SPSS探索性因子分析的过程
用SPSS做探索性因子分析
DRAFT ONLY附：在SPSS 中做探索性因子分析110.12操作步骤23 第一步：载入数据并启动因子分析。
4567 第二步：选择因子所对应的测度项。
在这个研究中，我们选择对应于七个变量(包括8 自变量、因变量、与控制变量) 的测度项。
910告读者丗本书的正式版丆《社会调查设计与数据分析:从立题到发表》丆 终于作为国内最好的研究方法丛书-重庆大学万卷方法丛书的一员出版了乮六2011年6月乯。
有兴趣购买的读者现在可以从卓越购买。
相比于意见稿丆正式版丗- 增加了第13章丆构成性测度与PLS•C - 增加了第14章丆潜变量的调节作用 - 大量充实第15章丆论文写作与发表- 第12章中数据分析的结果做了大量更新丆原内容介绍的方法与数据分析的结论虽然正确丆数据计算结果有错误。
其它各章也做了相当多的修改丆不再赘述。
正式版比意见版的内容增加了大概三分之一。
这些新增的内容对于科研人员和方法论老师来讲是十分重要。
本附录是书稿的一部分。
DRAFT ONLY12第三步：设定因子求解办法为主成分分析法。
使用相关系数矩阵，并设定主要因子的34特征根大于1。
5678第四步：设计因子旋转方法为“Varimax”。
然后在“Factor Analysis”窗口中按“ok”开始计算。
910DRAFT ONLY1210.13主成分分析的结果34 对应于27个测度项，主成分分析法一共产生了27个因子。
这是可以产生的因子个数5 的上限。
“Total ”列报告了每一个因子所对应的特征值。
“% of Variance ”表示这个特征6 值在所有特征值和中的比例。
“Extraction Sums of Squared Loadings ”这一列反映了特征根7 大于1的因子。
在这个例子中，我们顺利地得到了7个因子。
相应地，在用碎石坡法对因8 子进行目测时，我们得到的结果是一致的。
请读者参看本章中的相应图例。
值得一提的9 是，第八个因子的特征根为0.967，十分接近1。
SPSS探索性因子分析报告地过程
现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示：问题题项从未使用很少使用有时使用经常使用总是使用1 2 3 4 5a1 电脑a2 录音磁带a3 录像带a4 网上资料a5 校园网或因特网a6 电子邮件a7 电子讨论网a8 CAI课件a9 视频会议a10 视听会议一．因子分析的定义在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。
因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。
多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。
更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。
因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。
用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。
因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。
二．数学模型im im i i i i U F F F F Z +++++=αααα · · · 332211i Z 为第i 个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的那批分数中的相对位置的。
）m F 为共同因子；m 为所有变量共同因子的数目；i U 为变量i Z 的唯一因素；im α为因子负荷。
（也叫因子载荷，统计意义就是第i 个变量与第m 个公共因子的相关系数,它反映了第i 个变量在第m 个公共因子上的相对重要性也就是第m 个共同因子对第i 个变量的解释程度。
）因子分析的理想情况，在于个别因子负荷im α不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则i U 彼此间不能有关联存在。
使用SPSS进行探索式因素分析的教程
使用SPSS进行探索式因素分析的教程探索性因素分析是一种统计方法，用于确定一组变量之间的潜在结构。
SPSS是一种常用于数据分析的软件工具，它提供了强大的因素分析功能。
以下是一个使用SPSS进行探索性因素分析的简单教程，该教程可以帮助您了解如何使用SPSS来执行因素分析并对结果进行解释。
步骤1：导入数据步骤2：准备数据确保您的数据符合因素分析的前提条件。
确定您要进行因素分析的变量是否具有线性关系，并进行必要的数据转换（例如，对数转换）以满足这个条件。
步骤3：执行因素分析在SPSS的“分析”菜单下，选择“数据准备”和“因子”。
在弹出的对话框中，选择您要进行因素分析的变量并将其移动到“因子”框中。
选择“萃取方法”（如主成分分析或最大似然估计）并指定要提取的因素的数量。
您还可以选择执行因子旋转以获得更简单和解释性更强的因子结构。
步骤4：解读结果SPSS将生成一个因素分析的输出报告，其中包含多个表格和图形。
以下是一些常见的解读步骤：-总体解释：观察“总体解释”表，了解因子数量和提取方法的解释力度。
查看“因素”的特征值，了解提取的因子解释的总方差比例。
-因子负荷：查看“因子负荷”表，该表显示了原始变量与提取的因子之间的相关性。
较高的因子负荷表示原始变量与特定因子之间的较强关联。
-因子旋转：如果您选择了因子旋转，则查看“旋转因子载荷矩阵”表，该表显示了旋转后的因子负荷。
查看这些旋转后的因子负荷以确定是否存在更简单的因子结构。
-因子得分：根据选定的因子分析方法，可以生成每个观测值的因子得分。
这些得分表示了每个观测值在每个因子上的得分情况，可以用于后续的分析和解释。
步骤5：解释因子根据因子负荷和因子名称，解释每个因子代表的潜在结构。
结合领域知识和因子负荷，您可以确定每个因子是否与特定概念或潜在维度相关联。
步骤6：结果报告根据您的研究目的和需要，将因子分析的结果写入报告中。
确保清楚地描述因子数量、命名以及每个因子代表的结构或概念。
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(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。
SPSS探索性因子分析的过程
SPSS探索性因子分析的过程探索性因子分析（Exploratory Factor Analysis，EFA）是一种统计方法，旨在帮助研究者理解和解释大量变量之间的关系。
它可以用于数据降维、信度分析和测量模型构建等多种研究目的。
以下是SPSS中进行探索性因子分析的详细步骤：1.数据准备：-打开SPSS软件，并导入数据文件。
-确保数据变量符合连续性或有序性测量标准。
如果存在分类变量，需要进行变量转换，如使用哑变量编码。
2.确定分析目的和因变量：-确定研究目的，明确是否要进行因子分析以及预期得到的结果。
-选择用于分析的变量，这些变量应当在理论上与研究目的相关，并且在实践中已经得到应用。
3.进行初始的探索性因子分析：-在「分析」菜单中选择「数据降维」，然后选择「因子」。
-从左侧的变量列表中选择需要进行因子分析的变量，将其添加到右侧的「因子分析」框中。
-在「提取」选项卡中，选择提取的因子数量。
通常，可以通过解释方差方法选择大于1的特征根值，或者根据理论确定因子数量。
-点击「列表」按钮，查看提取出的因子信息，包括特征根值、解释方差和因子载荷。
根据因子载荷大小判断变量与因子之间的关系。
4.进行旋转：-在「提取」选项卡中，点击「旋转」按钮。
- 在旋转选项卡中，选择旋转方法。
常用的旋转方法包括方差最大化（Varimax）、直角旋转（Orthogonal rotation）和斜交旋转（Oblique rotation）。
-点击「列表」按钮，查看旋转后的因子载荷。
选择合适的旋转结果，以使因子载荷更加清晰和解释性更好。
5.进行因子得分估计：-在主对话框中，点击「因子得分」选项卡。
-选择要估计的因子得分的方法。
可选择「最大似然估计」或「预测指标法」。
-点击「存储因子得分」复选框，以将因子得分保存到数据文件中。
-点击「OK」按钮进行分析。
6.结果解读：-分析结果包括提取的因子信息、旋转后的因子载荷、因子得分和信度分析等。
-根据因子载荷和理论知识，解释每个因子代表的潜在构念。
SPSS探索性因素分析之具体步骤探讨
SPSS探索性因素分析之具体步骤探讨探索性因素分析之具体步骤探讨文/哈工程大学应用心理学系曹国兴这主要针对的是预试问卷而言，也就是说在初试问卷经过了语义分析，专家讨论论证之后最终得出的问卷。
以下的经验是根据我编制职业承诺问卷的基础上总结而来，错误之处希望同行指教。
首先要说的是关于样本数量的问题。
按照统计学标准而言，一般样本数应为题目数的5-10倍。
由于我的题目为50，故样本至少为250个。
前期我计划发放样本数为6倍也就是300份，由于样本流失及废卷的原因，最终回收到有效问卷为256份，有效率为85.33%。
当然这是无法避免的。
下面我主要谈一下进行探索性分析的具体步骤：第一：比较明确的一步就是做一下关于各个项目的鉴别度（区分度）的分析。
在这个条件下会删除一部分不适合的题目。
删除程序为SPSS下的Analyze→Scale→ReliabilityAnalysis。
比较保险的的是从比较小的鉴别度一步一步删除，每次删一些较低的题目就看一下科隆巴赫系数的大小，直到满意为止。
当然也可以直接将低于0.3的题目删除。
注意的是删除的应为那些删除后科隆巴赫系数值提高的题目，如果删除后科隆巴赫系数值降低，这就需要重新考虑了。
结合语义分析取舍。
第二：在这种情况下一般而言，进行问卷设计之前所有的题目究竟是属于哪一个维度或者有几个维度应该有一定的假设，此时应该如下操作：（1）首先是反向题目的更改。
这方面需要注意的就是每次关闭文件的时候注意不要保存或者你将反向题目更改后的文件保存下来，一定要注明，因为如果你忘记了，就会混淆到底反向题目有没有修改过。
（2）也就是重点阶段。
顾名思义探索性因子分析就好比你是一个探险家在探索一块未知的领域，你不知道去哪一个方向才是正确的，也许你走了很长的路却与你所期望的目的地相反。
为避免在进行探索性因子分析的时候做无用功，我采用了如下的方法：在最大变异法和极大相等法两种正交旋转下分别对题目进行讨论。
SPSS探索性因子分析的过程
一．因子分析的定义在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。
因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。
多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。
更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。
因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。
用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。
因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。
二．数学模型im im i i i i U F F F F Z +++++=αααα · · · 332211i Z 为第i 个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的那批分数中的相对位置的。
）m F 为共同因子；m 为所有变量共同因子的数目；i U 为变量i Z 的唯一因素；im α为因子负荷。
（也叫因子载荷，统计意义就是第i 个变量与第m 个公共因子的相关系数,它反映了第i 个变量在第m 个公共因子上的相对重要性也就是第m 个共同因子对第i 个变量的解释程度。
）因子分析的理想情况，在于个别因子负荷im α不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则i U 彼此间不能有关联存在。
所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷im α就是第i 个原有变量和第m 个因子变量间的相关系数，也就是i Z 在第m 个共同因子变量上的相对重要性，因此，im α绝对值越大则公共因子和原有变量关系越强。
- 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)。
SPSS探索性因子分析的过程现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示：一. 因子分析的定义在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。
因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。
多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。
更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。
因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。
用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。
因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。
二. 数学模型Z i i1F1 i2^ i3F3 …im F m U i乙为第i个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的那批分数中的相对位置的。
）F m为共同因子；m为所有变量共同因子的数目；U为变量Z的唯一因素；i个变量与第im为因子负荷。
（也叫因子载荷，统计意义就是第m个公共因子的相关系数，它反映了第i个变量在第m个公共因子上的相对重要性也就是第m个共同因子对第i个变量的解释程度。
）因子分析的理想情况，在于个别因子负荷im不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则U彼此间不能有关联存在。
所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷.就是第i个原有变量和第m个因子变量间的相关系数，也就是Z在第m个共同因子变量上的相对重要性，因此，.绝对值越大则公共因子和原有变量关系越强。
在因子分析中有两个重要指针：一为“共同性”，二为“特征值”。
所为共同性，也称变量共同度或者公共方差，就是每个变量在每个共同因子的负荷量的平方总和（一横列中所有因子负荷的的平方和），也就是个别变量可以被共同因子解释的变异量百分比，这个值是个别变量与共同因子间多元相关的平方。
从共同性的大小可以判断这个原始变量与共同因子间的关系程度。
如果大部分变量的共同度都高于0.8，则说明提取出的共同因子已经基本反映了各原始变量80%以上的信息，仅有较少的信息丢失，因子分析效果较好。
而各变量的唯一因素就是1减掉该变量共同性的值，就是原有变量不能次是次大者，最后抽取的共同因子的特征值会最小，通常 接近于0。
将每个共同因子的特征值除以总题数，为此共同 因子可以解释的变异量，因子分析的目的之一，即在因素 构的简单化，希望以最少的共同因子能对总变异量做最大 解释，因而抽取的因素越少越好，但抽取的因子的累积变 量越大越好。
三.SPSS 中实现过程 （一）录入数据31»93 胡 a5砖fl7S3a10Afi1 皿 6.00 53 1.001.1I0 i.tta 11-0 i.oe仙0 训D2 二亠.皿 6.002.DD 2. UO zoo1.001.0Q 3 4 00 300 3.OT 3. TO 4 M3.00i.og 4. DC 1J0 1.0D44.0Q4.W JO200 4.M 2叩2&4叫 讪3W3.M4.QQ1 w <M 1 HQ10Q6 価 2.W 3 W 3.0D 100 J.K 2 CO 3321.Q07俪 4.M * 04』N 3.00 3.00 2. CO4.H 1.Q0TOO1 00 £00JOO1.00 1JC 1.M1 00 toe 1J01.009 100 j.oa t.oo 4 DO工他2.00 4. DC IM i.&D10 5.OU J.(K1 J.M 6.0D £ DO j.ao 3.00 6.C0 3 JO IM 11 5.00 工00 3OT 4.DD 4.DOJ.OC2.00 5.M .2. no 2.oa12 5 004.00 5 004.00 4 DQ 4_M3.00 5.M 2 DO 2.oan 3.00 5.M 5W2.00 fJQ2K1 w 3.W1叩 too 14 俪 1Mi W?DD IN) 询 2 CO 5.W2叩 2.0015s.(n 5 00 3.DD J.QO 工oc2 00 丄QQ 1 00 1^0 16 d(n 丄闻 i.OT4.00 ]DO5.QC 1.&0 4.W too 1.0017£.00 丄00 4.(»5.0D SJO S.W 4. CO 5.M4 DOd.ao 佃 fl.4.00 4.IM 2.003.004.WI.Cf l5. DC 1J0i.aa［弓询 工00 勺35.0DS.DO mu 工oo fi.OC 3.003 MZ0S-.a oIOC4.005.0D 5.DO5-M 2.005. DC 2. DO 1.QD（二）因子分析1.在菜单栏中依次单击“分析” | “降维” | “因子分析”选被因子变量所能解释的部分。
所谓特征值，是每个变量在某一共同因子的因子负荷的 平方总和（一直行所有因子负荷的平方和），在因子分析的的 共同因子抽取中，特征值最大的共同因子会最先被抽取，其会匸！rBM 3眄 Ltwisties灵斗主:珀驛I- WEli. （Ste.D ：轻掀口 忙和也 土袖也卜飪&坦 买用程占也SUIA 刖期◎同AC 雪尙嘲H 圈圍零晅出④■警项卡，打开如图所示“因子分析”对话框。
从原变量量表中选择需要进行因子分析的变量，然后单击箭头按钮将选中的变量选入“变量”列表中。
“变量列表”的变量为要进行因子分析的的目标变量，变量在区间或比率级别应该是定量变量。
分类数据（如：性别等）不适合因子分析。
2.“描述按钮”:主要设定对原始变量的基本描述并对原始变量进行相关性分析。
选中“原始分析结果”复选框，表示因子分析未转轴前之共同性、特征值、变异数百分比及累积百分比，这是一个中间结果，对主成分分析来说，这些值是要进行分析变量的相关或协方差矩阵的对角元素。
KMOf Bartlett 球形度检验用来检验适不适合用来做因子分析。
KMO检验，检验变量间的偏相关是否很小；巴特利特球形检验，检验相关阵是否是单位阵。
KM O直越接近1越适合做因子分析，巴特利特检验的原假设设为相关矩阵为单位阵，如果Sig 值拒绝原假设表示变量间存在相关关系，因此适合做因子分析。
3.单击“抽取”按钮:主要设定提取公共因子的方法和公共因子的个数。
方法：主成分分析法。
SPSS默认方法。
该方法假定原变量是因子变量的线性组合，第一主成分有最大的方差，后续成分可解释的方差越来越少。
这是使用最多的因子提取方法。
分析：相关性矩阵。
表示以相关性矩阵作为提取公共因子的依据，当分析中使用不同的尺度测量变量时比较适合。
输出：未旋转的因子解。
显示未旋转时因子负荷量、特征值及共同性。
碎石图。
表示输出与每个因子相关联的特征值的图，陡大该图用于确定应保持的因子个数，通常该图显示大因子的峭斜率和剩余因子平缓的尾部之间明显的中断。
按特征值小排列，有助于确定保留多少个因子。
抽取：基于特征值。
表示抽取特征值超过指定值的所有因子, 在“特征值大于"输入框中指定值，一般为1。
4.旋转：用于设定因子旋转的方法。
旋转的目的是为了简结构，以帮助解释因子SPSS默认不旋转。
方法：最大方差法：是一种正交旋转方法，他使得对每个子有高负载的变量的数目达到最小，并简化了因子的解释输出：旋转解。
该复选框只有在选择里旋转方法之后才能选择，对于正交旋转会显示已旋转的模式矩阵和因子变换矩阵。
5.得分：用于对因子得分进行设置，即计算因子得分。
取默认值，单击继续按钮。
6.选项：用于设定对变量缺失值的处理和系数显示的格式。
缺失值：按列表排除个案。
去除所有含缺失值的个案后再进行分析。
系数显示格式：按大小排列。
载荷系数按照数值的大小排列, 并构成矩阵，使得在同一因子上具有较高载荷的变量的排列在一起，便于得到结论。
（三）结果分析1.KMO及Bartlett '检验当KM O直愈大时，表示变量间的共同因子愈多，愈适合进行因子分析，根据专家观点，如果KMO的值小于0.5时，较不宜进行因子分析，此处的KMO值为0.695，表示适合因子分析。
此外Bartkett ' s球形检验的原假设为相关系数矩阵为单位阵，Sig 值为0.000小于显著水平0.05，因此拒绝虚无假设，说明变量之间存在相关关系，适合做因子分析。
（Bartkett ' s球形检验的2为234.438，自由度为45,达到显著，代表母群体的相关矩阵间有共同因子存在，适合进行因子分析。
）2.共同性，显示因子间的共同性结果。
在主成分分析中，有多少个原始变量便有多少个成分，所以共同性会等于1，没有唯一因素。
所以本结果中间一栏显示初试共同性都为1，则表示抽取方法为主成分分析法，最右一栏为题项的共同性。
从该表可以得到，因子分析的变量共同度都非常高，表明变量中的大部分信息均能够被因子所提取，说明因子分析的结果是有效的。
3.整体解释的变异数 ------ 旋转之前的数据辭垮护丿总方弄该表给出了因子贡献率的结果，表中左侧部分为初始特征值，中间为提取主因子结果，右侧为旋转后的主因子结果。
“合计” 指因子的特征值，“方差的%表示该因子的特征值占总特征值百分比，“累积％表示累积的百分比。
左边10个成分因子的特征值总和等于10。
解释变异量为特征值除以题项数，如第一个特征值的解释变异量为6.385 ^10=63.579%。
其中自有前三个因子的特征值大于1，并且前三个因子的特征值之和占总特征值的89.366%，因此提取前三个因子作为主因子列于右边，这也是因子分析时所抽出的公共因子数。
由于特征值是由大到小排列，所以第一个公同因子的解释变异量通常是最大者，其次是第二个1.547,再是第三个1.032。
旋转后的特征值为4.389,3.137,1,411 ，解释变异量为43.885%，31.372%，14.108%，累积的解释变异量为43.885%，75.257%，89.366%。
旋转后的特征值不同于转轴前的特征值。
4.碎石图。
特征值的碎石图通常该图显示大因子的陡峭斜率和剩余因子平缓的尾部，之间有明显的中断。
一般取主因子在非常陡峭的斜率上，而处在平缓斜率上的因子对变异的解释非常小。
可以从此碎石图中看出，从第三个因素以后，坡线甚为平坦，因而可以保留3个因素较为适宜。