因子分析SPSS操作
因子分析SPSS操作
因子分析作业：全国30个省市的8项经济指标如下：要求：先对数据做标准化处理,然后基于标准化数据进行以下操作1、给出原始变量的相关系数矩阵；2、用主成分法求公因子,公因子的提取按照默认提取即特征值大于1,给出公因子的方差贡献度表；3、给出共同度表,并进行解释；4、给出因子载荷矩阵,据之分析提取的公因子的实际意义;如果不好解释,请用因子旋转采用正交旋转中最大方差法给出旋转后的因子载荷矩阵,然后分析旋转之后的公因子,要求给各个公因子赋予实际含义；5、先利用提取的每个公因子分别对各省市进行排名并作简单分析;最后构造一个综合因子,计算各省市的综合因子的分值,并进行排序并作简单分析;1、输入数据,依次点选分析描述统计描述,将变量x1到x8选入右边变量下面,点选“将标准化得分另存为变量”,点确定即可的标准化的数据;依次点选分析降维因子分析,打开因子分析窗口,将标准化的8个变量选入右边变量下面,点选描述相关矩阵下选中系数及KMO和Bartlett的检验,点继续,确定,就可得出8个变量的相关系数矩阵如下图;由表中数据可以看出大部分数据的绝对值都在以上,说明变量间有较强的相关性;KMO 和 Bartlett 的检验取样足够度的 Kaiser-Meyer-Olkin 度.621量;Bartlett 的球形近似卡方度检验df28Sig..000由上图看出,sig.值为0,所以拒绝相关系数为0变量相互独立的原假设,即说明变量间存在相关性;2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因子解,碎石图；抽取：基于特征值特征值大于1；继续,确定,输出结果如下3个图;,第三列为累积贡献率,由上表看出前3个主成分的累计贡献率就达到了%>85%,所以选取主成分个数为3;选y1为第一主成分,y2为第二主成分,y3为第三主成分;且这三个主成分的方差和占全部方差的%,即基本上保留了原来指标的信息;这样由原来的8个指标变为了3个指标;由上图看出,成分数为3时,特征值的变化曲线趋于平缓,所以由碎石图也可大致确定出主成分个数为3;与按累计贡献率确定的主成分个数是一致的;3、共同度结果如下：;由上表数据可以看出,主成分包含了各个原始变量的80%以上的信息;4、在因子分析窗口,旋转输出：载荷阵;输出结果如下：成份矩阵a成份123Zscore: 国内.885.384.119生产Zscore: 居民.606.276消费由上表数据第一列表明：第一主成分与各个变量之间的相关性；第二列表明：第二主成分与各个变量之间的相关性；第三列表明：第三主成分与各个变量之间的相关性;可以得出：x1x3x8主要由第一主成分解释,x4x5主要由第二主成分解释,x6主要由第三主成分解释;但是x2是由第一主成分还是第二主成分解释不好确定,x7是由三个主成分中的哪个解释也不好确定;下面作因子旋转后的因子载荷阵;在因子分析窗口,抽取输出：旋转的因子解,继续；旋转方法：最大方差法,继续；确定;输出结果如下2图；旋转成份矩阵aa. 旋转在 5 次迭代后收敛;由上表数据可以得出：x1x3x5x8主要由第一主成分解释,x2x4主要由第二主成分解释,x6x7主要由第三主成分解释;与第一因子关系密切的变量主要是投入投资：固定资产投资与产出产值：国内生产总值、工业总产值方面的变量,货物周转又是投入产出的中介过程,可以命名为投入产出因子；与第二因子关系密切的都是反映民众生活水平的变量,可以命名为消费能力因子；与第三因子关系密切的是价格指数方面的变量,可以命名为价格指数因子;由上表可以看出：第二列数据表明,各个主成分的贡献率与旋转前的有变化,但是3个主成分的累积贡献率相同都是%;5、在因子分析窗口,得分因子得分保存为变量f1f2f3;方法：回归;再按三个主成分降序排列：数据排序个案：将f1选入排序依据,排列顺序：降序;同理得出按f2f3排序的结果;结果如下；最后,以各因子的方差贡献率占三个因子总方差贡献率的比重作为权重进行加权汇总,得出各城市的综合得分f;即f=f1+f2+f3/f得分在转换计算变量中的出;最后再按f得分排序;排序结果如下：f1 排序f2 排序f3 排序 f 排序山东上海云南上海江苏广东贵州山东广东北京湖北江苏河北天津新疆广东四川浙江四川四川河南西藏陕西湖北辽宁福建上海浙江浙江江苏甘肃云南上海青海广西北京湖北新疆湖南辽宁湖南云南青海湖南黑龙江海南山东新疆安徽宁夏内蒙贵州福建山东西藏河南云南广西江西广西广西甘肃宁夏陕西山西湖北山西河北北京贵州江苏黑龙江陕西黑龙江北京甘肃内蒙吉林浙江福建吉林辽宁河南山西江西湖南黑龙江青海新疆四川辽宁内蒙甘肃陕西河北江西贵州山西福建天津天津江西吉林西藏青海安徽广东吉林宁夏内蒙安徽安徽海南河南天津宁夏西藏河北海南海南有了对各个公因子的合理的解释,结合各个城市在三个公因子的得分和综合得分,就可对各城市的经济发展水平进行评价了;在投入产出因子f1上得分最高的6个城市是山东、江苏、广东、河北、四川;其中山东得分为,江苏得分为,高于其他城市,说明山东、江苏的工业的投入产出能力最高,工业发展相对较快,从而推动城市发展；而青海、宁夏、海南、西藏的投入产出能力较差,可能由于地理位置的缘故工业发展相对落后;上海、广东、北京、天津在消费能力因子f2上的得分较高,说明它们的消费能力较高,人们的收入也较高,从而生活质量较好,城市发展较快；而河南、河北得分较低,它们的消费能力较低,从而说明人们的收入也相对较低,生活质量相对差一点,城市发展较慢;云南、贵州、湖北、新疆在价格指数因子f3上的得分较高,说明在这些城市物价相对较高,可能以些非本地产的东西由于运输的不方便,使得这些物价相对较高,而广东、安徽、天津、海南的价格指数较低,说明,在这些城市,交通相对便捷,运输方便,或者本地产的东西较多基本满足需求,使得物价相对较低,但从侧面也可看出这些城市与其他城市的联系可能较少,不利于自己的总和发展,从而也说明了这些城市的发展相对较慢;由综合因子f的分就可综合评价城市的经济发展水平,综合得分的前3名上海、山东、江苏,得分最低的3个城市安徽、宁夏、海南;。
如何利用SPSS做因子分析等分析
如何利用SPSS做因子分析等分析SPSS是一款强大的统计分析软件，可以用于各种数据分析任务，包括因子分析。
因子分析是一种用于探究观测变量之间关系的统计方法，它可以帮助我们理解数据集中不同变量之间的相关性和结构。
下面是一个简要的关于如何利用SPSS进行因子分析的步骤：1.准备数据首先，需要确保将数据整理成适合因子分析的格式。
确保数据集中的变量是连续型变量，并且不存在缺失值。
如果存在缺失值，需要进行数据处理或进行数据填充。
2.导入数据打开SPSS软件，然后依次选择“File”、“Open”来导入数据文件。
选择正确的文件路径和文件名，然后点击“打开”按钮。
3.创建因子分析模型选择“Analyze”菜单下的“Dimension Reduction”子菜单，然后选择“Factor”。
将需要进行因子分析的变量移至右侧的“Variables”框中，然后点击“OK”按钮。
4.选择因子提取方法5.设置因子提取参数出现因子提取对话框后，可以选择提取的因子数目和提取标准。
默认情况下，SPSS会提取所有可能的因子。
也可以根据实际需要进行调整。
完成设置后，点击“Continue”按钮。
6.选择因子旋转方法因子旋转可帮助我们更好地理解因子结构。
在因子分析向导的旋转选项中，可以选择旋转方法，如正交旋转和斜交旋转等。
选择一个适合你的需求的旋转方法，然后点击“Rotation”按钮。
7.设置旋转参数出现旋转参数对话框后，可以选择旋转的方法和旋转的标准。
默认情况下，SPSS会选择最大方差法和标准负荷量，但你可以根据需要进行调整。
完成设置后，点击“Continue”按钮。
8.检查结果在因子分析向导的“Descriptives”选项中，可以查看因子提取和旋转后的结果。
这些结果包括因子载荷矩阵、公因子方差和解释方差等信息。
仔细检查结果，确保它们符合你的预期。
9.解释结果在进行因子分析后，需要解释因子载荷矩阵以及其他统计结果。
因子载荷矩阵可以告诉你每个变量与每个因子之间的关系。
如何利用SPSS进行因子分析(九)
SPSS（Statistical Package for the Social Sciences）是一种专业的统计软件，广泛应用于各种学术研究和商业分析中。
其中的因子分析是一种常用的数据分析方法，用于发现数据中的潜在因子结构。
本文将介绍如何利用SPSS进行因子分析，并且探讨因子分析的一些相关概念和技巧。
1. 数据准备在进行因子分析之前，首先需要进行数据准备。
这包括数据的清洗、变量的选择和数据的标准化。
清洗数据是为了去除异常值和缺失值，以保证数据的质量。
选择变量是为了确定需要进行因子分析的变量，通常选择相关性较高的变量。
标准化数据是为了使不同变量之间的数值具有可比性，通常采用z-score标准化方法。
2. 进行因子分析在SPSS中进行因子分析非常简单。
首先打开SPSS软件，导入需要进行因子分析的数据文件。
然后依次点击“分析”→“数据降维”→“因子”，在弹出的对话框中选择需要进行因子分析的变量，设置因子提取方法和旋转方法，最后点击“确定”按钮即可进行因子分析。
3. 因子提取与旋转在因子分析中，因子提取是指从原始变量中提取出潜在因子，常用的方法有主成分分析和最大方差法。
而因子旋转是为了使因子更易于理解和解释，常用的旋转方法有方差最大旋转和极大似然旋转。
在SPSS中，可以根据具体的研究目的选择不同的因子提取和旋转方法。
4. 结果解释进行因子分析后，SPSS会输出一些统计指标和结果数据，如特征值、因子载荷矩阵等。
特征值是衡量因子解释变量方差的指标，通常选择特征值大于1的因子作为潜在因子。
因子载荷矩阵则显示了每个变量对于每个因子的贡献程度，可以根据载荷大小解释因子的含义。
5. 结果验证进行因子分析后，还需要对结果进行验证。
通常可以采用内部一致性分析、重测信度分析和因子有效性分析等方法进行结果验证。
在SPSS中，可以利用内部一致性分析来检验因子的稳定性和一致性，重测信度分析可用来检验因子的可靠性，因子有效性分析可用来检验因子的有效性。
如何利用SPSS进行因子分析(七)
因子分析是一种用于探索变量之间关系的统计方法。
在研究中，我们常常需要对大量的变量进行分析，以了解它们之间的关联性。
因子分析可以帮助我们发现变量之间的潜在结构，同时也可以帮助我们减少数据集中的复杂性。
在本文中，我们将探讨如何利用SPSS软件进行因子分析。
1. 数据准备在进行因子分析之前，首先需要准备好数据。
数据可以是定量的，也可以是定性的。
在SPSS中，我们可以通过导入Excel表格或者直接输入数据进行分析。
在导入数据之后，我们需要对数据进行清洗和筛选，确保数据的完整性和准确性。
2. 变量选择在因子分析中，我们需要选择适当的变量进行分析。
通常情况下，我们会选择相关性较高的变量进行分析，以便发现它们之间的潜在结构。
同时，我们也可以通过相关性分析或者变量筛选的方法来确定需要进行因子分析的变量。
3. 因子分析模型在SPSS中进行因子分析的时候，我们需要选择合适的因子分析模型。
通常情况下，我们可以选择主成分分析或者最大似然法进行因子分析。
在选择模型的时候，我们需要考虑数据的性质和研究的目的，以确保选择合适的模型进行分析。
4. 因子提取在进行因子分析的过程中，我们需要对因子进行提取。
在SPSS中，我们可以选择合适的提取方法，比如主成分法或者最大似然法。
在进行因子提取的时候，我们需要考虑提取的因子数目和因子的解释性，以便选择最合适的因子进行分析。
5. 因子旋转在因子分析中，我们通常会对因子进行旋转，以便更好地解释因子的结构。
在SPSS中，我们可以选择方差最大旋转或者极大似然旋转等方法进行因子旋转。
在进行因子旋转的时候，我们需要考虑因子的解释性和简单性，以便选择最合适的旋转方法。
6. 因子负荷在因子分析的结果中，我们通常会关注因子负荷。
因子负荷可以帮助我们理解变量和因子之间的关系，以及变量在因子上的权重。
在SPSS中，我们可以通过因子负荷矩阵和因子旋转后的因子负荷矩阵来进行观察和分析。
7. 结果解释在完成因子分析之后，我们需要对结果进行解释。
因子分析SPSS操作
因子分析SPSS操作因子分析是一种多变量统计方法，旨在发现潜在的结构和相关性，以便简化数据集并解释变量之间的关系。
SPSS（统计软件包社会科学）是一种广泛使用的统计软件，可以帮助研究人员进行因子分析。
在SPSS中进行因子分析的步骤如下：1.数据准备：-确保数据集已经导入到SPSS中。
-检查和清洗数据，确保数据完整、准确，并且符合因子分析的前提条件。
2.因子分析模型：- 打开SPSS软件并选择“Analyze”菜单。
- 从下拉菜单中选择“Dimension Reduction”>“Factor Analysis”。
3.变量选择：- 从左侧的变量列表中选择要进行因子分析的变量，并将它们移动到右侧的“Variables”框中。
-这些变量应该是连续变量，而非分类变量。
4.因子提取：- 在“Factor Analysis”对话框的“Extraction”选项卡中选择因子提取方法。
- 确定要提取的因子数量。
可以使用Kaiser标准（主成分分析时为特征值大于1）或Scree Plot来指导因子数量的选择。
5.因子旋转：- 进入“Rotation”选项卡，选择适当的因子旋转方法。
- 常用的方法包括Varimax、Promax、Quartimax等。
-因子旋转的目标是最大化因子载荷的简单性和解释性。
6.结果解释：-在因子分析的结果中，可以查看各个变量的因子载荷矩阵，它描述了每个变量在每个因子上的影响程度。
-可以选择将因子载荷阈值设置为一定值，以便筛选出具有较高负载的变量。
-查看每个因子的解释方差，以了解它们对原始变量的解释程度。
7.结果可视化：-可以使用SPSS的图表功能来可视化因子分析结果。
-比如，可以绘制因子载荷矩阵的热图，用不同颜色表示不同的负载水平。
-还可以绘制因子解释方差的条形图，以比较每个因子的贡献程度。
需要注意的是，因子分析在使用时需要考虑以下几点：-样本量必须足够大，一般建议至少大于观测变量数的10倍。
SPSS操作过程因子分析
SPSS因子分析操作步骤：第一步：将EXCEL数据导入到SPSS中，选择file→open第二步：从菜单上依次选择analysis→dimension reduction→factor命令，打开factor analysis主对话框第三步：指定参与因子分析的变量。
在factor analysis 主对话框中，从左侧选择参与因子分析的变量，单击向右的箭头按钮，使之添加到右边的variables框中，本例中选择的是除了地区以外的剩下的8个变量。
第四步：单击descriptives按钮，打开descriptives子对话框，指定输出结果，如下图第五步：单击extraction按钮，打开extraction对话框，选择因子提取的方法。
本例中在method框选择主成分法（principle components）提取公共因子；analysis框中选择correlation matrix项，从相关系数矩阵出发提取公共因子；display 框选择unrotated factor solutin 和scree plot 项；extract框选择的是base on eigenvalue,这里我们选择系统根据单位根来提取。
如下图：第六步：单击rotation按钮，打开rotation框，选择因子旋转方法。
本例中选择方差极大旋转法varimax ，并选择rotated solution 和scree plot项，输出旋转后的因子载荷矩阵和载荷散点图，单击continue按钮，返回factor analysis对话框第七步：单击scores按钮进入factor scores 对话框，选择计算因子得分的方法。
本例中选择regression(回归因子得分)，并选择方差极大旋转法varimax；并选中display factor scores coefficient matrix 输出因子得分系数矩阵；选择save as variables 把因子得分作为新变量保存在数据编辑窗口，单击continue按钮，返回factoranaysis对话框。
spss因子分析理论原理及操作分析
THANKS FOR WATCHING
感谢您的观看
因子命名
根据因子载荷矩阵，为每个因子赋予有意义 的名称。
结果解读
解释方差
分析解释的总方差，了解每个因子的贡献程 度。
因子得分
根据因子得分公式，计算每个观测值的因子 得分，进行进一步的分析或比较。
因子载荷矩阵
解读变量与因子之间的关系，确定每个变量 对因子的影响程度。
解释与讨论
结合研究目的和专业知识，对因子分析结果 进行解释和讨论。
通过因子分析，可以将复杂的数据结构简化为少数几个公共因子，便 于数据的可视化和管理。
缺点
对样本量要求高
因子分析需要较大的样本量才能获得稳 定和可靠的结果，样本量不足可能导致
分析结果不准确。
对变量间相关性要求高
因子分析要求变量间存在较强的相关 性，如果变量间相关性较弱或没有相
关性，分析结果可能不准确。
03 因子分析理论
主成分分析法
总结词
主成分分析法是一种通过线性变换将原始变量转化为少数几个互不相关的主成 分的方法。
详细描述
主成分分析法通过找出原始数据中的主要成分，使得这些主成分能够尽可能地 保留原始数据中的变异信息，从而达到降维的目的。
最大方差法
总结词
最大方差法是一种因子旋转方法，通 过旋转因子轴使得因子的解释方差达 到最大。
目的
简化数据结构、解释变量间的内在关 系、揭示潜在的公共因子、进行综合 评价等。
因子分析的原理
基于变量间的相关性
因子分析通过研究变量间的相关性，将多个变量归结为少数几个 公共因子，这些公共因子能够反映变量间的内在联系。
降维思想
通过提取公共因子，将多个变量归结为少数几个综合指标，实现数 据的降维处理，便于分析。
使用SPSS软件进行因子分析和聚类分析的方法
使用SPSS软件进行因子分析和聚类分析的方法使用SPSS软件进行因子分析和聚类分析的方法随着统计分析软件的发展，SPSS（Statistical Package for the Social Sciences）软件作为一款功能强大、易于使用的统计分析工具受到广泛欢迎。
它能帮助研究人员进行各种统计分析，其中包括因子分析和聚类分析。
本文将介绍如何使用SPSS软件进行因子分析和聚类分析，并针对每个分析方法提供详细步骤和操作示例。
一、因子分析因子分析是一种常用的统计方法，在数据维度缩减和相关变量结构分析方面具有广泛的应用。
以下是使用SPSS软件进行因子分析的步骤：1. 数据准备首先，需要将原始数据导入SPSS软件中。
可以通过选择“文件”>“打开”>“数据”，然后选择合适的数据文件进行导入。
确保数据是以矩阵的形式存储，每个变量占据一列，每个观察单位占据一行。
2. 因子分析设置在SPSS软件中，选择“分析”>“数据准备”>“特殊分析”>“因子”。
在弹出的对话框中，选择需要进行因子分析的变量，将它们移动到“因子”框中。
然后，选择所需的因子提取方法（如主成分分析或因子分析），并指定所需的因子个数。
可以选择默认值，也可以根据实际需求进行调整。
3. 统计输出完成因子分析设置后，点击“确定”按钮开始分析。
SPSS软件将生成一个因子分析结果报告。
报告中将包含因子载荷矩阵、特征值、解释的方差比例等统计指标。
通过这些指标，可以对变量和因子之间的关系、每个因子的解释能力进行分析。
4. 结果解读对于因子载荷矩阵，可以根据因子载荷的大小来判断变量与因子之间的关系。
一般来说，载荷绝对值大于0.3的变量与因子之间具有显著关联。
解释的方差比例表示每个因子能够解释变量总方差的比例，一般来说，越大越好。
在解读结果时，需要综合考虑因子载荷和解释的方差比例。
二、聚类分析聚类分析是一种用于数据分类的统计方法。
它根据观测值之间的相似性将数据对象分组到不同的类别中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
因子分析作业：
全国30个省市的8项经济指标如下：
要求：先对数据做标准化处理，然后基于标准化数据进行以下操作
1、给出原始变量的相关系数矩阵；
2、用主成分法求公因子，公因子的提取按照默认提取（即特征值大于1），给出公因子的方差贡献度表；
3、给出共同度表，并进行解释；
4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。
如果不好解释，请用因子旋转（采用正交旋转中最大方差法）给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义；
5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。
最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。
1、输入数据，依次点选分析描述统计描述，将变量x1到x8选入右边变量下面，点选“将标
准化得分另存为变量”，点确定即可的标准化的数据。
依次点选分析降维因子分析，打开因子分析窗口，将标准化的8个变量选入右边变量下面，点选描述相关矩阵下选中系数及KMO和Bartlett的检验，点继续，确定，就可得出8个变量的相关系数矩阵如下图。
由表中数据可以看出大部分数据的绝对值都在以上，说明变量间有较强的相关性。
KMO 和 Bartlett 的检验
取样足够度的 Kaiser-Meyer-Olkin 度量。
.621
Bartlett 的球形度检验近似卡方
df28
Sig..000
由上图看出，sig.值为0，所以拒绝相关系数为0（变量相互独立）的原假设，即说明变量间存
在相关性。
2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因子解，碎石图；抽取：基于特征值（特征值大于1）；继续，确定，输出结果如下3个图。
解释的总方差
成份
初始特征值提取平方和载入
合计方差的 %累积 %合计方差的 %累积 %
1
2
3
4.403
表看出前3个主成分的累计贡献率就达到了%>85%，所以选取主成分个数为3。
选y1为第一主成分，y2为第二主成分，y3为第三主成分。
且这三个主成分的方差和占全部方差的%，即基本上保留了原来指标的信息。
这样由原来的8个指标变为了3个指标。
3。
与按累计贡献率确定的主成分个数是一致的。
3、共同度结果如下：
v1.0 可编辑可修改
Zscore: 固定资产.902
Zscore: 职工工资.873
Zscore: 货物周转.858
Zscore: 消费价格.957
Zscore: 商品零售.929
Zscore: 工业产值.904
提取方法：主成份分析。
上表给出了该次分析从每个原始变量中提取的信息。
由上表数据可以看出，主成分包含了各个原始变量的80%以上的信息。
4、在因子分析窗口，旋转输出：载荷阵。
输出结果如下：
成份矩阵a
成份
123
Zscore: 国内生产.885.384.119
Zscore: 居民消费.606.276
Zscore: 固定资产.912.162.211
Zscore: 职工工资.467.365
Zscore: 货物周转.486.737
Zscore: 消费价格.257.801
Zscore: 商品零售.596.437
Zscore: 工业产值.823.427.208
提取方法 :主成分分析法。
a. 已提取了 3 个成份。
由上表数据第一列表明：第一主成分与各个变量之间的相关性；第二列表明：第二主成分与各个变量之间的相关性；第三列表明：第三主成分与各个变量之间的相关性。
可以得出：x1x3x8主要由第一主成分解释，x4x5主要由第二主成分解释，x6主要由第三主成分解释。
但是x2是由第一主成分还是第二主成分解释不好确定，x7是由三个主成分中的哪个解释也不好确定。
下面作因子旋转后的因子载荷阵。
在因子分析窗口，抽取输出：旋转的因子解，继续；旋转方法：最大方差法，继续；确定。
输出结果如下2图；
由上表数据可以得出：x1x3x5x8主要由第一主成分解释，x2x4
主要由第二主成分解释，x6x7主要由第三主成分解释。
与第一因子关系密切的变量主要是投入（投资：固定资产投资）与产出（产值：
国内生产总值、工业总产值）方面的变量，货物周转又是投入产出的中介过程，可以命名为投入产出因子；与第二因子关系密切的都是反映民众生活水平的变量，可以命名为消费能力因子；与第三因子关系密切的是价格指数方面的变量，可以命名为价格指数因子。
v1.0 可编辑可修改
6.135
7.067.840
8.015.183
提取方法：主成份分析。
由上表可以看出：第二列数据表明，各个主成分的贡献率与旋转前的有变化，但是3个主成分的累积贡献率相同都是%。
5、在因子分析窗口，得分因子得分保存为变量f1f2f3;方法：回归。
再按三个主成分降序排列：数据排序个案：将f1选入排序依据，排列顺序：降序。
同理得出按f2f3排序的结果。
结果如下；
最后，以各因子的方差贡献率占三个因子总方差贡献率的比重作为权重进行加权汇总，得出各城市的综合得分f。
即
f=*f1+*f2+*f3)/
f得分在转换计算变量中的出。
最后再按f得分排序。
排序结果如下：
f1排序f2排序f3排序f排序
山东上海云南上海
江苏广东贵州山东
广东北京湖北江苏
河北天津新疆广东
四川浙江四川四川
河南西藏陕西湖北
辽宁福建上海浙江
浙江江苏甘肃云南
上海青海广西北京
湖北新疆湖南辽宁
湖南云南青海湖南
黑龙江海南山东新疆
安徽宁夏内蒙贵州
福建山东西藏河南
云南广西江西广西
广西甘肃宁夏陕西
山西湖北山西河北
北京贵州江苏黑龙江
陕西黑龙江北京甘肃
内蒙吉林浙江福建
吉林辽宁河南山西
江西湖南黑龙江青海
新疆四川辽宁内蒙
甘肃陕西河北江西
贵州山西福建天津
天津江西吉林西藏
青海安徽广东吉林
宁夏内蒙安徽安徽
海南河南天津宁夏
西藏河北海南海南
有了对各个公因子的合理的解释，结合各个城市在三个公因子的得分和综合得分，就可对各城市的经济发展水平进行评价了。
在投入产出因子f1上得分最高的6个城市是山东、江苏、广东、河北、四川。
其中山东得分为，江苏得分为，高于其他城市，说明山东、江苏的工业的投入产出能力最高，工业发展相对较快，从而推动城市发展；而青海、宁夏、海南、西藏的投入产出能力较差，可能由于地理位置的缘故工业发展相对落后。
上海、广东、北京、天津在消费能力因子f2上的得分较高，说明它们的消费能力较高，人们的收入也较高，从而生活质量较好，城市发展较快；而河南、河北得分较低，它们的消费能力较低，从而说明人们的收入也相对较低，生活质量相对差一点，城市发展较慢。
云南、贵州、湖北、新疆在价格指数因子f3上的得分较高，说明在这些城市物价相对较高，可能以些非本地产的东西由于运输的不方便，使得这些物价相对较高，而广东、安徽、天津、海南的价格指数较低，说明，在这些城市，交通相对便捷，运输方便，或者本地产的东西较多基本满足需求，使得物价相对较低，但从侧面也可看出这些城市与其他城市的联系可能较少，不利于自己的总和发展，从而也说明了这些城市的发
展相对较慢。
由综合因子f的分就可综合评价城市的经济发展水平，综合得分的前3名上海、山东、江苏，得分最低的3个城市安徽、宁夏、海南。