(整理)spss因素分析教程.
使用SPSS软件进行多因素方差分析
使用SPSS软件进行多因素方差分析使用SPSS软件进行多因素方差分析一、引言多因素方差分析是一种重要的统计方法，用于分析多个自变量对因变量的影响。
它可以帮助研究人员确定不同因素对研究对象的差异产生的影响，以及这些因素之间是否存在交互作用。
SPSS软件是一款功能强大且易于使用的统计分析工具，可以帮助用户在进行多因素方差分析时快速、准确地得出结果。
本文将介绍使用SPSS软件进行多因素方差分析的步骤，并通过一个案例来具体说明。
二、SPSS软件介绍SPSS（Statistical Package for the Social Sciences）是一款专业的统计分析软件，被广泛应用于社会科学、医学、商业等领域。
它提供了丰富的统计方法和分析工具，并具备数据清洗、可视化、报告生成等功能。
在多因素方差分析中，SPSS 可以帮助用户进行方差分析表的生成、方差分析的可视化、方差齐性检验和事后比较等操作，大大简化了分析过程。
三、多因素方差分析的步骤1. 数据准备：将需要分析的数据录入SPSS软件，并确定自变量和因变量的测量水平。
一般自变量为定类变量，而因变量可以是定量或定类变量。
2. 方差分析表的生成：选择“分析”菜单中的“一元方差分析”选项，然后将因变量添加到依赖变量框中，将自变量添加到因子框中。
接下来，点击“选项”按钮设置参数，如设定显著性水平和置信区间。
点击“确定”后，SPSS会生成方差分析表。
3. 方差分析的可视化：在方差分析表中，用户可以查看各个因素的主效应和交互作用，以及统计指标如F值、p值等。
此外，SPSS还提供了绘制效应图、交互作用图等功能，帮助用户更直观地理解分析结果。
4. 方差齐性检验：方差齐性检验用于验证因变量的变异是否在各组间具有相同的方差。
SPSS软件可以通过选择“分析”菜单中的“Compare Means”选项，进而进行多个组间方差齐性检验。
5. 事后比较：当发现方差分析存在显著差异时，需要进一步进行事后比较以确定差异所在。
数据统计分析及方法SPSS教程完整版
Cumulative Percent 76.6 82.3 100.0
二、程序方式
在Syntax编辑窗口中键入以下程序： Get file=‘c:\program files\spss\employee data.sav’. Frequencies variables = jobcat/order = analysis。
（3）定矩尺度（Interval Measurement）：定矩尺度是对事物类 别或次序之间间距的测度。
特点：不仅能将事物区分为不同类型并进行排序，而且可能准确指 出类别之间的差距是多少；定居变量通常以自然或物理单位为计量 尺度，因此测量结果往往表现为数值，所以计量结果可以进行加减 运算。
（4）定比尺度（Scale Measurement）：定比尺度是能够测算 两个测度值之间比值的一种计量尺度，它的测量结果同定距变 量一样表现为数值。
SPSS Categories SPSS Complex Sample SPSS Conjoint SPSS Exact Test SPSS Maps SPSS Missing Value
Analysis SPSS Regression
SPSS Tables
SPSS Trends
功能 一般线性模型、混合线性模型、对数线性模型、
注意：在输入数据时不应输入引号，否则双引号将会作为字 符型数据的一部分。
日期型：日期型数据是用来表示日期或时间的。日期型数据 的显示格式有很多，SPSS以菜单方式列出日期型数据的显 示格式以供用户选择。事实上，SPSS存储中的日期型变量 是该实践与1582年10月14日零点相差的秒数。
关于日期型格式的几点说明：
1.2.2 SPSS的5个窗口
（1）数据编辑窗口（SPSS Data Editor）
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。
SPSS-多因素方差分析
④在Univariate对话框中，单击Options…按钮。在Options对话框中， 把Factor(s) and Factor Interations栏中的变量“保存时间”、 “保存温度”、 和“保存时间*保存温度”放入Display Means for栏；并在Display多选项中，选择Descriptive statistics， Estimates of effect size，Homogeneity tests。单击Model…，选择 默认项，即Full factorial项（全析因模型），单击Continue按钮返 回。
⑤在Univariate对话框，单击OK按钮得到Univariate过程的运行结果。
7
结果
8
均数分布图
9
例２， 用5×2×2析因设计研究5种 类型的军装在两种环境、两种活动状 态下的散热效果，将100名受试者随 机等分20组，观察指标是受试者的主 观热感觉(从“冷”到“热”按等级评 分)，结果见下表。试进行方差分析。
多因素方差分析
1
一、析因设计资料的方差分析 两因素两水平 三因素多水平
2
析因设计的特点
必须是： 两个以上（处理）因素（factor）（分 类变量）。 两个以上水平（level）。 两个以上重复（repeat）。 每次试验涉及全部因素，即因素同时 施加观察指标（观测值）为计量资料 （独立、正态、等方差）。
24
25
SPSS数据分析问题提出与实例导学 第11章 效度检验因素分析.ppt
（第十一部分）
主讲：赵小军（安庆师范学院） 祁禄（广州大学）
第十一章 效度检验――因素分析
第一节 因素分析统计知识简介
一、R型因子分析与Q型因子分析
R型因子分析是针对变量所做的因子分析，其 基本思想是通过对变量的相关系数矩阵内部结构 的研究，找出能够控制所有变量的少数几个随机 变量去描述多个随机变量之间的相关关系。但这 少数几个随机变量是不能直接观测的，通常称为 因子。然后再根据相关性的大小把变量分组，使 同组内的变量之间的相关性较高，不同组变量之 间的相关性较低。Q型因子分析是针对样品所做 的因子分析。
具体来讲，探索性因素分析与验证性因素分析模型假设有一些区分: 【探索性因素分析的假设】
（1）所有的公共因素都相关（或都无关）； （2）所有的公共因素直接影响所有的观测变量； （3）特殊因素之间相互独立； （4）所有观测变量只受一个特殊因素的影响； （5）公共因素和特殊因素相互独立 ； （6） 观测变量与潜在变量之间的关系不是事先假定的； （7）潜在变量的个数不是在分析前确定的； （8）模型通常是不可识别的。 【验证性因素分析的假设】
correlation matrix框： coefficients:相关系数矩阵 significance level:显著性水平 determinant:相关系数矩阵的行列式 inverse:相关系数矩阵的逆矩阵 reproduced:由k（k≤m）个主成分再生的原变量相关系数矩阵 anti-image:反映象相关矩阵 KMO and Bartlett’s test of sphericity ：KMO检验和Bartlett检 验，它是对分析模型的适宜程度的检验。（必选）
（1）正交旋转：正交，指旋转过程中，因子之间 的轴线夹角为90度，即因子之间的相关设定为0。 有最大变异法，四方最大法，均等变异法。 （2）斜交旋转：先求得在正交因素模型下的因素 负荷矩阵B，然后对因素负荷矩阵A作斜交变换T*， 求得斜交负荷矩阵A*=BT*。这种方法因子与因子 之间具有一定的相关性。有最小斜交法，最大斜 交法和四方最小法。 至于采用何种转轴法，研究者可以根据文献探究 与理论基础分析结果作为依据，如果相关理论上 显示共同因素层面间是彼此独立，没有关系存在 的，则应采取正交转轴法；如果依理论研究所得， 因素层面间，彼此有相关并且非独立的，则应采 取斜交转轴法。在心理学与教育学中，更多的可 能应该选择斜交旋转。
(整理)使用SPSS进行探索式因素分析的教程.
第4章探索式因素分析在社会与行为科学研究中，研究者经常会搜集实证性的量化资料來做验证，而要证明这些资料的可靠性与正确性，则必须依靠测量或调查工具的信度或效度（杨国枢等，2002b）。
一份好的量表应该要能够将欲研究的主题构念（Construct，它是心理学上的一种理论构想或特质，无法直接观测得到）清楚且正确的呈现出来，而且还需具有「效度」，即能真正衡量到我们欲量测的特性，此外还有「信度」，即该量表所衡量的结果应具有一致性、稳定性，因此为达成「良好之衡量」的目标，必须有以下两个步骤：第一个步骤是针对量表的题项作项目分析，以判定各项目的区别效果好坏；第二步骤则是建立量表的信度与效度。
量表之项目分析、信度检验已于第2、3章有所说明，本章将探讨量表之效度问题。
4-1 效度效度即为正确性，也就是测量工具确实能测出其所欲测量的特质或功能之程度。
一般的研究中最常使用「内容效度」（Content Validity）与「建构效度」（Construct Validity）来检视该份研究之效度。
所谓「内容效度」，是指该衡量工具能足够涵盖主题的程度，此程度可从量表内容的代表性或取样的适切性来加以评估。
若测量内容涵盖所有研究计划所要探讨的架构及内容，就可说是具有优良的内容效度。
在一般论文中，常使用如下的描述来「交代」内容效度：本研究问卷系以理论为基础，参考多数学者的问卷内容及衡量项目，并针对研究对象的特性加以修改，并经由相关专业人员与学者对其内容审慎检视，继而进行预试及修正，因此本研究所使用之衡量工具应能符合内容效度的要求。
本研究之各研究变项皆经先前学者之实证，衡量工具内容均能足够地涵盖欲探讨的研究主题。
另外，本研究于正式施测前，亦针对问卷之各题项与相关领域的学者、专家进行内容适切度之讨论，因此，研究采用之衡量工具应具内容效度。
在内容效度方面，主要是根据文献探讨及专家研究者的经验。
然因本研究问卷设计之初，考虑目前相关的文献中，尚未对本研究议题提出实证性问卷，故只能自行设计量表，对于内容效度是否达成，尚有疑虑。
（整理）spss因素分析教程.
（整理）spss因素分析教程.⼆、利⽤SPSS对量表进⾏因素分析【例6-9】现要对远程学习者对教育技术资源的了解和使⽤情况进⾏了解，设计⼀个⾥克特量表，如表6-27所⽰。
将该量表发放给20⼈回答，假设回收后的原始数据如表6-28所⽰。
操作步骤：⒈录⼊数据定义变量“A1”、“A2”、“A3”、“A5”、“A6”、“A7”、“A8”、“A9”、“A10”，并按照表输⼊数据，如图6-33所⽰。
⒉因素分析（1）选择“AnalyzeData ReductionFactor…”命令，弹出“Factor Analyze”对话框，将变量“A1”到“A10”选⼊“Variables”框中,如图6-34所⽰。
（2）设置描述性统计量单击图6-34对话框中的“Descriptives…”按钮，弹出“Factor Analyze:Desc riptives”（因素分析：描述性统计量）对话框，如图6-35所⽰。
①“Statistics”（统计量）对话框A “Univariate descriptives”（单变量描述性统计量）：显⽰每⼀题项的平均数、标准差。
B “Initial solution”（未转轴之统计量）：显⽰因素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。
②“Correlation Matric”（相关矩阵）选项框A “Coefficients”（系数）：显⽰题项的相关矩阵B “Significance levels”（显著⽔准）：求出前述相关矩阵地显著⽔准。
C “Determinant”（⾏列式）：求出前述相关矩阵地⾏列式值。
D “KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）：显⽰KMO抽样适当性参数与Bartlett’s的球形检定。
E “Inverse”（倒数模式）：求出相关矩阵的反矩阵。
F “Reproduced”（重制的）：显⽰重制相关矩阵，上三⾓形矩阵代表残差值；⽽主对⾓线及下三⾓形代表相关系数。
SPSS数据分析教程因子分析(共36张PPT)
12.2 因子分析的统计理论
因子分析假设每一个原始变量都可以表示成不 可观测的公共因子的线性组合和一个特殊因子 之和。
X11 a11F1a12F2 a1qFq1
X2
2
a21F1a22F2
a2qFq 2
Xpp ap1F1ap2F2 apqFqp
因子分析模型（1）
这里q为公共因子的个数 ，F1，…,Fq表示公共
它衡量公共因子的重要性。
因子分析模型的求解方法 （1）
SPSS中给出了7种求解因子分析模型的方法
主成分 未加权的最小平方法 综合最小平方法 最大似然（K） 主轴因子分解 α因子分解 映像因子分解法。
因子分析模型的求解方法（2）
这7种求解因子分析模型的方法都可以基于相 关系数矩阵 。
因子分析选项设置（1）
因子分析选项设置（2）
如果因子分析的结果输出错误信息“解不收敛” ，可以考虑更改 “最大收敛性迭代次数”为一个 较大的值，然后重新进行因子分析。
因子分析选项设置（3）
因子分析结果（1）
因子分析结果（2）
因子分析结果（3）
旋转后的因子载荷矩阵
因子的解释
第一个因子上载荷较大的原始变量有Fibre、Nutritious、 Health、Natural、Regular、Filling、Quality、Energy和 Satisfying，所有这些变量都描述了谷物产品的自然健康属 性，我们称之为“健康因子”。
结பைடு நூலகம்分析（1）：相关系数矩阵
KMO和Bartlett检验
特征值、方差贡献率和累积方差贡献率
初始因子载荷矩阵
旋转因子载荷矩阵
碎石图
因子载荷图
案例2：因子分析在市场调查中的应用
- 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)。
二、利用SPSS对量表进行因素分析【例6-9】现要对远程学习者对教育技术资源的了解和使用情况进行了解，设计一个里克特量表，如表6-27所示。
将该量表发放给20人回答，假设回收后的原始数据如表6-28所示。
操作步骤：⒈录入数据定义变量“A1”、“A2”、“A3”、“A5”、“A6”、“A7”、“A8”、“A9”、“A10”，并按照表输入数据，如图6-33所示。
⒉因素分析（1）选择“AnalyzeData ReductionFactor…”命令，弹出“Factor Analyze”对话框，将变量“A1”到“A10”选入“Variables”框中,如图6-34所示。
（2）设置描述性统计量单击图6-34对话框中的“Descriptives…”按钮，弹出“Factor Analyze:Desc riptives”（因素分析：描述性统计量）对话框，如图6-35所示。
①“Statistics”（统计量）对话框A “Univariate descriptives”（单变量描述性统计量）：显示每一题项的平均数、标准差。
B “Initial solution”（未转轴之统计量）：显示因素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。
②“Correlation Matric”（相关矩阵）选项框A “Coefficients”（系数）：显示题项的相关矩阵B “Significance levels”（显著水准）：求出前述相关矩阵地显著水准。
C “Determinant”（行列式）：求出前述相关矩阵地行列式值。
D “KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）：显示KMO抽样适当性参数与Bartlett’s的球形检定。
E “Inverse”（倒数模式）：求出相关矩阵的反矩阵。
F “Reproduced”（重制的）：显示重制相关矩阵，上三角形矩阵代表残差值；而主对角线及下三角形代表相关系数。
G “Anti-image”（反映像）：求出反映像的共变量及相关矩阵。
在本例中，选择“Initial solution”与“KMO and Bartlett’s test of sphericity”二项，单击“Continue”按钮确定。
（3）设置对因素的抽取选项单击图6-34对话框中的“Extraction…”按钮，弹出“Factor Analyze:Extraction”（因素分析：抽取）对话框，如图6-36所示。
①“Method”（方法）选项框：下拉式选项内有其中抽取因素的方法：A “Principal components”法：主成份分析法抽取因素，此为SPSS默认方法。
B “Unweighted least squares”法：未加权最小平方法。
C “Generalized least square”法：一般化最小平方法。
D “Maximum likelihood”法：最大概似法。
E “Principal-axis factoring”法：主轴法。
F “Alpha factoring”法：α因素抽取法。
G “Image factoring”法：映像因素抽取法。
②“Analyze”（分析）选项框A “Correlation matrix”（相关矩阵）：以相关矩阵来抽取因素B “Covariance matrix”（共变异数矩阵）：以共变量矩阵来抽取因素。
③“Display”（显示）选项框A “Unrotated factor solution”（未旋转因子解）：显示未转轴时因素负荷量、特征值及共同性。
B “Scree plot”（陡坡图）：显示陡坡图。
④“Extract”（抽取）选项框A “Eigenvalues over”（特征值）：后面的空格默认为1，表示因素抽取时，只抽取特征值大于1者，使用者可随意输入0至变量总数之间的值。
B “Number of factors”（因子个数）：选取此项时，后面的空格内输入限定的因素个数。
在本例中，设置因素抽取方法为“Principal components”，选取“Correlation matrix”、“Unr otated factor solution”、“Principal components”选项，在抽取因素时限定在特征值大于1者，即SPSS的默认选项。
单击“Continue”按钮确定。
（4）设置因素转轴单击图6-34对话框中的“Rotation…”按钮，弹出“Factor Analyze: Rotation”（因素分析：旋转）对话框，如图6-37所示。
①“Method”（方法）选项方框内六种因素转轴方法：A “None”：不需要转轴B “Varimax”：最大变异法，属正交转轴法之一。
C “Quartimax”：四次方最大值法，属正交转轴法之一。
D “Equamax”：相等最大值法，属正交转轴法之一。
E “Direct Oblimin”：直接斜交转轴法，属斜交转轴法之一。
F “Promax”：Promax转轴法，属斜交转轴法之一。
②“Display”（显示）选项框：A “Rotated solution”（转轴后的解）：显示转轴后的相关信息，正交转轴显示因素组型矩阵及因素转换矩阵；斜交转轴则显示因素组型、因素结构矩阵与因素相关矩阵。
B “Loading plots”（因子负荷量）：绘出因素的散步图。
③“Maximum Iterations for Convergence”：转轴时之行的叠代最多次数，后面默认得数字为25，表示算法之行转轴时，执行步骤的次数上限。
在本例中，选择“Varimax”、“Rotated solution”二项。
研究者要选择“Rotated solution”选项，才能显示转轴后的相关信息。
单击“Continue”按钮确定。
（5）设置因素分数单击图6-34对话框中的“Scores…”按钮，弹出“Factor Analyze:Factor Scores”（因素分析：因素分数）对话框，如图6-38所示。
①“Save as variable”（因素存储变量）框勾选时可将新建立的因素分数存储至数据文件中，并产生新的变量名称（默认为fact_1、fact_2、fact_3、fact_4等）。
在“Method”框中表示计算因素分数的方法有三种：A “Regression”：使用回归法。
B “Bartlett”：使用Bartlette法C “Anderson-Robin”：使用Anderson-Robin法。
②“Display factor coefficient matrix”（显示因素分数系数矩阵）选项勾选时可显示因数分数系数矩阵。
在本例中，取默认值。
单击“Continue”按钮确定。
（6）设置因素分析的选项单击图6-34对话框中的“Options…”按钮，弹出“Factor Analyze:Options”（因素分析：选项）对话框，如图6-39所示。
①“Missing Values”（遗漏值）选项框：遗漏值的处理方式。
A “Exclude cases listwise”（完全排除遗漏值）：观察值在所有变量中没有遗漏值者才加以分析。
B “Exclude cases pairwise”（成对方式排除）：在成对相关分析中出现遗漏值得观察值舍弃。
C “Replace with mean”（用平均数置换）：以变量平均值取代遗漏值。
②“Coefficient Display Format”（系数显示格式）选项框：因素负荷量出现的格式。
A “Sorted by size”（依据因素负荷量排序）：根据每一因素层面的因素负荷量的大小排序。
B “Suppress absolute values less than”（绝对值舍弃的下限）：因素负荷量小于后面数字者不被显示，默认的值为0.1。
在本例中，选择“Exclude cases listwise”、“Sorted by size”二项，并勾选“Suppress absol ute values less than”，其后空格内的数字不用修改，默认为0.1。
如果研究者要呈现所有因素负荷量，就不用选取“Suppress absolute values less than”选项。
在例题中为了让研究者明白此项的意义，才勾选了此项，正式的研究中应呈现题项完整的因素负荷量较为适宜。
单击“Cont inue”按钮确定。
设置完所有的选项后，单击“OK”按钮，输出结果。
⒊结果分析（1）KMO及Bartlett’检验如图6-40所示，显示KMO及Bartlett’检验结果。
KMO是Kaiser-Meyer-Olkin的取样适当性量数，当KMO值愈大时，表示变量间的共同因素愈多，愈适合进行因素分析，根据专家Kaiser（1974）观点，如果KMO的值小于0.5时，较不宜进行因素分析，此处的KMO值为0.695，表示适合因素分析。
此外，从Bartlett’s球形检验的值为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素存在，适合进行因素分析。
（2）共同性如图6-41所示，显示因素间的共同性结果。
共同性中显示抽取方法威主成份分析法，最右边一栏为题项的共同性。
（3）陡坡图如图6-42所示，显示因素的陡坡图。
从陡坡图中，可以看出从第三个因素以后，坡线甚为平坦，因而以保留3个因素较为适宜。
（4）整体解释的变异数——未转轴前的数据如图6-43所示，显示的是未转轴前整体解释的变异数。
从图中可以看出，左边10个成份因素的特征值总和等于10。
解释变异量为特征值除以题项数，如第一个特征值得解释变异量为6.358÷10 63.579％。
将左边10个成份的特征值大于1的列于右边。
特征值大于1的共有三个，这也是因素分析时所抽出的共同因素数。
由于特征值是由大到小排列，所以第一个共同因素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。
转轴后的特征值为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％。
转轴后的特征值不同于转轴前的特征值。
（5）未转轴的因素矩阵如图6-44所示，显示的是未转轴的因素矩阵。
从图中可以看出，有3个因素被抽取，并且因素负荷量小鱼0.1的未被显示。
（6）转轴后的因素矩阵如图6-45所示，显示了转轴后的因素矩阵。
从图中可以看出A1、A8、A6、A5、A4为因素一，A10、A9、A7为因素二，A3、A2为因素三。
题项在其所属的因素层面顺序是按照因素负荷量的高低排列。