spss--因子分析案例介绍

这篇文章向大家介绍一个因子分析的实践操作案例。

这篇文章使用的数据集来自于一份问卷,数据集包括31个题目,178个观测(因子分析对观测数有规定,一般要求观测的记录数为题目数量的5到10倍,至少5倍,此数据集的记录数基本满足要求),现在希望对此数据集进行因子分析,提取出几个因子,提取出因子后,需要对因子进行命名。

打开数据集什么的就不说了,操作过程也和前面介绍的主成分分析类似,本文我们主要来看一下如何提取合适的因子。

最开始,我们直接将需要分析的题目选入,点击【确定】,进行分析即可,此时可以输出检验是否可以进行因子分析的统计量,KMO统计量与球形检验。

结果表明,KMO >0.9,球形检验也通过,适合做因子分析。

我们来看输出的总的方差解释这张表,注意看【累计的方差贡献率】,以及【总计】这两列,【总计】这列表示的是特征值,所谓特征值通俗的讲就是它代表相当于原来平均多少个题目,特征值小于1的因子代表性比不上原有的一个题目,所以软件默认只提取特征值大于1的因子。

在我们做具体的分析时,还要结合因子的可解释性,累计方差贡献率来决定提取多少个因子,就本案例而言,如果只提取特征值大于1的因子,累计的方差贡献率才64%,有点低(一般达到80%以上为好)。而且第6,7因子的特征值很接近于1,如果有需要,其实我们可以把这两个因子也提取出来,也就是说我们可以提取7个因子。

在本案例中,如果我们提取5个因子,最终因子的结构不好解释,这个研究的初期,就确定,不应该少于6个因子,下图为最终得到的因子结构。

需要注意,一般情况下通过主成分方法提取的因子,都需要对因子进行旋转,最大方差法是正交旋转,这种旋转方法得到的因子之间没有相关关系,也可以采用斜交法进行旋转,通过斜交法旋转得到的因子之间可能具有相关关系。可以通过取消小系数,来查看因子的结构。

(选择旋转方法)

(不显示小系数,系数低于0.5的不显示,可自己进行尝试,直到每个题目前只有一个系数为准)

我们这里重新确定提取因子的数量为7,并利用方差最大法进行旋转,取消小系数,得到旋转后的成分矩阵,通过该表格,我们能够清晰看到因子的结构。

(成分矩阵,同一列中,显示有系数的变量可归为一个因子,每个因子的结构清晰可见)

最后根据各组因子对应的题目,对各个因子进行命名,至此因子分析就结束了。不过因子分析一般作为中间过程,得到的分析结果一般还需要结合其它的统计分析方法使用

相关推荐
lifallen8 分钟前
Paimon LSM Tree Compaction 策略
java·大数据·数据结构·数据库·算法·lsm-tree
元宇宙时间9 分钟前
全球发展币GDEV:从中国出发,走向全球的数字发展合作蓝图
大数据·人工智能·去中心化·区块链
小黄人202538 分钟前
自动驾驶安全技术的演进与NVIDIA的创新实践
人工智能·安全·自动驾驶
ZStack开发者社区2 小时前
首批 | 云轴科技ZStack加入施耐德电气技术本地化创新生态
人工智能·科技·云计算
X Y O2 小时前
神经网络初步学习3——数据与损失
人工智能·神经网络·学习
web_Hsir2 小时前
vue3.2 前端动态分页算法
前端·算法
唯创知音3 小时前
玩具语音方案选型决策OTP vs Flash 的成本功耗与灵活性
人工智能·语音识别
Jamence3 小时前
多模态大语言模型arxiv论文略读(151)
论文阅读·人工智能·语言模型·自然语言处理·论文笔记
tongxianchao3 小时前
LaCo: Large Language Model Pruning via Layer Collapse
人工智能·语言模型·剪枝
HyperAI超神经3 小时前
OmniGen2 多模态推理×自我纠正双引擎,引领图像生成新范式;95 万分类标签!TreeOfLife-200M 解锁物种认知新维度
人工智能·数据挖掘·数据集·图像生成·医疗健康·在线教程·数学代码