因子分析
因子分析
因子分析因子分析是指研究从变量群中提取共性因子的统计技术。
最早由英国心理学家C.E.斯皮尔曼提出。
他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。
因子分析可在许多变量中找出隐藏的具有代表性的因子。
将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
1、探索性因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。
这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，采用不同的共同性□2估值。
在社会学研究中，因子分析常采用以主成分分析为基础的反覆法。
主成分分析为基础的反覆法主成分分析的目的与因子分析不同，它不是抽取变量群中的共性因子，而是将变量□1，□2，…,□□进行线性组合,成为互为正交的新变量□1，□2，…,□□，以确保新变量具有最大的方差：在求解中,正如因子分析一样,要用到相关系数矩阵或协方差矩阵。
其特征值□1，□2，…,□□,正是□1，□2,…，□□的方差，对应的标准化特征向量，正是方程中的系数□，□，…,□。
如果□1>□2,…,□□，则对应的□1，□2，…，□□分别称作第一主成分,第二主成分,……,直至第□主成分。
如果信息无需保留100%,则可依次保留一部分主成分□1，□2，…，□□(□<□)。
当根据主成分分析，决定保留□个主成分之后，接着求□个特征向量的行平方和，作为共同性□：□并将此值代替相关数矩阵对角线之值，形成约相关矩阵。
根据约相关系数矩阵，可进一步通过反复求特征值和特征向量方法确定因子数目和因子的系数。
因子旋转为了确定因子的实际内容,还须进一步旋转因子，使每一个变量尽量只负荷于一个因子之上。
这就是简单的结构准则。
常用的旋转有直角旋转法和斜角旋转法。
因子分析法
因子分析法因子分析法，又称因子分析，是在描述、预测和理解给定的研究结果时一种常用的统计分析方法。
它可用于探索数据中潜在的因素结构，以及找出影响解释变量的最重要的驱动因子。
因子分析涉及多个变量，可以将数据中的噪声减少到最小，并对变量之间的关系进行建模以实现最佳假设。
因子分析的主要目的是通过分析变量之间的关系，将多个变量组合起来，形成一个有意义的因子结构，有助于来源于同一个因素的变量聚为一类。
因子分析还可以用于验证现有的统计模型，检测数据中是否存在偏差，以及主成分分析中用于减少变量数量。
因子分析通常需要经历四个步骤：实验设计、数据处理、因子分析以及结果分析和解释。
实验设计阶段，研究者需要收集所需要的数据，如变量的定义、变量的数量、测量方式等；数据处理阶段，一般包括数据属性的编码、检查缺失值以及数据的标准化；在因子分析阶段，研究者需要指定假设的因子个数，并根据特定的方法进行变量的讯析；最后，研究者可以检查因子提取结果，并通过模态图和层次图等绘图方法对因子分析结果进行可视化，以更好地理解研究的解释变量。
因子分析的优点在于，它是一种基于模型的统计分析方法，它可以通过分析变量之间的关系来减少数据中的噪声，以提高分析的准确性。
另外，因子分析可以从复杂的数据中提取出重要的因素，以便进行有用的模型建构。
然而，因子分析也存在一些缺点。
由于因子分析假设只有有限数量的因子导致了变量，因此不能解释所有变量之间的关系。
此外，因子分析受到偏差和方差的影响，某些变量可能被忽略了，而有些因素可能被过分重视。
总而言之，因子分析方法是一种有效的研究工具，可用于简化复杂的数据，探索数据中潜在的因素结构，以及验证和解释研究结果。
因此，有效的因子分析有助于研究者更好地理解数据，并得出合理的结论。
因子分析
因子分析因子分析是一种常用的统计方法，广泛应用于社会科学、经济学、心理学等领域。
它可以帮助研究者找出数据中的主要因素，并将原始变量转化为更少的几个综合指标，从而简化数据分析和解释。
本文将介绍因子分析的基本原理、应用场景以及一些常见的因子分析方法。
一、因子分析的基本原理因子分析基于一种潜在变量模型，假设观察到的一组变量是由少数几个潜在的因子所决定的。
这些潜在因子无法直接观察到，但可以通过观察到的变量来推断。
通过因子分析，我们可以找出这些潜在因子，并将原始变量转化为这些因子的得分。
在因子分析中，我们假设每个潜在因子与一组观察到的变量相关联，这些变量称为因子载荷。
因子载荷可以解释变量之间的协方差结构，反映了变量与潜在因子之间的相关程度。
我们可以通过计算因子载荷矩阵来评估这种关系。
同时，我们还假设观察到的变量之间相互独立，即不存在多重共线性。
多重共线性会使得因子分析的结果不准确，因此在进行因子分析之前，我们需要先进行相关性分析和多重共线性检验。
二、因子分析的应用场景因子分析在许多领域都有广泛的应用。
以下是其中一些常见的应用场景：1.心理学研究：因子分析可以帮助心理学家理解人类行为的潜在因素。
例如，在人格心理学中，我们可以使用因子分析来研究人格特征的结构，并找出彼此相关的因素。
2.市场研究：因子分析可以帮助市场研究人员理解消费者行为的背后因素。
例如，在消费者调查中，我们可以使用因子分析来提取消费者购买决策中的主要影响因素，并根据这些因素进行市场定位和目标群体选择。
3.经济学研究：因子分析可以帮助经济学家理解经济变量之间的关系。
例如，在宏观经济学中，我们可以使用因子分析来提取经济增长、通货膨胀和失业率等变量的主要因素，并分析它们之间的相互作用。
4.社会科学研究：因子分析可以帮助社会科学家理解社会现象的潜在因素。
例如，在教育研究中，我们可以使用因子分析来研究学生学习成绩的主要影响因素，并提供相应的教学策略。
三、常见的因子分析方法在因子分析中，有许多不同的方法可以选择。
因子分析
或 X μ AF ε
称模型X μ AF ε 为正交因子模型，称 F1 , F2 ,, Fm 为公 共因子 ，它们是不可观测的变量，它们的系数矩阵 A 称为 因子载荷矩阵；aij（i=1,2,…,p,j=1,2,…,m)称为第i个变量在 第j个因子上的载荷（简称为因子载荷）， 1 , 2 ,, p 称为 特殊因子 ，它们是不能被前 m 个公共因子包含的部分；并 且满足：
实例1
(1) 为了解学生的学习能力，观测了n个学生p个科目的成绩, 用X1, X2, …, Xp 表示科目（例如代数、几何、语文、英语，……） 可以认为各科目有两部分组成： X i ai F i i 1,......, p 其中F是对所有的Xi都起作用的公共因子，它表示智能高低的 因子；系数ai称为因子载荷，表示第i各科目在智能高低上的体 i 是科目变量特有的特殊因子，描述原始变量。这就是一 现； 个最简单的因子模型。 (2) 推广到m个因子，如数学因子、记忆因子、计算因子 等，分别记为F1,…,Fm。
实例2 调查青年对婚姻家庭的态度，抽取n个青年回答了 p=50个问题的答卷，这些问题可归纳为如下的几个方面： 如对相貌的重视，对孩子的观点、对老人的态度等。 实例3 考察人体的五项生理指标：收缩压（X1)、舒张压 （X2)、心跳间隔（X3)、呼吸间隔（X4)和舌下温度（X5)。 从生理学知识，这五项指标是受植物神经支配的，植物神 经又分为交感神经和副交感神经，因此这五项指标也可以 用因子分析模型去处理。
主成分分析的成功需满足如下两点： （1）前（少数）几个主成分具有较高的累计贡献 率；（通常较易得到满足） （2）对主成分给出符合实际背景和意义的解释 。 （往往正是主成分分析的困难之处） 因子分析的用途与主成分分析类似，它也是一种降 维方法。由于因子往往比主成分更易得到解释，故 因子分析比主成分分析更容易成功，从而有更广泛 的应用。
因子分析
因子分析因子分析是根据相关矩阵内部的依赖关系，把一些具有错综复杂关系的变量综合为数量较少的几个因子。
通过不同因子来分析决定某些变量的本质及其分类的一种统计方法。
简单地说，就是根据相关性大小把变量分组，使得同组内的变量之间相关性较高，不同组的变量相关性较低。
每组变量代表一个基本结构，这个基本结构称为因子。
因子分析是利用少数几个潜在变量或公共因子去解释多个显在变量或可观测变量中存在的复杂关系的分析方法，也是一种将多变量降维处理的方法。
因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。
因子的特点：1.因子个数远远少于原有变量的个数2.因子能够反映原有变量的绝大部分信息3.因子之间线性关系不显著4.因子具有命名解释性因子分析模型因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。
它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。
对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。
因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。
因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。
（i）因子分析常常有以下四个基本步骤：第一步：数据标准化第二步：计算相关系数矩阵第三步：计算相关系数矩阵的特征值以及特征向量第四步：确定综合因子数以及因子结构和因子模型第五步：计算因子得分（ii）因子分析的计算过程：（1）将原始数据标准化，以消除变量间在数量级和量纲上的不同。
（2）求标准化数据的相关矩阵；（3）求相关矩阵的特征值和特征向量；（4）计算方差贡献率与累积方差贡献率；（5）确定因子：设F1，F2，…，Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；（6）因子旋转：若所得的m 个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。
因子分析数据处理
因子分析数据处理因子分析是一种常用的多变量分析方法，广泛应用于数据处理和数据降维。
它可以帮助研究者从大量的变量中提取出几个重要的综合性因子，用于解释数据的变异性。
在本文中，我们将介绍因子分析的基本原理、数据处理过程以及应用案例。
一、因子分析的基本原理因子分析是建立在多元统计学的基础上的，它的目的是通过寻找一些隐性变量（因子）来解释观测到的变量之间的关联关系。
在因子分析中，我们假定观测到的变量是隐性因子的线性组合，并且引入一个误差项来解释每个观测到的变量与其线性组合之间的不完全一致。
具体而言，假设我们观测到了m个变量和n个个体，我们的目标是找到k个（k<m）综合性因子，使得每个观测到的变量都可以由这些因子解释。
我们可以将因子分析的模型表示为：X = AF + E其中，X是一个m×n的观测矩阵，A是一个m×k的因子载荷矩阵，F是一个k×n的因子矩阵，E是一个m×n的误差矩阵。
因子载荷矩阵A表示观测到的变量与因子之间的关系，因子矩阵F表示个体在各个因子上的得分。
二、因子分析的数据处理过程在进行因子分析之前，我们需要对数据进行处理。
主要包括数据清洗、数据标准化和参数估计等步骤。
1. 数据清洗：首先，我们需要检查数据中是否存在缺失值和异常值，并进行处理。
如果存在缺失值，可以选择删除缺失值或者使用插补方法进行填补。
如果存在异常值，可以选择删除或者转换为缺失值。
2. 数据标准化：因为不同变量可能具有不同的度量标准和方差范围，为了消除度量单位的影响，我们需要对数据进行标准化。
常见的方法有标准化（均值为0，方差为1）、范围缩放（将数据缩放到指定的范围）和正则化（将数据按行缩放至0-1之间）。
3. 参数估计：数据标准化后，我们可以利用最大似然估计法或者主成分分析法来估计因子载荷矩阵A和因子矩阵F。
最大似然估计法是一种常用的参数估计方法，它假设数据服从多元正态分布。
而主成分分析法则是一种非参数的数据降维方法，它假设数据的变异来自于若干个无关的主成分。
因子分析方法
因子分析方法因子分析方法是一种常用的统计分析方法，旨在揭示观测变量背后潜在的结构和关系。
通过因子分析，我们可以将大量的观测变量简化为更少的几个潜在因子，从而更好地理解和解释数据。
本文将介绍因子分析方法的基本原理、步骤以及在实际应用中的一些注意事项。
一、因子分析的基本原理因子分析基于以下两个基本假设：1. 观测变量与潜在因子存在一定的相关关系；2. 每个观测变量受到多个潜在因子的共同影响。
通过这两个基本假设，我们可以通过因子分析方法找到一种最优的线性组合方式，将观测变量转化为潜在因子。
因子分析的目的是找到尽可能少的潜在因子，同时最大程度地保留原始观测变量的信息。
二、因子分析的步骤1. 确定研究目的和问题：在进行因子分析之前，我们首先需要明确研究的目的和问题。
例如，我们可能希望通过因子分析来探究某个潜在因子对观测变量的影响程度，或者希望构建一个包含多个潜在因子的模型来解释数据。
2. 收集和准备数据：在进行因子分析之前，我们需要收集并准备相关数据。
通常，因子分析要求观测变量具有连续性和多样性，以及足够的样本量。
3. 选择因子提取方法：因子提取是因子分析的核心步骤之一。
在因子提取时，我们需要选择适合的数学方法来确定最优的潜在因子数量。
常用的因子提取方法包括主成分分析法和最大似然估计法。
4. 进行因子旋转：因子旋转是因子分析的另一个关键步骤。
通过因子旋转，我们可以使得因子与观测变量之间的相关性更加清晰和解释性更强。
常用的因子旋转方法包括正交旋转和斜交旋转。
5. 评估和解释因子：在完成因子提取和因子旋转后，我们需要对结果进行评估和解释。
这包括检查因子载荷矩阵、因子解释度、公因子方差等。
通过这些指标，我们可以判断因子分析的结果是否合理和可靠。
三、因子分析的注意事项1. 样本量的要求：因子分析要求样本量较大，一般建议样本量不少于200。
较小的样本量可能导致因子分析结果不稳定，难以进行可靠的解释。
2. 变量选择的原则：在因子分析中，我们需要选择合适的变量进行分析。
因子分析
1 因子分析内涵1.1 因子分析定义（1）因子分析(factor analysis)是一种数据简化的技术。
它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个假想变量来表示其基本的数据结构。
这几个假想变量能够反映原来众多变量的主要信息。
原始的变量是可观测的显在变量，而假想变量是不可观测的潜在变量，称为因子。
例如，在企业形象或品牌形象的研究中，消费者可以通过一个有24个指标构成的评价体系，评价百货商场的24个方面的优劣。
但消费者主要关心的是三个方面，即商店的环境、商店的服务和商品的价格。
因子分析方法可以通过24个变量，找出反映商店环境、商店服务水平和商品价格的三个潜在的因子，对商店进行综合评价。
而这三个公共因子可以表示为：称 是不可观测的潜在因子。
24个变量共享这三个因子，但是每个变量又有自己的个性，不被包含的部分 ，称为特殊因子。
（2）因子分析与回归分析、主成分分析的区别：因子分析与回归分析不同，因子分析中的因子是一个比较抽象的概念，而回归因子有非常明确的实际意义；主成分分析与因子分析也有不同，主成分分析仅仅是变量变换，而因子分析需要构造因子模型。
主成分分析:原始变量的线性组合表示新的综合变量，即主成分；因子分析：潜在的假想变量和随机影响变量的线性组合表示原始变量。
1.2 几个主要概念1. 因子载荷：某个因子与某个原变量的相关系数，主要反映该公共因子对相应原变量的贡献力大小。
2. 变量共同度：对某一个原变量来说，其在所有因子上的载荷的平方和就叫做该变量的共同度。
它反映了所有公共因子对该原变量的方差（ 变异 ）的解释程度。
如果因子分析结果中大部分变量的共同度都高于 0.8，说明提取的公共因子已经基本反映了原变量 80％ 以上的信息，因子分析效果较好。
变量共同度是衡量因子分析效果的常用指标。
3. 公共因子的方差贡献:是某公共因子对所有原变量载荷的平方和, 它反映该公共因子对所有原始总变异的解释能力，等于因子载荷矩阵中某一列载荷的平方和。
因子分析
表达式中的 xi 已经 不是原始变量，而 是标准化变量
旋转后的因子载荷图
旋转后的因 子载荷系数 更加接近于 1( 如 果 旋 转 后的因子载 荷系数向 0— 1分化越明显， 说明旋转的 效果越好 ) ， 从而使因子 的意义更加 清楚了
因子得分函数
因子得分是各变量 的线性组合
因子分析的应用
(实例分析)
【例】根据我国 31 个省市自治区 2006 年的 6 项主 要经济指标数据，进行因子分析，对因子进行 命名和解释，并计算因子得分和排序
31个地区6项经济指标的因子分析
第 1步 将所
选择【Analyze】【Data Reduction-Factor】主对话框。
Bartlett球度检验
以变量的相关系数矩阵为基础，假设相关系数矩阵是 单位阵(对角线元素不为0，非对角线元素均为0)。如 果相关矩阵是单位阵，则各变量是独立的，无法进行 因子分析
KMO检验
用于检验变量间的偏相关性，KMO统计量的取值在 0～1之间
如果统计量取值越接近1，变量间的偏相关性越 强，因子分析的效果就越好
因变量和因子个数的不一致，使得不仅在数学模 型上，而且在实际求解过程中，因子分析和主成 分分析都有着一定的区别，计算上因子分析更为 复杂。 因子分析可能存在的一个优点是：在对主成分和 原始变量之间的关系进行描述时，如果主成分的 直观意义比较模糊不易解释，主成分分析没有更 好的改进方法；因子分析则额外提供了“因子旋 转(factor rotation)”这样一个步骤，可以使分析 结果尽可能达到易于解释且更为合理的目的。
因子分析
Factor analysis
因子分析
统计学中的因子分析
统计学中的因子分析统计学中的因子分析是一种用于确定数据中隐藏关系或共同因素的方法。
它可以帮助我们简化数据集，从而更好地理解数据背后的结构和模式。
因子分析广泛应用于社会科学、市场研究、心理学等领域，对于数据分析和模型建立具有重要意义。
一、因子分析的基本概念因子分析是一种统计学方法，旨在通过找到潜在因子来解释数据集中的变异。
潜在因子是指能够解释变量共同变异的一组变量（因素），它们在统计分析中无法直接观测到。
因子分析的目标是通过识别和描述这些潜在因子来简化数据集。
在因子分析中，我们假设观测到的变量与潜在因子之间存在线性关系。
通过因子分析，我们可以确定每个观测变量与每个因子之间的关系强度（因子载荷）以及每个观测变量的因子载荷。
二、因子分析的应用1. 社会科学领域在社会科学中，因子分析被广泛用于测量和理解复杂的社会现象。
例如，在调查研究中，因子分析可以用于分析问卷调查中的多个变量，并识别这些变量背后的共同因素。
通过因子分析，我们可以将大量的变量简化为更少的几个因子，从而更好地理解调查数据。
2. 市场研究领域因子分析在市场研究中也有广泛的应用。
例如，通过对消费者行为数据进行因子分析，可以识别潜在的购买动机和偏好因子。
这有助于市场研究人员理解消费者行为背后的动因，从而更好地制定营销策略。
3. 心理学领域在心理学研究中，因子分析被广泛用于测量和理解人的特质和态度。
通过因子分析，研究人员可以识别潜在的心理特征或因素，如个人素质、人格特征等。
这些因子对于了解人的行为和心理状态非常重要。
三、因子分析的步骤因子分析可以分为以下几个基本步骤：1. 建立模型在进行因子分析之前，我们需要明确研究的目的，并选择合适的因子分析模型。
常用的因子分析模型包括主成分分析和最大似然估计法。
2. 数据准备数据准备是因子分析的重要一步。
我们需要确保数据的可靠性和可用性，包括数据的完整性、一致性和合适的缺失值处理。
3. 因子提取在因子提取阶段，我们尝试从原始数据中提取最重要的因子。
- 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)。
关于全国中心城市综合发展水平的因子分析
邵祥凤08121112 08数学1班
中心城市的综合发展是带动周边地区经济发展的重要动力。
在我国经济发展的过程中，各个中心城市一直是该地区经济和社会发展的“引路者”。
因而，分析评价全国35个中心城市的综合发展水平，无论是对城市自身的发展，还是对周边地区的进步，都具有十分重要的意义。
因而下面我们针对书中的例6-3应用因子分析模型，选取反映城市综合发展水平的12个指标作为原始变量，运用SPSS软件，对全国35个中心城市综合发展水平的作分析评价。
其中指标的选取我们参考了《中国城市统计年鉴》中指标的设置。
具体的指标如下：
首先是8个社会经济指标，分别是：x1---非农业人口数（万人）；x2---工业总产值（万元）；x3---货运总量（万吨）x4---批发零售住宿餐饮业从业人数（万人）；x5---地方政府预算内收入（万人）；x6---城乡居民年底储蓄余额（万元）；x7---在岗职工人数（万人）；x8---在岗职工工资总额（万元）；
再而是4个城市公共设施水平的指标，分别为：x9---人均居住面积（平方米）；x10---每万人拥有公共汽车数（辆）；x11---人均拥有铺装道路面积（平方米）；x12---人均公共绿地面积（平方米）。
另外，此例中的数据来源于《中国城市统计年鉴（2004）》，具体数据见下
表2：
的值越小，则表明数据进行因子分析是较合适的。
对于表2 ，0.723>0.6,且Sig=0，则表明例6-3的数据能够进行因子分析。
其中，表3给出了此次分析从每个原始变量中提取的信息，表下的注释表明，此次分析是用了因子
分析模块默认的信息提取方法即主
成分分析完成的。
我们可以从表中看出，除了人均公共绿地面积和人均居住面积信息损失较大之外，主成分几乎包含了各个原始变量80%-90%的信息。
默认保留特征根大于1的主成分，从该表中可看出，保留3个主成分为宜，而这三个主成分集中了原始12个变量信息的87.105%。
可见效果还是不错的。
交旋转。
则得到下表6。
由旋转后的
因子载荷矩
阵可以看出，
公共因子F1
在
x1,x2,x3,x4
,x5,x6,x7,x
8,x9,上的载
荷值都很大。
其中，
x1,x7,x8是
反映城市规
模的指标；
x2,x3反映城
市工业发展
规模；x4是反
映城市第三
产业的发展
规模；x5是政
府作为国家
的管理者和
国有资产的所有者而获得的收入，在一定的程度上反映了居民的收入水平，因而，x5,x6在一定程度上反映了城市的国民收入水平；因而F1为反映城市规模及经济发展水平的公共因子，在这个因子上的得分越高，城市经济发展越高，城市规模越大；公共因子F2由于在x10，x11,x12上的载荷较大，是反映城市的基础设施水平的公共因子，在此因子上的得分则反映了一个城市的基础设施水平；公共因子F3仅在x9上有较大的载荷，是反映城市居民住房条件的公共因子。
我们可由上表6的结果，原变量x1可由各因子表示为：
x1=0.929*F1-0.183*F2+0.039*F3;
原变量x2可由各因子表示为：
x2=0.806*F1+0.309*F2+0.344*F3;
则其余依次类推。
最后，计算因子得分，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。
结果见表7。
有了对各个因子合理的解释，结合各个城市在三个公共因子上的得分和综合得分，就可对各中心城市的综合发展水平进行评价。
由在城市经济规模因子F1上得分最高的前五个城市依次是上海，北京，广州，天津和重庆，其中上海为3.58，北京为3.37，远高于其他城市，则就城市经济发展规模而言，上海，北京是我国最大的城市，规模远大于其他城市；在F1上得分较低的城市有西宁，银川。
在F2上得分较高的是深圳，广州和南京，而重庆，武汉得分较小，表明得分高的城市基础设施水平在全国是较好的，而重庆等城市相对较差，还需进行改善。
在F3上得分较高的城市有上海，重庆和深圳，说明居民在居住条件上较好，而北京和哈尔滨则需要完善。
表7的最后一列F则是表明各城市的综合得分。
根据综合得分就可综合评价城市的发展水平。
综合得分前五名的城市依次是上海，北京，深圳，广州和天津。
而最低的五个城市依次是西宁，银川，兰州，呼和浩特和海口。
此外，综合得分值大于零的城市还有广州，天津，重庆，南京，青岛，成都，杭州等，但是这些城市与上海，北京及深圳仍有一定的差距。
而就综合来说，东部地区发展水平高于西部地区。
对各城市的发展水平的因子分析，全文还有许多有待完善的地方，例如，可以做出成分的碎石图，来分析所要确定的主成分；还可以有各城市的因子得分图，可以更直观的来分析各城市之间的差异性。
希望可以在以后的学习中来加强。