实验指导之四
因子分析的SPSS操作方法
以例13.1为例进行因子分析操作。
1.在SPSS的数据编辑窗口（见图1）点击Analysize →Data Reduction →Factor，打开Factor Analysis对话框如图
2.
图1 因子分析操作
图2 Factor Analysis 对话框
将参与因子分析的变量依次选入Variables框中。
例13.1中有8个参与因子分析的变量，故都选入变量框内。
2.单击Descriptives 按钮，打开Descriptives对话框如图3所示。
✧Statistics栏，指定输出的统计量。
图3 Descriptives对话框
Univariate descriptives 输出每个变量的基本统计描述；
Initial solution 输出初始分析结果。
输出主成分变量的相关或协方差矩阵的对角元素。
（本例选择）
✧Correlation Matrix栏指定输出考察因子分析条件和方法。
Coefficients相关系数矩阵；
Significance levels 相关系数假设检验的P值；
Determinant 相关系数矩阵行列式的值；
KMO and Bartlett´s test of Sphericity KMO和巴特利检验（本例选择）
巴特利检验是关于研究的变量是否适合进行因子分析的检验. 拒绝原假设意味着适合进行因子分析.
KMO值等于变量间单相关系数的平方和与单相关系数平方和加上偏相关系数平方和之比, 值越接近1, 意味着变量间的相关性越强,越适合进行因子分分析, KMO值越接近0, 则变量间的相关性越弱. 越不适合进行因子分析.
Inverse 相关系数矩阵的逆矩阵；
Reproduced 再生相关阵；
Anti-image 反映象相关矩阵。
3.单击Extraction 按钮，打开Extraction对话框选项，见图4。
图4 Extraction对话框
✧Method栏，指定因子分析方法。
点击下拉菜单可以选择需要的方法。
Principal components 主成分法，系统默认；（本例选择）
Unweighted least square 普通最小二乘法；
Generalized least squares 广义最小二乘法
Maximum likelihood 最大似然法
Principal Axis factoring 主轴因子法
Alpha α因子提取法
Image 映像分析法
✧Extract栏，决定提取主成分的个数。
Eigenvalue over 指定要提取因子的最小特征值，系统默认值1，也可以自定义特征值的数值。
（本例选择）
Number of factors 直接指定提取的因子个数。
✧Display栏指定与初始因子有关的输出项
Unrotated factor solution 显示未旋转的因子解。
可以自定义特征值的数值。
（本例选择）
Scree plot 显示碎石图，可用于决定因子的提取个数。
（本例选择）
4.单击Rotation按钮，打开Rotation对话框（见图5）。
图5 Rotation对话框
✧Methed栏，选择因子旋转方法。
None不作选择，系统默认项。
Varimax 正交旋转最大方差法。
是因子旋转时常用的方法。
其它方法略。
✧Display栏，选择因子旋转的输出信息。
Rotated solution 输出旋转后的因子载荷矩阵。
（本例选择）
Loading plot(s) 输出旋转后的因子载荷散布图。
5.单击Scores按钮，打开Scores对话框选项(见图6)。
图6 Scores对话框
✧Save as variables 将样品的因子得分作为新变量保存在数据文件中。
（本
例选择）
✧Method栏，指定计算因子值方法
Regression 回归法（本例选择）
Bartlett 巴特利特法
Anderson-Rubin 安德森—鲁宾法
✧Display factor Score Coefficient Matrix 输出标准化的因子得分矩阵。
（本例选择）
6.单击Options按钮，打开Options对话框选择项，见图7。
图7 Options对话框
✧Coefficient Display Format 栏，指定输出其它因子结果及缺失值的处理
方式。
本例不作选择。
Sorted by size 从第一因子开始，按降序输出因子载荷矩阵。
Suppress absolute Value less than:( ) 在框内输入数值，表示输出大于等于这个值的载荷的变量。
所有选择完成后单击OK可得输出结果。
观察部分输出的结果：
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .412
Bartlett's Test of Sphericity Approx. Chi-Square 165.364 df 28 Sig. .000
上表中表述检验表中巴特利检验通过，故本例采用因子分析是适合的。
下表是因子从每个原始变量中提取的信息量。
从上表中得出所有变量提取的信息量都在0.789以上。
上表显示各主成分解释原始变量总方差的情况。
本例保留了三个因子，这三个因子集中了原始变量的89.968%
上图表示的是碎石图，显示出取三个因子是合适的。
成分矩阵Component Matrix a
Component
1 2 3 Zscore: 固定资产利税（％）.970 .037 -.200 Zscore: 资金利税率（％）.909 -.342 .048 Zscore: 销售收入利税率（％）.851 .158 -.297 Zscore: 资金利润(%) .941 -.291 -.010 Zscore: 固定资产产值率（％）.897 -.215 -.007 Zscore: 逆：流动资金周转天数（％）.348 .814 .333 Zscore: 逆：万元产值能耗（吨）.653 -.050 .707 Zscore: 全员劳动生产率（万元/人.年）.577 .617 -.274 a. 3 components extracted.
上表表示的是因子分析的初始解的因子载荷矩阵。
上表表示的是旋转后的因子载荷矩阵。
从表中得出第一个因子表示的是固定资产利税率，资金利税率，销售收入利税率，资金利润率，固定资产产值率这五个指标。
可以认为是工业生产中投入的资金、固定资产产出的效果，可以看成是投入产出因子。
第二个因子是流动资金周转天数和劳动生产率，可以认为是效率因子，而第三个因子反映的是万元产值能耗，反映的是能源消耗效果。
上表表示的是因子得分系数，
Component Transformation Matrix正交矩阵
Compone
nt 1 2 3
1 .891 .343 .296
2 -.342 .938 -.056
3 -.297 -.051 .953
上表表示的是因子旋转的正交矩阵。
最后在数据窗口可以得到的每个样品的因子得分，可以用散布图得出因子的得分图。
各样品的因子得分（标准化得分）图
从图中可以得出因子1中华新水泥厂得分最高。
因子2中湘乡水泥厂最好。