怎样进行因子分析？如何进行？

旋转后的q7_3是0.734归到了因子2，和因子3没有关系了。

现在的论文如果涉及因子分析的话，大多要求进行验证性因素分析，以及路径分析等等。这时候，AMOS就派上用场了，AMOS可以进行验证性因素分析、路径分析、群组分析等。

因子分析spss_因子分析spss详细步骤

因子分析spss_因子分析spss详细步骤

1、主成分分析在于对原始变量的线性变换，注意是转换、变换；而因子分析在于对原始变量的剖析，注意是剖析，是分解，分解为公共因子和特殊因子。

扩展资料

SPSS作功能：

1、参数检验：单样本、两样本、配对样本。

2、方分析：单因素、多因素、协方分析。

3、非参数检验：X2、二项式分布、K—S检验。

spss如何对4个样本10个变量做聚类分析，分成几类变量，和几个样本？或者应该用因子分析，主成分分析？

要求是最少二十个样本，十个变量。

2、这两种分析法得出的新变量，也就是成分或者因子，并不是原始变量筛选或者提出后剩余的变量。

3、因子分析只能解释部分变异（指公共因2）另外q3_2, 跟所有的因子相关性都小于0.5，建议删除。子），主成分分析能解释所有变异（如果提取了所有成分）。

4、主成分分析，有几个变量就至少有几个成分，一般只提取能解释80%以上的成分；因子分析，有几个变量不一定有几个公共因子，因为这里的因子是公因子，潜在的存在与每一个变量中，需要从每一个变量中去分解，无法解释的部分是特殊因子。

5、spss因子分析过程对各变量间量能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回纲和单位造成的影响，默认自动进行标准化处理，因此不必要在开始之前单独进行数据标准化处理，因为，标准化与否结果一致。

6、spss因子分析重要结果：KMO值，此值是否进行计算与变量个数、样本个数有关，不一定会在每次执行中都显示，如没有此结果，可通过调整变量和样本的比例实现。

6. SPSS基本使用：因子分析

确定。

因子分析几乎可以等同于主成分分析，本质就是PCA降维，因子数太多减少因子数。示例如下

先导入老师给的数据，然后点击分析-降维-因子分析

点击描述按钮-选择KMO和球形检验

点击提取-方法选择主成分-同时勾选碎石图

特征值这里一般是大于1，然后因子数可以按照自总得分=因子1的方贡献率因子1的得分+因子2的方贡献率因子2的得分+...己的需求加。

旋转方法一般选择方法，勾选载荷图，迭代次数选择30次，

实际当中有可能旋转次数不够出不来结果，我们就把迭代次数勾选上去。

因子得分这里勾选保存为变量，然后勾选上得分系数矩阵

作后生成结果如上，KMO这里需要大于0.7，这样子的话各个因子的相互度才满足因子分析的条件，有相关性。

公因子方部分提取部分看提取了多少比例的信息，以q1_1为例，0.581相当于提取了58.1%的信息。只要这个比例大于0.5就还可以，提取效果不错。

碎石图主要是统计上用来选择特征值个数的，如果上图中，可以看到应该选择4个特征值，但是老师前面讲了8个因子代表性都不够，别说4个特征值，所以实际过程中可能不太实用。可以把这个东西写在报告里面。

成分矩阵这里（其实挺老师讲应该叫载荷矩阵？？），是没有旋转前的因子组成。因为之前在选项中进行了排序，并且，去掉了小于0.3(其实0.5以下都没啥用），所以如上可以看到因子1主要有问题5_3 到问题3_4组成的。这里需要重点关注下0.4几的这种数据，譬如0.490（小于0.5的用处比较小）。另外老师提到了q7_3,在因子2和因子3中都是0.4几，那么如何判断它到底属于哪个因子，可以看旋转后的。

可以发现，每个维度的第3个问题都是归到因子2，每个维度的第5个题目都是归到因子1.

1）另外，我们可以到到q3_3 叫做跨因子现象，在两个因子中都是＞0.5，这是不允许的，我们需要删掉这个题目或者进行修改

3）还有就是drop_q1_3，因子8只有它的相关性大于0.5，所以因子8完全由drop_q1_3一个因子代表，这个情况需要删除。

1）2）3）这三种特殊情况需要注意，都需要对题目进行修改或者删除。

这个组件图一般用二维的，看起来比较清晰，三维的不是动画看不清，因为这个图表示的就是各个题目离哪几个因子比较近。

spss19.0用因子分析法计算综合得分（用来比较业绩的），跪求大神教个详细做法

你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。

找到两个相邻的列，其中前一个列指的是单个因子对方的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，一个等于100。

扩展资料

主成分分析主要是一种探索性的技术，在分析者进行优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于多元数据分析之前，用他来分析数据，让自己对数据有一个大致的了解，这是非常有必要的，主成分分析一般很少单独使用：

因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成各变量的线性组合，主成分分析的重点在于解释各变量的总方，而因子分析则把重点放在解释各变量之间的协方。

主成分分析中，当给定的协方矩阵或者相关矩阵的特征值是的时候，主成分如何进行信度分析？ 一、首先确定维度与题项的对应关系，使用SPSSAU的'信度'，以维度为单位进行分析。 二、根据Cronbach α系数判断，问卷量表信度质量。 三、将各个维度对应的信度分析结果整理汇一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。

本来想给你截图的，可是传不上来，我就简单说一下哈。

首先你得进行一次预计算，选择菜单里分析——降维——因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，一个等于100。如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方贡献率，累积到第三个因子的方贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。

通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。

点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。

点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。

旋转里边选方法，输出旋转解。继续。

然后就可以分析结果了。

先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。

如果这两个检验都合格的话，才可以去写因子模型。

为了便于描述，设我们有两个因子f1，f2，

旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1f1+系数2f2，变量2以此类推。

因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1x1+系数2x2+。。。

然后我们不是有一个公式吗

根据这个公式计算一下就可以了。

用spss或者Excel都可以。

希望能对你有帮助哦。

在线spss平台spssau可以直接保存综合得分，分析时直接勾选“综合得分”这项即可保存。

SPSS因子分析结果好像是分了4个因子，是怎么分的

总得分=因子1的方贡献率因子1的得分+因子2的方贡献率因子2的得分+...

KMO检验统计量在0.7以上，说明变量之间的偏相关性较强，适合做因子分析，球形检验p小于0.001，说明变量之间存在相关性。第二格表格为共同性，表示各变量中所含原始信息能被提取的共同因子所表示的程度，根据你的数据，你提取的公因子是两个，第三个表格是指提取的俩个主成分能解释异的比列，第四个表格是主成分表达式，第五表格是因子得分公式。

选项这里勾选上按照大小排序，排除小系数，这里选0.3，我们看看后续的结果再来分析。

我如何实现如下因子分析

问题七：请问 做相关分析前，一定要做因子分析吗？因子分析的目的是什么？ 谢谢！ 主成分分析和因子分析的区别 :jok:

因子分析后通常是通过计算各维度的均值，将多个题项合并成一个变量（维度），再用在后面的分析中。

比如想要将“我在工作中能获得成就感”、“得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。我可以在工作中发挥个人的才能”这两题合并成一个维度，然后对维度的数据分布进行描述，可以通过SPSSAU的【生成变量】功能计算均值。

SPSS大神，求问因子分析之后得出的旋转成分矩阵应该怎么分析？

根据这个我们就能算出因子得分了。

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=0.778TB3+0.453TB4+0.553TB1+0.785TB2,（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.

1，因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成

为什么要进行因子分析?

因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量，

问题一：因子分析后为什么要进行回归分析 用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了

问题二：在因子分析中，为什么要对因子进行旋转 主成分分析不能旋转，因子分析才能。很多论文这个方面都误用了 统计专业，为您服务

问题三：为什么在做SPSS因子分析时要进行不止一次的因子的抽取 一次抽取过后，不合适的项目要删除。之后要再抽取，再删除项目。这样就多次了。

当然，如果数据、结构够好，一次也可以探索成良好结构

问题四：spss因子分析为什么要对因子进行旋转？ 因子旋转是为了更有利于用现实语言来描述所得因子。正常因子分析得出的因子可能逻辑意义不明显，理解起来很困难。但旋转之后就可能得到有逻辑意义的因子。

问题五：进行因子分析的前提条件是各变量之间应该怎么做 本来想给你截图的，可是传不上来，我就简单说一下哈。

首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，一个等于100。如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方贡献率，累积到第三个因子的方贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。

通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。

点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。

点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。

旋转里边选方法，输出旋转解。继续。

然后就可以分析结果了。

先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。

如果这两个检验都合格的话，才可以去写因子模型。

为了便于描述，设我们有两个因子f1，f2，

旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1f1+系数2f2，变量2以此类推。

因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1x1+系数2x2+。。。

然后我们不是有一个公式吗

根据这个公式计算一下就可以了。

用spss或者Excel都可以。

希望尽可能的根据模型的修正指数MI进行修正，结果会改善的。用AMOS，检验修正指数（modification index，MI）的显著性。能对你有帮助哦。

ppv课，大数据培训专家，最专业的大数据培训平台。为你提供的spss学习教程哦。

问题六：因子分析后得到的几个成分做回归分析，为什么还要考虑多重共线性? 因为他不是用的因子得分，是线性计算的值

理论上用因子得分

个变量的线性组合。

2，主成分分析的重点在于解释个变量的总方，而因子分析则把重点放在解释各变量之

间的协方。

3，主成分分析中不需要有设(assumptions),因子分析则需要一些设。因子分析的

因子和特殊因子之间也不相关。

4，主成分分析中，当给定的协方矩阵或者相关矩阵的特征值是的时候，的主成分

一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。

征值大于1的因子进入分析），而指

定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量

就有几个主成分。

和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有

使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个

新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主

成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是的。

总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前

析一般很少单独使用：a，了解数据。(screening the data),b,和cluster ysis一

起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可

归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性

。在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方矩阵的

对角元素不在是变量的方，而是和变量对应的共同度（变量方中被各因子所解释的

问题八：用SPSS作因子分析，数据为什么要标准化 不标准化 可能会由于不同列的数据本身的大小异影响结果

比如一列重量数据的范围可能都是几g，数据都是个位数，然后一列数据的计量单位是m，但实际值都是0.0001起的，因为主成份分析时，只考虑数据，未把计量单位考虑进去，这样两列数据的大小异很大，会影响结果，因此对数据进行一定的标准化处理，使所有列的数据范围都在正负1之间，这样可以避免数据异的影响

问题九：实证一定要进行因子分析吗 实证是相对于理论而言的，凡是涉及到数据和统计分析的，都可以叫实证，而因子分析只是众多统计分析方法中的一个而已，自然就不是必须的了。（南心网SPSS实证分析）

问题十：因子分析后为什么要进行回归分析 用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了

如何使用spss进行问卷效度和信度分析

，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分

汉朝末年黄巾形势汉朝末年黄巾形势

设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同