主成分分析、因子分析步骤
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”。

（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存至数据文件中，
并产生新的变量名称。

（5）选项（Options）对话框设置
2结果分析
（1）KMO及Bartlett’s检验
（很
、
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就可以认为
是比较低，这时变量在分析中去掉比较好。

（3）解释的总方差
至此已经将5个问项降维到两个因子，在数据文件中可以看到增加了2个变量，fac1_1、fac2_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，从该表中并无法清楚地看出每
个变量到底应归属于哪个因子。

旋转后的因子矩阵，从该表中可清楚地看出每个变量到底应归属于哪个因子。

此表显示旋转后原始的所有变量与新生的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，认为是显着的变量，超过0.5时可以说是非常重要的变量。

如味道与饭量关于因子1的。

=-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）因子转换矩阵
元件转换矩阵
元件 1 2
1 .723 -.691
2 .691 .723
撷取方法：主体元件分析。

转轴方法：具有Kaiser正规化的最
大变异法。

因子转换矩阵是主成分形式的系数。

（7）因子得分协方差矩阵
，
【得分】：“保存为变量”
【方法】：“回归”；再选中“显示因子得分系数矩阵”。

2结果分析
（1）相关系数矩阵
相关性矩阵
食品 衣着 燃料 住房 交通和通讯
娱乐教育文化
相关
食品 1.000 .692 .319 .760 .738
.556 衣着 .692 1.000 -.081 .663 .902 .389 燃料 .319 -.081 1.000 -.089 -.061 .267 住房 .760 .663 -.089 1.000 .831 .387 交通和通讯 .738 .902 -.061 .831 1.000 .326 娱乐教育文化
.556
.389
.267
.387
.326
1.000
两两之间的相关系数大小的方阵。

通过相关系数可以看到各个变量之间的相关，进而了解各个变
、KMO ＜
Communalities
起始 撷取 食品 1.000 .878 衣着 1.000 .825 燃料 1.000 .841 住房 1.000 .810 交通和通讯
1.000
.919
撷取方法：主体元件分析。

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就可以认为
的信
（5）成分矩阵（因子载荷矩阵）
元件矩阵a
元件
1 2
食品.902 .255
衣着.880 -.224
燃料.093 .912
住房.878 -.195
交通和通讯.925 -.252
撷取方法：主体元件分析。

a.撷取2个元件。

该矩阵并不是主成分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，
.30.478，
568
娱（7
【数据】——【排序个案】。