应用多元统计分析习题解答_因子分析
应用多元统计分析试题及答案(1)
应用多元统计分析试题及答案(1)多元统计分析是现代统计学中不可或缺的一部分，它是用于对不同数据进行相关分析的高级统计方法。
对于需要进行多因素分析的问题，多元统计分析是必须掌握的技能。
以下是一些应用多元统计分析的试题及答案。
试题1：假设你要进行一项研究，以评估学生在学期末考试成绩与他们的就业情况之间是否存在关联。
你将分析什么类型的多元统计分析？答案：此问题需要进行一种二元多元回归分析。
此方法可以用于探索学期末考试成绩和就业情况之间的相关性。
通过回归分析，我们可以计算出两个变量之间的相关系数以及建立一个数学模型来预测就业成功与否的可能性。
试题2：你是一家旅游公司的行销经理，你想了解你们的财务状况、品牌信誉和市场定位之间的关系。
采用哪种多元统计分析来解决这个问题？答案：这个问题需要进行一种因子分析。
因子分析是一种常用的多元统计技术，可用于探索大量变量之间的共性或相似性。
因此，行销经理可以使用因子分析来探究这三个因素之间的关系，以帮助公司更好地了解市场需求、推广策略和产品定位。
试题3：你是一名医学研究员，你需要研究新型药物的效果以及它是否与特定人群的特征相关。
哪种多元统计分析可用于研究？答案：这个问题需要使用一种路径分析方法。
路径分析是一种分层回归分析技术，可用于探索变量间的直接和间接影响关系。
因此，研究人员可以使用路径分析来研究新型药物的效果以及与特定人群特征的相关性，以便更好地理解治疗效果的影响因素。
试题4：你是一名市场分析师，你需要研究不同年龄、性别和教育水平的人群之间的消费习惯。
采用哪种多元统计分析来解决这个问题？答案：这个问题需要使用一种聚类分析方法。
聚类分析是一种将成为节点的相似对象分组的过程。
因此，市场分析师可以使用聚类分析来将相似的人群以及他们的共同消费习惯分成几个类别，以便更好地了解不同年龄、性别和教育水平背景下的人群之间的消费习惯和偏好。
结论：多元统计分析是一种有用的技术，可以用于探索大量不同变量之间的关系，对于需要分析多个变量之间关系的问题，多元统计分析是必须学习的基本技能。
应用多元统计分析习题解答因子分析
第七章 因子分析7.1 试述因子分析与主成分分析的联系与区别。
试述因子分析与主成分分析的联系与区别。
试述因子分析与主成分分析的联系与区别。
答：因子分析与主成分分析的联系是：①两种分析方法都是一种降维、答：因子分析与主成分分析的联系是：①两种分析方法都是一种降维、简化数据的技术。
②简化数据的技术。
②两种分析的求解过程是类似的，两种分析的求解过程是类似的，都是从一个协方差阵出发，利用特征值、特征向量求解。
因都是从一个协方差阵出发，利用特征值、特征向量求解。
因子分析可以说是主成分分析的姐妹篇，将主成分分析向前推进一步便导致因子分析。
因子分析也可以说成是主成分分析的逆问题。
析也可以说成是主成分分析的逆问题。
如果说主成分分析是将原指标综合、如果说主成分分析是将原指标综合、如果说主成分分析是将原指标综合、归纳，归纳，那么因子分析可以说是将原指标给予分解、演绎。
分析可以说是将原指标给予分解、演绎。
因子分析与主成分分析的主要区别是：主成分分析本质上是一种线性变换，将原始坐标变换到变异程度大的方向上为止，变换到变异程度大的方向上为止，突出数据变异的方向，突出数据变异的方向，突出数据变异的方向，归纳重要信息。
归纳重要信息。
而因子分析是从显在变量去提炼潜在因子的过程。
此外，主成分分析不需要构造分析模型而因子分析要构造因子模型。
子模型。
7.2 因子分析主要可应用于哪些方面？因子分析主要可应用于哪些方面？因子分析主要可应用于哪些方面？ 答：因子分析是一种通过显在变量测评潜在变量，通过具体指标测评抽象因子的统计分析方法。
目前因子分析在心理学、社会学、经济学等学科中都有重要的应用。
具体来说，①因子分析可以用于分类。
如用考试分数将学生的学习状况予以分类；用空气中各种成分的比例对空气的优劣予以分类等等②因子分析可以用于探索潜在因素。
即是探索未能观察的或不能观测的的潜在因素是什么，测的的潜在因素是什么，起的作用如何等。
起的作用如何等。
应用多元统计分析A卷答案
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 .732
4 .46
5 5 .235 6
.064
提取方法：主成份分析。
成份得分系数矩阵
成份
1
2 体重 .342 腰围 .285
脉搏 .127 单杠 .239 .244 仰卧起坐 .270 .238 跳高
.182 .519
提取方法 :主成份。
1）当贡献率超过85%时应该选取几个主成分。
应该选取3个主成分
2）写出第一、第二主成分表达式
1123456
21234560.2420.2650.1270.2390.270.1820.3420.2850.4610.2440.2380.519Z X X X X X X Z X X X X X X =--++++=+-+++
3）第一到第三主成分的方差分别是多少 ,，
4）进行适当的主成分分析
通过分析可以看出，第一主成分代表的是先天的身体素质，第二主成分代表的是运动指标
2．在某年级44名学生的期末考试中，有的课程采用闭卷，有的课程采用开卷，对数据进行了因子分析，输出结果如下：
Eigenvalues of the Correlation Matrix: Total = 5 Average = 1
Eigenvalue Difference Proportion Cumulative 1 2. 1. 2 0. 3 0. 0. 4 0. 0.
5 0.
Factor Pattern
Factor1 Factor2 Factor3 x1 力学（闭） x2 物理（闭） x3 代数（开）。
指导应用多元统计分析资料报告习题解答_因子分析资料报告
第七章 因子分析7.1 试述因子分析与主成分分析的联系与区别。
答：因子分析与主成分分析的联系是：①两种分析方法都是一种降维、简化数据的技术。
②两种分析的求解过程是类似的，都是从一个协方差阵出发，利用特征值、特征向量求解。
因子分析可以说是主成分分析的姐妹篇，将主成分分析向前推进一步便导致因子分析。
因子分析也可以说成是主成分分析的逆问题。
如果说主成分分析是将原指标综合、归纳，那么因子分析可以说是将原指标给予分解、演绎。
因子分析与主成分分析的主要区别是：主成分分析本质上是一种线性变换，将原始坐标变换到变异程度大的方向上为止，突出数据变异的方向，归纳重要信息。
而因子分析是从显在变量去提炼潜在因子的过程。
此外，主成分分析不需要构造分析模型而因子分析要构造因子模型。
7.2 因子分析主要可应用于哪些方面？ 答：因子分析是一种通过显在变量测评潜在变量，通过具体指标测评抽象因子的统计分析方法。
目前因子分析在心理学、社会学、经济学等学科中都有重要的应用。
具体来说，①因子分析可以用于分类。
如用考试分数将学生的学习状况予以分类；用空气中各种成分的比例对空气的优劣予以分类等等②因子分析可以用于探索潜在因素。
即是探索未能观察的或不能观测的的潜在因素是什么，起的作用如何等。
对我们进一步研究与探讨指示方向。
在社会调查分析中十分常用。
③因子分析的另一个作用是用于时空分解。
如研究几个不同地点的不同日期的气象状况，就用因子分析将时间因素引起的变化和空间因素引起的变化分离开来从而判断各自的影响和变化规律。
7.3 简述因子模型中载荷矩阵A 的统计意义。
答：对于因子模型1122i i i ij j im m i X a F a F a F a F ε=++++++ 1,2,,i p =因子载荷阵为11121212221212(,,,)m m m p p pm a a a a a a A A A a a a ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎣⎦Ai X 与j F 的协方差为：1Cov(,)Cov(,)mi j ik k i j k X F a F F ε==+∑=1Cov(,)Cov(,)mikk j i j k aF F F ε=+∑=ij a若对i X 作标准化处理，=ij a ,因此 ij a 一方面表示i X 对j F 的依赖程度；另一方面也反映了变量iX 对公共因子jF 的相对重要性。
应用多元统计分析课后习题答案详解北大高惠璇第八章习题解答
10
j m 1
,
2 j
p
第八章 因子分析
8-3 验证下列矩阵关系式(A为p×m阵) (1) ( I AD 1 A) 1 AD 1 A I ( I AD 1 A) 1 ;
18
Q(2) 2 (0.1708 0.0475 0.0403 )
i 1 j 1 2 ij 2 2 2 3 3
故
0.06611
9
第八章 因子分析
或者利用习题8-4的结果:
Q(m)
i 1 j 1 2 2 2 3 2 2 ij p p p j m1 2 2 1 2 2 j
8 2 已知8 1中R的特征值和特征向量为 1 1.9633 l1 (0.6250 ,0.5932 ,0.5075 ), 2 0.6795 l2 (0.2186 ,0.4911 ,0.8432 ), 3 0.3672 l3 (0.7494 ,0.6379 ,0.1772 ). (1) 取公因子个数 m 1时, 求因子模型的主成分解 , 并计算误差平方和 Q (1).
1 11 12 1
B AB
1 11 2 1 11 2
B A 1 I m A B112 A
1 11 2
12
由逆矩阵的对应块相等，即得：
第八章 因子分析
B
1 11 2
D D AB
1 11 2
1
1
1 221
1 11 AD B
17
第八章 因子分析
(3) 主成分分析是将主成分表示为原变量的线 性组合,而因子分析是将原始变量表示为公因子 和特殊因子的线性组合,用假设的公因子来“解 释”相关阵的内部依赖关系. 这两种分析方法又有一定的联系.当估计方法 采用主成分法,因子载荷阵A与主成分的系数相 差一个倍数;因子得分与主成分得分也仅相差一 个常数.这种情况下可把因子分析看成主成分分 析的推广和发展. 这两种方法都是降维的统计方法,它们都可用 来对样品或变量进行分类.
应用多元统计分析习题解答 第七章讲解学习
应用多元统计分析习题解答第七章第七章 因子分析7.1 试述因子分析与主成分分析的联系与区别。
答：因子分析与主成分分析的联系是：①两种分析方法都是一种降维、简化数据的技术。
②两种分析的求解过程是类似的，都是从一个协方差阵出发，利用特征值、特征向量求解。
因子分析可以说是主成分分析的姐妹篇，将主成分分析向前推进一步便导致因子分析。
因子分析也可以说成是主成分分析的逆问题。
如果说主成分分析是将原指标综合、归纳，那么因子分析可以说是将原指标给予分解、演绎。
因子分析与主成分分析的主要区别是：主成分分析本质上是一种线性变换，将原始坐标变换到变异程度大的方向上为止，突出数据变异的方向，归纳重要信息。
而因子分析是从显在变量去提炼潜在因子的过程。
此外，主成分分析不需要构造分析模型而因子分析要构造因子模型。
7.2 因子分析主要可应用于哪些方面？答：因子分析是一种通过显在变量测评潜在变量，通过具体指标测评抽象因子的统计分析方法。
目前因子分析在心理学、社会学、经济学等学科中都有重要的应用。
具体来说，①因子分析可以用于分类。
如用考试分数将学生的学习状况予以分类；用空气中各种成分的比例对空气的优劣予以分类等等②因子分析可以用于探索潜在因素。
即是探索未能观察的或不能观测的的潜在因素是什么，起的作用如何等。
对我们进一步研究与探讨指示方向。
在社会调查分析中十分常用。
③因子分析的另一个作用是用于时空分解。
如研究几个不同地点的不同日期的气象状况，就用因子分析将时间因素引起的变化和空间因素引起的变化分离开来从而判断各自的影响和变化规律。
7.3 简述因子模型中载荷矩阵A 的统计意义。
答：对于因子模型1122i i i ij j im m i X a F a F a F a F ε=++++++ 1,2,,i p =因子载荷阵为11121212221212(,,,)m m m p p pm a a a aa a A A A a a a ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎣⎦Ai X 与j F 的协方差为：1Cov(,)Cov(,)mi j ik k i j k X F a F F ε==+∑=1Cov(,)Cov(,)mik k j i j k a F F F ε=+∑=ij a若对iX作标准化处理，=ija,因此ija一方面表示iX对jF的依赖程度；另一方面也反映了变量i X对公共因子jF的相对重要性。
应用多元统计分析习题解答_因子分析
第七章 因子分析7.1 试述因子分析与主成分分析的联系与区别。
答：因子分析与主成分分析的联系是：①两种分析方法都是一种降维、简化数据的技术。
②两种分析的求解过程是类似的，都是从一个协方差阵出发，利用特征值、特征向量求解。
因子分析可以说是主成分分析的姐妹篇，将主成分分析向前推进一步便导致因子分析。
因子分析也可以说成是主成分分析的逆问题。
如果说主成分分析是将原指标综合、归纳，那么因子分析可以说是将原指标给予分解、演绎。
因子分析与主成分分析的主要区别是：主成分分析本质上是一种线性变换，将原始坐标变换到变异程度大的方向上为止，突出数据变异的方向，归纳重要信息。
而因子分析是从显在变量去提炼潜在因子的过程。
此外，主成分分析不需要构造分析模型而因子分析要构造因子模型。
7.2 因子分析主要可应用于哪些方面？ 答：因子分析是一种通过显在变量测评潜在变量，通过具体指标测评抽象因子的统计分析方法。
目前因子分析在心理学、社会学、经济学等学科中都有重要的应用。
具体来说，①因子分析可以用于分类。
如用考试分数将学生的学习状况予以分类；用空气中各种成分的比例对空气的优劣予以分类等等②因子分析可以用于探索潜在因素。
即是探索未能观察的或不能观测的的潜在因素是什么，起的作用如何等。
对我们进一步研究与探讨指示方向。
在社会调查分析中十分常用。
③因子分析的另一个作用是用于时空分解。
如研究几个不同地点的不同日期的气象状况，就用因子分析将时间因素引起的变化和空间因素引起的变化分离开来从而判断各自的影响和变化规律。
7.3 简述因子模型中载荷矩阵A 的统计意义。
答：对于因子模型1122i i i ij j im m i X a F a F a F a F ε=++++++ 1,2,,i p =因子载荷阵为11121212221212(,,,)m m m p p pm a a a a a a A A A a a a ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎣⎦Ai X 与j F 的协方差为：1Cov(,)Cov(,)mi j ik k i j k X F a F F ε==+∑=1Cov(,)Cov(,)mikk j i j k aF F F ε=+∑=ij a若对i X 作标准化处理，=ij a ,因此 ij a 一方面表示i X 对j F 的依赖程度；另一方面也反映了变量iX 对公共因子jF 的相对重要性。
应用多元统计分析试题及答案.doc
一、填空题：1、多元统计剖析是运用数理统计方法来研究解决多指标问题的理论和方法 .2、回归参数明显性查验是查验解说变量对被解说变量的影响能否著.3、聚类剖析就是剖析怎样对样品（或变量）进行量化分类的问题。
往常聚类分析分为Q型聚类和R型聚类。
4、相应剖析的主要目的是追求列联表行要素A和列要素B的基本剖析特点和它们的最优联立表示。
5、因子剖析把每个原始变量分解为两部分要素：一部分为公共因子，另一部分为特别因子。
6、若x( ): N P( ,),=1,2,3 .n且互相独立，则样本均值向量x 听从的散布为 _ x ~N(μ，Σ /n)_。
二、简答1、简述典型变量与典型有关系数的观点，并说明典型有关剖析的基本思想。
在每组变量中找出变量的线性组合，使得两组的线性组合之间拥有最大的有关系数。
选用和最先精选的这对线性组合不有关的线性组合，使其配对，并选用有关系数最大的一对，这样下去直到两组之间的有关性被提取完成为止。
被选出的线性组合配对称为典型变量，它们的有关系数称为典型有关系数。
2、简述相应剖析的基本思想。
相应剖析，是指对两个定性变量的多种水平进行剖析。
设有两组要素A和B，此中要素 A 包括 r 个水平，要素 B 包括 c 个水平。
对这两组要素作随机抽样检查，获得一个 rc 的二维列联表，记为。
要追求列联表列要素 A 和行要素 B 的基本剖析特点和最优列联表示。
相应剖析即是经过列联表的变换，使得要素 A和要素 B 拥有平等性，进而用同样的因子轴同时描绘两个要素各个水平的情况。
把两个要素的各个水平的情况同时反应到拥有同样坐标轴的因子平面上，进而获得要素 A 、 B 的联系。
3、简述费希尔鉴别法的基本思想。
从 k 个整体中抽取拥有 p 个指标的样品观察数据，借助方差剖析的思想结构一个线性鉴别函数系数：确立的原则是使得整体之间差别最大，而使每个整体内部的离差最小。
将新样 品的 p 个指标值代入线性鉴别函数式中求出 值，而后依据鉴别必定的规则，就能够鉴别新的样品属于哪个整体。
- 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)。
第七章 因子分析7.1 试述因子分析与主成分分析的联系与区别。
答：因子分析与主成分分析的联系是：①两种分析方法都是一种降维、简化数据的技术。
②两种分析的求解过程是类似的，都是从一个协方差阵出发，利用特征值、特征向量求解。
因子分析可以说是主成分分析的姐妹篇，将主成分分析向前推进一步便导致因子分析。
因子分析也可以说成是主成分分析的逆问题。
如果说主成分分析是将原指标综合、归纳，那么因子分析可以说是将原指标给予分解、演绎。
因子分析与主成分分析的主要区别是：主成分分析本质上是一种线性变换，将原始坐标变换到变异程度大的方向上为止，突出数据变异的方向，归纳重要信息。
而因子分析是从显在变量去提炼潜在因子的过程。
此外，主成分分析不需要构造分析模型而因子分析要构造因子模型。
7.2 因子分析主要可应用于哪些方面？答：因子分析是一种通过显在变量测评潜在变量，通过具体指标测评抽象因子的统计分析方法。
目前因子分析在心理学、社会学、经济学等学科中都有重要的应用。
具体来说，①因子分析可以用于分类。
如用考试分数将学生的学习状况予以分类；用空气中各种成分的比例对空气的优劣予以分类等等②因子分析可以用于探索潜在因素。
即是探索未能观察的或不能观测的的潜在因素是什么，起的作用如何等。
对我们进一步研究与探讨指示方向。
在社会调查分析中十分常用。
③因子分析的另一个作用是用于时空分解。
如研究几个不同地点的不同日期的气象状况，就用因子分析将时间因素引起的变化和空间因素引起的变化分离开来从而判断各自的影响和变化规律。
7.3 简述因子模型中载荷矩阵A 的统计意义。
答：对于因子模型1122i i i ij j im m i X a F a F a F a F ε=++++++ 1,2,,i p =因子载荷阵为11121212221212(,,,)m m m p p pm a a a a a a A A A a a a ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎣⎦Ai X 与j F 的协方差为：1Cov(,)Cov(,)mi j ik k i j k X F a F F ε==+∑=1Cov(,)Cov(,)mikk j i j k aF F F ε=+∑=ij a若对i X 作标准化处理，=ij a ,因此 ij a 一方面表示i X 对j F 的依赖程度；另一方面也反映了变量iX对公共因子jF的相对重要性。
变量共同度2211,2,,mi ijjh a i p===∑2221122()()()()()i i i im m iD X a D F a D F a D F Dε=++++22i ihσ=+说明变量iX的方差由两部分组成：第一部分为共同度2ih，它描述了全部公共因子对变量iX的总方差所作的贡献，反映了公共因子对变量iX的影响程度。
第二部分为特殊因子iε对变量iX的方差的贡献，通常称为个性方差。
而公共因子jF对X的贡献2211,2,,pj ijig a j m===∑表示同一公共因子jF对各变量所提供的方差贡献之总和，它是衡量每一个公共因子相对重要性的一个尺度。
7.4 在进行因子分析时，为什么要进行因子旋转？最大方差因子旋转的基本思路是什么？答：因子分析的目标之一就是要对所提取的抽象因子的实际含义进行合理解释。
但有时直接根据特征根、特征向量求得的因子载荷阵难以看出公共因子的含义。
这种因子模型反而是不利于突出主要矛盾和矛盾的主要方面的，也很难对因子的实际背景进行合理的解释。
这时需要通过因子旋转的方法，使每个变量仅在一个公共因子上有较大的载荷，而在其余的公共因子上的载荷比较小。
最大方差旋转法是一种正交旋转的方法，其基本思路为：①A其中令***(),/ij p m ij ij ia d a h⨯===A AΓ211pj ijid dp==∑*A的第j列元素平方的相对方差可定义为2211()pj ij jiV d dp==-∑②12mV V V V=+++最大方差旋转法就是选择正交矩阵Γ，使得矩阵*A所有m个列元素平方的相对方差之和达到最大。
7.5 试分析因子分析模型与线性回归模型的区别与联系。
答：因子分析模型是一种通过显在变量测评潜在变量，通过具体指标测评抽象因子的统计分析方法的模型。
而线性回归模型回归分析的目的是设法找出变量间的依存(数量)关系, 用函数关系式表达出来。
因子分析模型中每一个变量都可以表示成公共因子的线性函数与特殊因子之和。
即1122i i i im m i X a F a F a F ε=++++，（1,2,,i p =） 该模型可用矩阵表示为：=+X AF ε 而回归分析模型中多元线性回归方程模型为：其中是常数项，是偏回归系数，是残差。
因子模型满足：（1）m p ≤； （2）(,)0Cov =F ε，即公共因子与特殊因子是不相关的；（3）101()01F m D ⎡⎤⎢⎥⎢⎥===⎢⎥⎢⎥⎣⎦D F I ，即各个公共因子不相关且方差为1； （4）212220()0p D εσσσ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎣⎦D ε，即各个特殊因子不相关，方差不要求相等。
而回归分析模型满足（1）正态性：随机误差（即残差）e 服从均值为 0，方差为２的正态分布；（2）等方差：对于所有的自变量x ，残差e 的条件方差为２，且为常数；（3）独立性：在给定自变量x 的条件下，残差e 的条件期望值为0（本假设又称零均值假设）；（4）无自相关性：各随机误差项e 互不相关。
两种模型的联系在于都是线性的。
因子分析的过程就是一种线性变换。
7.6 设某客观现象可用X =()’来描述， 在因子分析时，从约相关阵出发计算出特征值为 由于,所以找前两个特征值所对应的公共因子即可， 又知对应的正则化特征向量分别为(0.707,-0.316,0.632)’及（0，0.899，0.4470）’，要求：（1）计算因子载荷矩阵A ，并建立因子模型。
（2）计算共同度。
（3）计算第一公因子对X的“贡献”。
解：（1）根据题意，A==建立因子模型为（2）（3）因为是从约相关阵计算的特征值，所以公共因子对X的“贡献”为。
7.7 利用因子分析方法分析下列30个学生成绩的因子构成，并分析各个学生较适合学序号数学物理化学语文历史英语16561728481792777776647055367634965675748069757474635747080848174678847562716476671675265578777157728671983100794167501086949751635511748088647366126784535866561381626956665214716494526152157896818089761669566775948017779080686660188467756070631962678371857720746575729073219174976271662272877279837623827083687785246370609185822574799559745926666177627364279082984771602877908568737629918284546260307884100516060X1，用12345spss分析学生成绩的因子构成的步骤如下：1. 在SPSS窗口中选择Analyze→Data Reduction→Factor，调出因子分析主界面，并将六个变量移入Variables框中。
图7.1 因子分析主界面2. 点击Descriptives按钮，展开相应对话框，见图7.2。
选择Initial solution复选项。
这个选项给出各因子的特征值、各因子特征值占总方差的百分比以及累计百分比。
单击Continue按钮，返回主界面。
图7.2 Descriptives子对话框3. 点击Extraction按钮，设置因子提取的选项，见图7.3。
在Method下拉列表中选择因子提取的方法，SPSS提供了七种提取方法可供选择，一般选择默认选项，即“主成分法”。
在Analyze栏中指定用于提取因子的分析矩阵，分别为相关矩阵和协方差矩阵。
在Display 栏中指定与因子提取有关的输出项，如未旋转的因子载荷阵和因子的碎石图。
在Extract栏中指定因子提取的数目，有两种设置方法：一种是在Eigenvalues over后的框中设置提取的因子对应的特征值的范围，系统默认值为1，即要求提取那些特征值大于1的因子；第二种设置方法是直接在Number of factors后的矩形框中输入要求提取的公因子的数目。
这里我们均选择系统默认选项，单击Continue按钮，返回主界面。
图7.3 Extraction子对话框4.点击Rotation按钮，设置因子旋转的方法。
这里选择Varimax(方差最大旋转)，并选择Display栏中的Rotated solution复选框，在输出窗口中显示旋转后的因子载荷阵。
单击Continue按钮，返回主界面。
图7.4 Rotation子对话框5.点击Scores按钮，设置因子得分的选项。
选中Save as variables复选框，将因子得分作为新变量保存在数据文件中。
选中Display factor score coefficient matrix复选框，这样在结果输出窗口中会给出因子得分系数矩阵。
单击Continue按钮返回主界面。
图7.5 Scores子对话框6. 单击OK按钮，运行因子分析过程。
结果分析：表7.1 旋转前因子载荷阵表7.2 旋转后因子载荷阵成份矩阵a成份12x1-.662.503x2-.530.478x3-.555.605x4.900.233x5.857.357不同原始变量从表7.1中可以看出，每个因子在上的载荷没有明显的差别，为了便于对因子进行命名，需要对因子载荷阵进行旋转，得表7.2。
经过旋转后的载荷系数已经明显地两极分化了。
第一个公共因子在后三个指标上有较大载荷，说明这三个指标有较强的相关性，可以归为一类，属于文科学习能力的指标；第二个公共因子在前三个指标上有较大载荷，同样可以归为一类，这三个指标同属于理科学习能力的指标。
根据表7.3易得：6432.05378.04332.03137.02085.01064.01XXXXXXF+++++=6169.05073.04014.03484.02400.01439.02XXXXXXF+++++=表7.3 因子得分系数矩阵将每个学生的六门成绩分别代入F1、F2，比较两者的大小，F1大的适合学文，F2大的适合学理。
计算结果为学号是1、16、24的学生适合学文，其余均适合学理。
7.8 某汽车组织欲根据一系列指标来预测汽车的销售情况，为了避免有些指标间的相关关系影响预测结果，需首先进行因子分析来简化指标系统。