SPSS因子分析和主成分分析论文
主成分分析与因子分析的异同和SPSS软件--兼与刘玉玫、卢纹岱等同志商榷
Ｗｉｎｄｏｗｓ统计分析（第二版）》（以下称《卢书》）就是这种情 况。是什么原因造成这些错误呢？主成分分析与Ｒ一型 因子分析到底有何异同呢？ 经过对一些论文和一些ＳＰＳＳ软件教科书仔细分析、 比较我们发现出错的主要原因在于有些使用者和ｓＰＳＳ软 件教科书作者对怎样用ＳＰＳＳ软件得出主成分分析与Ｒ一 型因子分析的结果掌握不全面，对主成分分析与Ｒ一型因 子分析异同的认识不透彻。 经过仔细查证出现的错误有： 使用主成分分析时：①叙述主成分分析概念出错； ②主成分Ｅ求解出错，如以＝Ａｉｍ石中Ａ７。Ａ。≠Ｌ（Ｌ为 单位矩阵，Ａ。的意义见表１）；③找不到主成分Ｅ的命名 依据，对主成分Ｆ。命名出错；④某变量五被丢失；⑤对 Ａ。错误地进行旋转；⑥错误地进行回归求Ｆ。；⑦错误地 把因子分析法（含初始因子分析法）当作主成分分析法。
ｚ综＝∑（虬，＊）Ｚ。，Ｖｉ≠Ａ。（判据之一）
ｉ＝Ｉ
Ｖａｒｚ综＝（∑口；），＊２（旋转后因子贡献从Ａ。变为％因
ｉ＝ｌ
此权数应取为Ｖｉ／ｘ），Ⅳ＝Ｐ或＂ｌ＋口２＋…＋Ｆ。。 应用上侧重 成因清晰性的综合评价。
。取初始因子的方法为主成分法。
方向不同，直接导致主成分值、因子得分值、综合评价值和 应用侧重上不同，综合评价应该分开进行，混淆在一起是 不同计量值交替错误。
ＸＩ
Ｚ１０
Ｘ５
并１５
Ｘ２
Ｘ８
０．７０３
０．７０３ 一Ｏ．６９ｌ 一０．６８５ —０．６２７ Ｏ．０１６
Ｘ９
ｚｌｌ
０．１７１
０．１６６ ０．１８３ Ｏ．８２２
Ｚ１２
Ｘ７
Ｘ３
四、《刘文》、《卢书》正确的主成分分析
结果
经过仔细验算，《刘文》、《卢书》是将初始因子分析结 果当成了主成分分析结果。 因子分析中如果方差最大正交旋转矩阵Ｃ＝Ｉｍ，即因 子分析无旋转过程，称其为初始因子分析。表１中主成分 分析与初始因子分析仍有方差、表达式与系数矩阵、回归 过程、标准正交性、综合评价函数及方差５项的不同，故主 成分值与初始因子得分值仍然计量不同，不能混淆。 现按主成分分析法和ＳＰＳＳ软件应用时一对一的正确 步骤给出《刘文》的主成分分析结果，《卢书》的主成分分析 结果读者同理自行给出。 笔者根据《刘文》给出的数据用ＳＰＳＳ软件Ａｎａｌｙｚｅ菜 单Ｆａｃｔｏｒ过程进行主成分分析（通过相关系数矩阵判断变 量间的相关性略），得出相关系数矩阵的特征根及主成分 贡献率见表２，特征向量矩阵见表３。由于前三个主成分 包含了全部的指标所具有的信息且累计方差贡献率已达
主成分分析和因子分析的SPSS实现比较
主成分分析和因子分析的SPSS实现比较主成分分析和因子分析是多元统计方法中关系密切的两种方法，应用范围十分广泛，可以解决经济、教育、科技、社会等领域中的综合评价问题。
主成分分析采用降维的思想，将研究对象的多个相关变量（指标）综合为少数几个不相关的变量，反映原变量提供的主要信息。
因子分析是主成分分析的推广和发展，它将具有错综复杂关系的变量综合为数量较少的几个因子，以再现原始变量与因子之间的相互关系，同时根据不同因子还可以对变量进行分类，它属于多元分析中处理降维的一种统计方法。
但是，在许多论文中用SPSS进行综合分析时，出现这两种方法运用混淆的错误。
比如，主成分分析中对变量进行了因子旋转，因子分析的公因子系数错误等问题。
本文就此对主成分分析和因子分析的异同进行比较，并在SPSS和DPS软件上如何实现给予说明。
一、主成分分析与因子分析的异同点两者的相同点：1、思想一致：都是降维的思想；2、应用范围一致：都要求变量之间具有不完全的相关性；3、数据处理过程一致：数据的无量纲化，求相关系数矩阵的特征值和特征向量，通过累计贡献率确定主成分个数、因子个数；4、合成方法一致：都没有考虑原始变量之间的关系，直接用线性关系处理变量与主成分和因子之间的关系。
两者的不同点：1、方差损失上：主成分解释了原始变量的全部方差，无方差损失；因子模型中除了有公因子外还有特殊因子，公因子只解释了部分信息，有方差损失；2、唯一性：主成分分析不存在因子旋转，主成分是唯一的；因子分析进行因子旋转，解不唯一；3、实际意义：主成分没有实际意义；公因子有实际意义；4、应用：主成分侧重信息贡献、影响力综合评价；因子分析侧重成因清晰性的综合评价。
二、SPSS上的实现1、主成分分析在SPSS上的实现（1）将原始数据无量纲化。
传统主成分分析进行无量纲化处理的方法是“中心标准化”，这在SPSS中通过Analyse－DescriptiveStatistics－Descriptive中Save standardized values as variables执行。
应用spss对部分公司的财务状况做因子分析-论文
应用数理统计课程小论文应用spss对部分公司的财务状况做因子分析[摘要]spss是一套有效的统计工具软件，做数据统计方面表现出优秀的性能。
公司财务状况是决定公司发展战略的关键因素。
本文运用spss软件对部分公司的财务状况做了因子分析。
[关键字] spss 财务分析因子分析[正文]1.问题的提出在各个领域的研究中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。
多变量大样本无疑会为科学研究提供丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在相关性而增加了问题分析的复杂性，同时对分析带来不便。
如果分别分析每个指标，分析又可能是孤立的，而不是综合的。
盲目减少指标会损失很多信息，容易产生错误的结论。
因此需要找到一个合理的方法，减少分析指标的同时，尽量减少原指标包含信息的损失，对所收集的资料作全面的分析。
由于各变量间存在一定的相关关系，因此有可能用较少的综合指标分别综合存在于各变量中的各类信息。
主成分分析与因子分析就是这样一种降维的方法。
企业为了生存和竞争需要不断的发展,通过对企业的成长性分析我们可以预测企业未来的经营状况的趋势。
公司本期成长能力综合说明公司成长能力处于的发展阶段,本期公司在扩大市场需求,提高经济效益以及增加公司资产方面都取得了极大的进步,公司表现出非常优秀的成长性。
提请分析者予以高度重视,未来公司继续维持目前增长态势的概率很大。
从行业部看,公司成长能力在行业中处于一般水平,本期公司在扩大市场,提高经济效益以及增加公司资产方面都略好于行业平均水平,未来在行业中应尽全力扩大这种优势。
在成长能力中,净利润增长率和可持续增长率的变动,是引起增长率变化的主要指标。
2.因子分析的一般模型设原始变量：X1,X2,X3,….Xm主成分：Z1,Z2,…Zn.则各个因子与原始变量的关系为：写成矩阵形式是：，其值X为原始变量向量，B为公因子负荷系数矩阵，Z为公因子向量，E为残差向量，因子分析的任务就是求出公因子负荷系数和残差。
基于SPSS的主成分分析与因子分析的辨析
基于SPSS的主成分分析与因子分析的辨析主成分分析和因子分析是两种常用的多元统计分析方法，用于处理多个变量之间的关系和结构。
尽管它们在一些方面相似，但它们有着不同的目标、假设和应用领域。
主成分分析（PCA）是一种降维技术，旨在将多个相关的变量转化为较少数量的互相无关的新变量，称为主成分。
主成分是原始变量线性组合的结果，它们按照方差的大小递减排序，第一个主成分解释了尽可能多的方差，第二个主成分解释了剩余的方差，依此类推。
主成分分析的目标是找到最重要的成分，以减少数据维度并保留尽可能多的信息。
因子分析（FA）是一种探索性分析方法，旨在找到观察到的变量背后潜在的隐藏因子及其之间的关系。
它假设每个观察到的变量受到几个潜在因子的影响，并通过解释方差-共方差矩阵来确定这些因子。
因子分析的目标是解释数据的系统结构，并识别变量之间的潜在关系。
下面是主成分分析和因子分析的几个区别：1.假设：主成分分析假设所有的变量都是线性相关的，而因子分析假设变量之间存在潜在的隐藏因子。
2.目标：主成分分析的目标是减少数据的维度，使用少量的主成分来解释尽可能多的方差。
因子分析的目标是找出潜在因子，并解释数据的结构。
3.变量解释：在主成分分析中，每个主成分解释了数据中的方差，而在因子分析中，每个因子代表了一个潜在原因，描述了观察到的变量之间的共同性。
4.变换：在主成分分析中，通过线性组合原始变量来创建主成分。
在因子分析中，每个观察到的变量都被假设为由潜在因子和特定的误差项组合而成。
5.前提要求：主成分分析对变量之间的线性关系没有特定的要求，可以处理混合类型的数据。
因子分析假设线性关系是必需的，且数据应满足正态分布。
尽管主成分分析和因子分析在一些方面不同，但它们也有一些共同之处。
它们都可以用于数据降维和构建新的变量，以更好地解释和理解数据。
此外，它们都是无监督学习方法，不需要以前的假设。
在实际应用中，选择主成分分析还是因子分析取决于具体的研究目标和数据属性。
基于SPSS的主成分分析与因子分析的辨析
基于SPSS的主成分分析与因子分析的辨析一、本文概述随着统计学的快速发展和广泛应用，主成分分析（Principal Component Analysis, PCA）和因子分析（Factor Analysis, FA）作为两种重要的降维和变量整合技术，在社会科学、医学、经济学等众多领域得到了广泛应用。
SPSS作为一款强大的统计分析软件，为这两种分析方法提供了便捷的操作平台和丰富的功能支持。
然而，尽管PCA和FA在理论上具有一定的相似性，但它们的核心理念、适用场景、解释方式等方面都存在显著差异。
因此，本文旨在通过辨析基于SPSS的主成分分析与因子分析的不同点，帮助研究者更加准确地理解和运用这两种方法，以便更有效地提取信息、简化数据结构，并提升研究的科学性和准确性。
本文首先将对主成分分析和因子分析的基本概念进行简要介绍，明确它们各自的核心思想和理论基础。
随后，将重点分析这两种方法在SPSS软件中的实现过程，包括数据准备、参数设置、结果解读等关键步骤。
在此基础上，文章将详细比较PCA和FA在SPSS应用中的不同点，包括适用范围、前提条件、分析结果解释等方面。
本文还将结合实例分析，展示如何在具体研究问题中选择合适的方法，并对分析结果进行有效解读和应用。
通过本文的辨析和讨论，期望能够帮助研究者更深入地理解主成分分析和因子分析的基本原理及其在SPSS中的应用方法，从而为实证研究提供有力的统计工具和方法支持。
二、主成分分析（PCA）主成分分析（Principal Component Analysis，简称PCA）是一种广泛应用的多元统计方法，其目标是通过降维技术来揭示数据中的内部结构。
PCA通过将多个原始变量转换为少数几个主成分，这些主成分能够最大限度地保留原始数据中的变异信息，并且彼此之间互不相关。
PCA的基本原理是通过对原始变量的协方差矩阵或相关矩阵进行特征值分解，得到一系列的主成分。
每个主成分都是原始变量的线性组合，其权重由特征向量决定。
运用spss做因子分析与主成分分析 (1)
• 怎么解释这两个主成分。前面说过主成分 是原始六个变量的线性组合。是怎么样的 组合呢？SPSS可以输出下面的表。
a Com ponent Matr ix
Component 1 2 3 4 MATH -.806 .353 -.040 .468 PHYS -.674 .531 -.454 -.240 CHEM -.675 .513 .499 -.181 LITERAT .893 .306 -.004 -.037 HISTORY .825 .435 .002 .079 ENGLISH .836 .425 .000 .074 Extraction Method: Principal Component Analysis. a. 6 components extracted. 5 .021 -.001 .002 .077 -.342 .276 6 .068 -.006 .003 .320 -.083ቤተ መጻሕፍቲ ባይዱ-.197
可以看出，因子分析和主成分分析都依赖于原始 变量，也只能反映原始变量的信息。所以原始变 量的选择很重要。 （因子要相关，不能完全独立）另外，如果原始 变量都本质上独立，那么降维就可能失败，这是 因为很难把很多独立变量用少数综合的变量概括。 数据越相关，降维效果就越好。 在得到分析的结果时，并不一定会都得到如我们 例子那样清楚的结果。这与问题的性质，选取的 原始变量以及数据的质量等都有关系 在用因子得分进行排序时要特别小心，特别是对 于敏感问题。由于原始变量不同，因子的选取不 同，排序可以很不一样。
因子分析概述
定义：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。通常,因子有以下几个特点
因子个数远远少于原有变量的个数 因子能够反映原有变量的绝大部分信息 因子之间的线性关系不显著（即独立的）
《2024年主成分分析与因子分析的异同和SPSS软件——兼与刘玉玫、卢纹岱等同志商榷》范文
《主成分分析与因子分析的异同和SPSS软件——兼与刘玉玫、卢纹岱等同志商榷》篇一主成分分析与因子分析的异同及其在SPSS软件中的应用——兼与刘玉玫、卢纹岱等同志商榷一、引言主成分分析和因子分析是统计学中两种重要的降维技术，被广泛应用于社会、经济、科研等领域的多维数据分析。
然而，对于这两者之间的异同及其应用方式，学者们常有争议。
本文将深入探讨主成分分析与因子分析的异同点，并详细介绍如何在SPSS 软件中实现这两种分析方法，同时与刘玉玫、卢纹岱等同志的见解进行商榷。
二、主成分分析与因子分析的异同（一）异同点概述主成分分析和因子分析都是通过降维技术将多个原始变量转化为少数几个综合变量，以简化数据结构，揭示数据间的内在联系。
然而，两者在分析目的、原理、方法等方面存在显著差异。
（二）主成分分析主成分分析（PCA）是一种基于数据结构正交化降维的统计分析方法，其主要目的是找出原始数据集中具有代表性的主要特征（即主成分），同时尽量减少原始数据信息丢失。
PCA注重对原始变量之间的相关性进行降维处理，使得新的综合变量（即主成分）之间相互独立。
（三）因子分析因子分析（FA）则是一种基于数据结构提取潜在公共因子的统计分析方法。
其目的是找出原始变量之间潜在的公共因子和特殊因子，以解释原始变量之间的关系。
FA更注重对原始变量之间的内在联系进行解释和描述，提取出的因子之间可能存在一定的相关性。
（四）异同点详解1. 目的不同：主成分分析主要关注数据的降维和结构简化，而因子分析则更侧重于揭示变量之间的内在联系和潜在结构。
2. 原理不同：主成分分析基于数据之间的协方差关系进行降维，而因子分析则基于潜在因子的提取和解释。
3. 方法不同：主成分分析主要通过线性变换得到主成分，而因子分析则通过因子载荷矩阵和特殊因子解释原始变量的关系。
4. 结果解释不同：主成分分析得到的综合变量相对独立，更便于理解和解释；而因子分析则提取出潜在的公共因子，对原始变量的关系进行深入解析。
主成分分析、因子分析实验报告--SPSS
主成分分析、因子分析实验报告--SPSS主成分分析、因子分析实验报告SPSS一、实验目的主成分分析（Principal Component Analysis，PCA）和因子分析（Factor Analysis，FA）是多元统计分析中常用的两种方法，旨在简化数据结构、提取主要信息和解释变量之间的关系。
本次实验的目的是通过使用 SPSS 软件对给定的数据集进行主成分分析和因子分析，深入理解这两种方法的原理和应用，并比较它们的结果和差异。
二、实验原理（一）主成分分析主成分分析是一种通过线性变换将多个相关变量转换为一组较少的不相关综合变量（即主成分）的方法。
这些主成分是原始变量的线性组合，且按照方差递减的顺序排列。
主成分分析的主要目标是在保留尽可能多的数据信息的前提下，减少变量的数量，从而简化数据分析和解释。
（二）因子分析因子分析则是一种探索潜在结构的方法，它假设观测变量是由少数几个不可观测的公共因子和特殊因子线性组合而成。
公共因子解释了变量之间的相关性，而特殊因子则代表了每个变量特有的部分。
因子分析的目的是找出这些公共因子，并估计它们对观测变量的影响程度。
三、实验数据本次实验使用了一份包含多个变量的数据集，这些变量涵盖了不同的领域和特征。
数据集中的变量包括具体变量 1、具体变量 2、具体变量 3等，共X个观测样本。
四、实验步骤（一）主成分分析1、打开 SPSS 软件，导入数据集。
2、选择“分析”＞“降维”＞“主成分分析”。
3、将需要分析的变量选入“变量”框。
4、在“抽取”选项中，选择主成分的提取方法，如基于特征值大于1 或指定提取的主成分个数。
5、点击“确定”，运行主成分分析。
（二）因子分析1、同样在 SPSS 中，选择“分析”＞“降维”＞“因子分析”。
2、选入变量。
3、在“描述”选项中，选择相关统计量，如 KMO 检验和巴特利特球形检验。
4、在“抽取”选项中，选择因子提取方法，如主成分法或主轴因子法。
- 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)。
基于因子分析的我国经济发展状况实证分析摘要：选取了2013年我国31个省、直辖市、自治区经济发展的10项指标作为研究对象，运用因子分析的方法，利用spss对数据进行计算，依据因子分析的结果对我国各省的经济发展做出综合评价，得出了这31各省份经济发展状况的综合排名，广东、江苏、山东、浙江、北京排在前5位，是中国各省、直辖市、自治区沿海经济发展较好的地区；甘肃、海南、青海、宁夏、西藏排在后5位，是西部地区经济发展较落后的地区，较为客观反映了中国各省、直辖市、自治区的综合经济实力，为中国各省、直辖市、自治区今后的经济发展提供了理论依据。
关键词：经济发展；因子分析；综合评价；主成分法一、引言我国地域辽阔，由于历史、地理位置及经济基础等原因，各地经济发展水平差异很大。
改革开放以来，特别是实施西部大开发、振兴东北地区等老工业基地、促进中部地区崛起、鼓励东部地区率先发展的区域发展总体战略以来，各地经济社会发展水平有了很大提高，人民生活也有了很大改善。
但区域发展不协调、发展差距拉大的趋势仍未根本改变。
本文从我国31 个省市自治区经济的发展视角入手，运用对应分析方法对我国各地区经济发展状况进行统计分析，用以说明我国各地区经济发展不协调的现状。
由于衡量各地区经济发展的指标有很多，故选取了比较有代表性的十个指标。
二、相关统计指标与数据的选取本文运用了因子分析的方法对我国31个省、直辖市、自治区的经济发展状况进行评价。
选取了10项经济指标：第一产业增加值（X1）；第二产业增加值（X2）；第三产业增加值（X3）；地方财政预算收入（X4）；地方财政预算支出（X5）；固定资产投资额（X6）；社会消费品零售总额（X7）；货物进出口总额（X8）；在岗职工平均工资（X9）；城乡居民储蓄年末余额（X10）。
X2，X3，X4 反映的是经济总量中构成三大产业的不同增加值；X5，X6 反映的是地方财政预算收支；X7 反映的是居民的购买能力；X8反映的是对外贸易；X9，X10反映的是居民的收入与储蓄。
本文数据资料来源于《中国统计年鉴》（2013年），具体数据资料见表1。
表1 各地区经济发展状况（2013）三、数据分析过程（一）相关性分析用SPSS21.0数据处理系统将10项经济指标处理后，得到相关系数矩阵、巴特利特球度检验和KMO检验方法进行分析。
分析结果见表2和表3。
根据表2原有变量的相关系数矩阵，可以看到：大部分的相关系数都较均大于0.3，各变量呈较强的线性关系，能够从中提取公共因子，适合进行因子分析。
表3 KMO 和 Bartlett 的检验Bartlett检验的F值等于541.977，F值显著，Sig.（显著性）小于0.005，表明所取的数据满足正态总体分布；KMO值等于0.74，大于0.7，说明变量之间的相关性可以被其他变量解释，因此适合做因子分析。
（二）提取主因子根据原有变量的相关系数矩阵，采用主成分分析法提取因子并选取大于1的特征值，得出公因子差和分析结果如下表4。
表4 公因子差从表中可以看出，10个变量的共同度基本都在80%以上，即这些变量的信息丢失较少，变量都能被因子解释，本次因子提取的总体效果较理想。
一般情况下，确定因子个数时，累计贡献率达到85%以上，本文提取特征值大于1的特征值，得到2个主因子代替原来的10 个因子累计贡献率达90.22%，因此取出的2个主因子基本上包括了X1～X10的大量信息。
分析结果见表5。
表5 解释的总方差成份初始特征值提取平方和载入旋转平方和载入合计方差的 % 累积 % 合计方差的 %累积 % 合计方差的 %累积 %1 7.068 70.681 70.681 7.068 70.681 70.681 6.842 68.417 68.4172 1.954 19.541 90.222 1.954 19.541 90.222 2.180 21.805 90.2223 .397 3.971 94.1934 .291 2.912 97.1065 .122 1.221 98.3276 .074 .743 99.0707 .049 .485 99.5558 .032 .323 99.8789 .008 .078 99.95610 .004 .044 100.000由表5可知，第一个公因子的方差贡献率为70.681%，前两个公共因子的累计方差献率已达到90.22＞85%，即前两个公共因子已代表了原始数据的绝大部分信息。
因子分析效果较理想。
在因子旋转后总的累计方差贡献率没有改变，没有影响到原有变量的共同度，但重新分配了各个因子解释原有变量的方差，改变了各因子的方差贡献，使得因子更易于理解。
图1图1中，横坐标为因子数目，纵坐标为特征值。
可以看到：第一个因子的特征值较高，对解释变量的贡献最大；第三个以后的因子特征值都较小，对解释原有变量的贡献很小，已经成为可被忽略的“高山脚下的碎石”，因此提取两个因子适合的。
（三）因子旋转及公因子命名因为因子意义不明显，对初始因子进行旋转。
本文采用旋转因子模型的方法是方差最大正交旋转，旋转后，得到因子载荷矩阵（见表6）。
由旋转后的因子载荷矩阵可以看出，第1主因子第二产业增加值（X2）、第三产业增加值（X3）、地方财政预算收入(X4)、地方财政预算支出(X5)、社会消费品零售总额(X7)、货物进出口总额(X8)、城乡居民储蓄年末余额(X10）这7个指标上的载荷较大，集中反映了第二、三产业、地方财政收入与支出、社会消费品零售、货物进出口、城乡居民储蓄这7个方面，因此将其定义为Fac1。
第2主因子在在岗职工平均工资（X9）这个指标上的载荷较大，因此，第2因子可定义为在岗职工工资Fac2。
这2个主因子的性质及其顺序较好地体现了影响我国各省、直辖市、自治区经济发展的因素，也完全符合社会经济发展的规律。
另外还可以看到：这两个因子的实际含义比较模糊。
表6 旋转后因子模型成份12 X1 .362 .798 X2 .815 .402 X3 .978 .051 X4 .989 -.062 X5 .923 .267 X6 .754 .591 X7 .957 .239 X8 .876 -.346 X9 -.261 .880 X10.970.060（四）计算因子得分为了考察各省、直辖市、自治区的经济发展状况，并对其进行分析和综合评价，采用回归法求出因子得分函数，由系数矩阵将2个主因子表示为10项指标的线性组合。
因子得分的函数为：2个主因子分别从不同的方面反映了我国各省、直辖市、自治区经济发展状况，但单独使某一主因子并不能对我国各省、直辖市、自治区经济发展状况作出综合的评价，1098765432110987654321060.0880.0346.0239.0591.0267.0062.0051.0402.0798.02970.0261.0876.0957.0754.0923.0989.03978.0815.0362.01X X X X X X X X X X Fac X X X X X X X X X X Fac ++-+++-++=+-+++++++=因此按各公因子对应的方差贡献率为权数计算综合统计量为：通过计算可以得到综合因子得分，并对各城市的综合因子得分排序(见表7)。
表7 主因子得分、综合因子得分及排名21218.0684.0Fac Fac Fac +=从上述因子分析看第二、三产业、地方财政收入与支出、社会消费品零售、货物进出口、城乡居民储蓄、在岗职工平均工资成为我国各省、直辖市、自治区2013年经济发展差异的主要解释成分，从统计意义上看，它们解释了这种差异90.22%的程度。
深入分析还可以得出因子中的第一产业、外贸是我国各省、直辖市、自治区发展的前提条件，反映地方财政收入与支出可以理解国家、地方实施西部大开策略的资金投入力度。
表7是由加权的最后因子得分表达式计算出的我国各省、直辖市、自治区的综合因子得分，从结果看，还是符合我国西部城市经济发展实际情况的。
第一主因子反映第二、三产业、地方财政收入与支出、社会消费品零售、货物进出口、城乡居民储蓄方面，广东、江苏、山东排在前3位；第二主因子反映在岗职工平均工资方面，山东、河南、河北排在前3位。
2个主要因子的综合因子得分中，广东、江苏、山东、浙江、北京排在前5位，这也是中国各省、直辖市、自治区沿海经济发展较好的地区，这些地区经济发展速度较快，第二、第三产业发达，地方财政收入与支出、社会消费品零售、货物进出口、城乡居民储蓄都相对较高；甘肃、海南、青海、宁夏、西藏排在后5位，这也是西部地区经济发展较落后的地区，相应的财政收入与支出、居民消费水平相对较低，进出口贸易不是很发达，制约了该地区经济的发展。
四、结论及建议本文通过对我国31个省、直辖市、自治区经济发展状况的因子分析。
证实了影响我国经济发展状况的因素主要有2大类, 分别是第二、三产业、地方财政收入与支出、社会消费品零售、货物进出口与城乡居民储蓄、在岗职工平均工资方面。
这2个主因子的方差贡献率达90.22%。
我国经济发展既有差异也有相似性，广东、江苏、山东、浙江、北京经济发展的整体水平最高，甘肃、海南、青海、宁夏、西藏的经济发展状况已经存在比较突出的问题。
我国的经济发展的差异已经相当显著，在一定时期内还有可能继续扩大，可以从第二、三产业、地方财政收入与支出、货物进出口方面寻求突破，通过具体的针对性措施刺激第二、三产业、对外贸易的发展，调整产业结构，为外商提供较多的优惠政策。
同时，政府还可以进一步加强对经济落后地区的财政支出，推动我国经济均衡发展。
参考文献[1]薛薇.基于SPSS的数据分析[M] .北京:中国人民大学出版社, 2006:107 -121.[2]于秀林, 任雪松.多元统计分析[M] .北京:中国统计出版社, 2006:171 -184.[3]Johnson.实用多元统计分析[M] .北京:清华大学出版社, 2004:388 -425.[4]刘新华.因子分析中数据正向化处理的必要性及其软件实现[J] .重庆工学院学报:自然科学版, 2009,23(9):152 -155.[5]刘照德.因子分析在企业技术创新能力评价中的应用[J] .重庆师范大学学报:自然科学版, 2006, 23(2):75 -89.[6]韩芳艳, 张孝友.重庆市上市公司财务业绩评价—基于21家公司2007年财务数据的因子分析[J] .重庆三峡学院学报, 2009, 25(2):110 -113.[7]聂勇.因子分析在我国工业企业经济效益分析中的应用[J] .重庆文理学院学报:自然科学版, 2009, 28(1):35 -38.[8]叶宗文.重庆城镇居民消费结构变动的因子分析[J] .重庆师范大学学报:自然科学版, 2004, 21(4):71 -73.[9]刁英, 王亚慧.基于因子分析的陕西省各市经济发展状况分析[J] .工业技术经济, 2009, 28 (9):116-119.[10] 陈超, 邹滢.SPSS中文版常用功能与应用实例精讲[M] .北京:电子工业出版社, 2009:316 -317.[11] 王志勇, 冯杰.基于灰色聚类的海上目标威胁等级评估[J] .四川兵工学报, 2009, 30(3):46 -49.[12] 吕佳.基于动态隧道系统的K-means聚类算法研究[J] .重庆师范大学学报:自然科学版, 2009, 26(1):73 -77.[13] 李小亮, 刘新平.基于聚类分析和对应分析的旅游动机行为模式[J] .重庆工商大学学报:自然科学版,2008, 25(4):350 -353.。