalEconomy Calculus1 ComputerCulture Microeconomics Algebra Calculus2 VB 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Extraction .812 .782 .727 .805 .622 .782 .783表三 主成分分析的因子载荷阵Component Matrix Component 1 PoliticalEconomy Calculus1 ComputerCulture Microeconomics Algebra Calculus2 VB .744 .700 .523 .884 .702 .815 .806 2 -.508 -.541 .674 .155 .360 -.344 .366Extraction MethodPrinciple Component Analysis.Extraction MethodPrinciple Component Analysis. a. 2 components extracted.表二 总方差分解Total variance Explained Initial Eigenvalues Component Total %of variance 1 2 3 4 5 6 7 3.903 1.410 .637 .385 .291 .243 .131 Comulative % Extraction Sums of Squared Loadings Total %of variance 55.761 20.150 Comulative % 55.761 75..150 9.098 5.496 4.158 3.466 1..903 75.911 1.410 85.009 90.505 94.662 98.129 100.000Extraction Method：Principle Component Analysis.图一 特征值散点图数据文件中的两个新变量―― ――因子得分 图二 数据文件中的两个新变量――因子得分
【spss因子分析实验报告】实验名称：通过因子分析寻找影响商业业绩的主要因素一、 实验目的因子分析是降维所采用的主要方法之一，基 于对原始变量的相关系数矩阵内部结构的 研究， 通过导出非观测综合变量去描述原始的多个变量之间的相关关系。影响商业银行业绩 的因素有很多， 如每股收益、 每股净资产、 每股营业收入等等。本次试验希望通过因子分析， 寻找影响商业银行业绩的主要因素。二、 实验方法、内容及步骤(一) 、实验方法：因子分析 (二) 、实验内容下表资料为在中国 A 股上市的 14 家商业银行的及股价数据，数据来源于 Wind 数 据库，对该资料进行分析。证券简称每股 收益 （元） 1.621 0.753 5 0.63 0.95 0.84 2.66 0.9 0.61 0.39 0.46浦发银行 华夏银行 民生银行 招商银行 南京银行 兴业银行 北京银行 交通银行 工商银行 建设银行每股 每股 净资 收入 产 （元） （元） 4.170 7.696 3 3.432 6.06 4 1.889 3.95 3 2.690 4.85 8 6.55 11.92 6.03 3.34 2.02 2.38 1.975 6.335 8 1.909 9 1.652 0.926 5 1.143 3净资产 收益率 24.110 7 13.043 8 17.058 2 21.166 8 13.231 3 24.455 9 15.791 4 19.462 4 20.139 6 20.903资产负 债率 95.804 1 96.423 9 93.767 9 95.513 3 91.864 3 95.526 3 92.956 95.031 2 94.239 94.191股价 （元） 20.601 4 11.520 4 7.292 15.278 7 16.117 32.260 6 15.437 1 7.1 5.5705收益增 利润增 长率（%） 长率（%） -26.684 8 7..566 4 6.7 3.4 18.04 20.4 -16.349 6 7.8 3. 15.2中国银行 中信银行 深发银行 宁波银行0.32 0.37 1.62 0.582.03 2.63 6.59 3.90.914 7 1.045 3 4.867 1 1.670 216.438 9 14.454 4 27.288 7 15.716 393.768 3 93.971 5 96.517 7 94.036 24.6 21.201 6 14.615 828 8.. 8. 9 14.8949(三) 、实验操作步骤1) 进入 SPSS Statistics,在 SPSS 的变量视图中，建立变量“名称”“每股收益”“每股 、 、 净资产”“每股营业收入”“净资产收益率”“资产负债率”“股价”“每股收益 、 、 、 、 、 增长率”“利润增长率” 、 ，表示各个衡量指标。2) 在 SPSS 的数据视图中，输入对应的数据。3)在菜单栏中依次选择“分析―降维―因子分析”命令，将“每股收益”“每股净资 、 产”“每股营业收入”“净资产收益率”“资产负债率”“股价”“每股收益增长 、 、 、 、 、 率”“利润增长率”变量选入变量列表中。、4)在描述中选择原始分析结果和 KMO 与 Bartlett 球形度检验复选框，单击继续，确 定后看到如下结果。KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。Bartlett 的球形度 检验 近似卡方 df Sig. .602 192.126 28 .000上图给出了 KMO 和 Bartlett 的检验结果，其中 KMO 值为 0.602，比较接近 1，表 示比较适合做因子分子；Sig 值为 0.000 小于显著水平，因此拒绝原假设表示变量之间 存在相关关系，适合做因子分析。公因子方差 初始 每股收益（元） 每股净资产（元） 每股营业收入（元） 净资产收益率（%） 资产负债率（%） 股价（元） 每股收益增长率（%） 利润增长率（%） 提取方法：主成份分析。上图给出了每个变量共同度的结果， 可以看出因子分析的变量共同度都非常高， 说 明因子分析的结果是有效的。1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 提取 .980 .948 .973 .652 .487 .928 .912 .925解释的总方差 初始特征值 成份 1 2 合计 4.948 1.858 方差的 % 61.844 23.224 累积 % 61.844 85.068 合计 4.948 1.858 提取平方和载入 方差的 % 61.844 23.224 累积 % 61.844 85.0683 4 5 6 7 8.745 .393 .046 .008 .003 ..907 .569 .100 .036 ..288 99.857 99.957 99.993 100.000提取方法：主成份分析。上图给出了因子贡献率的结果。“合计”指因子的特征值， “方差的%”表示该因子 的特征值占总特征值的百分比。可以看到前两个因子的特征值大于 1，并且前两个因子 的特征值之和占总特征值的 85.06%，因此提取前两个因子作为主因子。5) 在抽取中选择碎石图，单击继续、确定后看到如下结果。上图为给出了特征值的碎石图， 具有较强解释能力的因子在图中表现为较大的 斜率， 从该图可以看出前两个因子都处于非常陡峭的斜率上， 从第三个开始变平缓， 因此选择前两个因子作为主因子。6) 在旋转中选择最大方差法，单击继续、确定。旋转成份矩阵a成份 1 每股收益（元） 每股净资产（元） 每股营业收入（元） 净资产收益率（%） 资产负债率（%） 股价（元） 每股收益增长率（%） 利润增长率（%） 提取方法 :主成分分析法。旋转法 :具有 Kaiser 标准化的正交旋转 法。a. 旋转在 3 次迭代后收敛。上图给出了旋转后的因子载荷值，通过因子旋转，各个因子有比较明确的经 济含义。7) 单击得分，选择保存为变量和显示因子得分系数矩阵。.960 .973 .918 .481 .414 .950 .050 .080 2 .243 .032 .360 .648 .562 .158 .954 .959成份得分系数矩阵 成份 1 每股收益（元） 每股净资产（元） 每股营业收入（元） 净资产收益率（%） 资产负债率（%） 股价（元） 每股收益增长率（%） 利润增长率（%） .253 .289 .222 .046 .039 .263 -.132 -.123 2 -.041 -.136 .017 .210 .182 -.077 .410 .408提取方法 :主成分分析法。旋转法 :具有 Kaiser 标准化的正交旋转 法。构成得分。成份得分系数矩阵给出了因子得分得分的计算公式中的各个变量的 权重，运用公式计算出下图的因子得分。三、 实验结论通过因子分析可以看出， 第一个因子与 “每股收益” 、 “每股净资产” 、 “每股营业收入” 和“股价”指标相关性最强。第二个因子与“净资产收益率”“资产负债率”“每个收益 、 、 增长率”和“利润增长率”指标最为相关。报告人员:组长: 张丽霞 组员: 孙淑清
【spss因子分析实验报告】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）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 Bartlett's 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。图 1 因子的碎石图表 6 显示了因子载荷矩阵，是因子分析的核心内容。根据表 6 可以写出因 子分析模型港澳台经济单位=0.955f1-0.095f2 集体经济单位=0.923f1+0.057f2 外商投资经济单位=0.911f1-0.159f2 股份制经济单位=0.886f1+0.176f2 国有经济单位=0.872f1+0.086f2 联营经济单位=0.774f1+0.462f2 其他经济单位=0.770f1-0.527f2 由表 6 知，7 个变量在第 1 个因子上的载荷都很高，意味着它们与第 1 个 因子的相关度较高，第 1 个因子很重要。第 2 个因子与原有变量相关性较小， 它对原有变量解释力较弱。另外可看出，这两个因子实际意义较模糊。表 6 因子载荷矩阵（3）因子的命名解释 采用方差极大法对因子载荷矩阵实行正交旋转以使因子具有命名解释性。制定按第一因子载荷降序的顺序输出旋转后的因子载荷，并绘制旋转后的因子 载荷矩阵图。由表 7 可知，联营经济单位、股份制经济单位、集体经济单位与 国有经济单位在第一个因子里具有较高的载荷，可以解释为内部投资经济单 位；而剩下的在第 2 个因子里具有较高的载荷，可以将第 2 个因子解释为外部 投资经济单位。表 7 旋转后的因子载荷矩阵表 8 显示了两因子的协方差矩阵，可以看出两因子没有线性相关性，实现 了因子分析的设计目标。表 8 因子协方差矩阵由图 2 可以看出，联营经济单位（X3）、其他经济单位（X7）比较靠近两 个因子坐标轴，表明如果分别用第 1 个因子刻画联营经济单位。用第 2 个因子刻画其他经济单位，信息丢失较少，效果较好。但如果只用一个因子分别刻画 其他变量，则效果不太理想。图 2 旋转后的因子载荷图（4）计算因子得分 采用回归法估计因子得分系数，并输出因子得分系数。显示结果在下表：表 9 因子得分系数矩阵根据表中数据，可以写出以下因子分析得分函数：F1=0.223 国有+0.196 集体+0.656 联营+0.331 股份-0.062 外商+0.020 港澳 台-0.519 其他 F2=-0.002 国有+0.042 集体-0.504 联营-0.117 股份+0.322 外商+0.244 港 澳台+0.784 其他 由此可见，计算两个因子得分变量的变量值，联营经济单位和其他经济单 位的权重较高，但方向相反，这与因子的实际含义是相吻合的。另外，因子得 分的均值为 0，标准差为 1。正值表示高于平均水平，负值低于平均水平。（5）各省市自治区的综合 可利用两因子得分变量对地区进行对比研究。首先，绘制散点图：图3 各地区两因子得分变量的散点图观察图 3 可知，1 号样本（北京），9 号样本（上海）以及 19 号样本（广 东）是较为特殊的点，其他相似。北京的第 2 因子得分最高，表明外来投资经 济单位的人均年收入远远高于其他省，第 1 因子得分居平均值，表明内部投资 经济单位的人均年收入与其他地区差异不大。上海两因子得分均偏高，总体上 上海的人均年收入是较高的。广东第 1 因子得分最高，说明内部投资经济单位 的人均年收入远高于其他省市，第 2 因子得分偏低，说明外来投资经济单位的 人均年收入与其他地区不明显。三、结论对各地区人均年收入进行综合评价。采用计算因子加权总分的方法，其中 权重的确定是关键。从单纯的数量上考虑，以两个因子的贡献率为权数，计算 公式为：F=0.435F1+0.429F2 人均年收入较高的省市自治区有北京、上海、广东、浙江、天津、福建、 江苏。他们多属于经济文化中心或东南沿海地区。人均年收入较低的省市区有 内蒙古、山西、黑龙江、青海等，它们多为内陆或西北边缘地区。四、建议与对策 一般进行因子分析时，探索性分析很关键，当多个变量信息丢失的情况较 严重时，应该重新指定提取特征值的标准。直到结果显示因子提取的总体效果 理想时，方可进行其下工作。另外，对于因子个数的选择很重要，通过碎石 图，可以比较清晰的看出因子的选择在多少个是合适的。本实验中，极大方差 旋转前，因子 2 解释较弱，两因子区别较模糊，而通过发差极大法对因子载荷 矩阵实行正交旋转以后可以使因子具有命名解释性。
【spss因子分析实验报告】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 matrix c o rrelation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 Bartlett's 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。}