spss统计分析_三大检验_回归诊断_因子分析
spss统计分析三大检验回归诊断因子分析知识
• 旋转后的各个因子 的含义更加突出。 每个公因子都有反 映几个方面的变动 情况。
• 第一个公因子反映 交大载荷的有外商、 国有、港澳台、股 份制、集体经济单 位；第二个有联营 经济单位；第三个 则是其他经济单位。
• 该表列出来采用回 归法估计得因子得 分系数。根据表中 的内容可写出因子 得分系数。
实例分析：全国各地区不同所有制单位平均 收入排名
• 下图是全国各地区不同所有制单位平均收入情况，具体包 括国有经济单位、集体经济单位、联营经济单位等7个部 分。利用主成分分析探讨各地区按所有制类别分类的排名。
• 进行因子分析前，可以 计算相关系数矩阵、巴 特李特球度检验和KMO 检验等方法来检验候选 数据是否适合采用因子 分析。
因子分析：主成分分析的内在原理和过程
• 方法概述：因子分析法就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。
• 基本思想：对原始的数据进行分类归并，将相关比较密切的变量分别 归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的 信息互相不重叠。这些综合指标就称为因子或公共因子，就能相对容 易地以较少的几个因子反映原资料的大部分信息。
模型汇总即对方程拟合情况的描述， R方就是自变量所能解释的方差在 总方差中所占的百分比，值越大说 明模型的效果越好。案例计算的回 归模型中R方等于0.994，模型拟合 效果较好。
• 方差分析表是对 回归模型进行方 差分析的检验结 果，主要用于分 析整体模型的显 著性。可以看到
方差分析结果中F 统计量等于4123， 概率p,0.000小于 显著性水平0.05， 所以该模型是有 统计学意义的， 人均可支配收入 与人均消费性支 出之间的线性关
如何用SPSS软件计算因子分析应用结果
如何用SPSS软件计算因子分析应用结果一、概述因子分析是一种在社会科学、心理学、经济学和许多其他领域广泛使用的统计分析方法。
这种方法的核心目的是简化数据集，通过找出潜在的结构或模式，将多个变量归纳为少数几个综合因子。
这些因子通常代表某种潜在的、不可直接观测的变量或特质，它们可以解释原始数据中的大部分变异。
SPSS，作为世界上最流行的统计分析软件之一，提供了强大的因子分析功能。
使用SPSS进行因子分析，研究者可以方便地得到因子载荷、因子得分、解释方差比例等关键信息，从而更深入地理解数据的内在结构和变量之间的关系。
本文将详细介绍如何使用SPSS软件进行因子分析，并解读分析结果。
我们将从数据准备开始，逐步讲解因子分析的步骤，包括选择适当的因子提取方法、旋转方法，以及如何解释和分析结果。
通过本文的学习，读者将能够掌握因子分析的基本方法，并能够独立运用SPSS软件进行有效的因子分析。
1. 简要介绍因子分析的概念及其在数据分析中的应用。
因子分析是一种在多元统计分析中广泛应用的技术，其主要目的是通过对大量变量间关系的研究，找出这些变量之间的潜在结构，或者说找出潜在的公共因子。
这些公共因子能够反映原始变量的大部分信息，并且彼此之间互不相关。
通过因子分析，研究者可以在减少变量数量的同时，保留原始数据中的关键信息，从而简化数据结构，方便后续的分析和解释。
在数据分析中，因子分析的应用非常广泛。
例如，在社会科学领域，研究者可能需要对大量的社会指标进行分析，以了解社会现象的本质。
这时，因子分析可以帮助他们找出这些指标背后的潜在结构，从而更深入地理解社会现象。
在市场营销领域，因子分析可以帮助研究者识别出消费者对不同产品的偏好模式，从而指导产品设计和市场定位。
在生物医学领域，因子分析可以用于基因表达数据的分析，帮助研究者找出影响特定生物过程的基因群。
在SPSS软件中，因子分析的实现相对简单，用户只需按照软件的操作步骤进行操作即可完成分析。
SPSS因子分析法
因子分析一、基础理论知识1 概念因子分析（Factor analysis ）：就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。
从数学角度来看，主成分分析是一种化繁为简的降维处理技术。
主成分分析（Principal component analysis ）：是因子分析的一个特例，是使用最多的因子提取方法。
它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。
选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。
两者关系：主成分分析（PCA）和因子分析（FA）是两种把变量维数降低以便于描述、理解和分析的方法，而实际上主成分分析可以说是因子分析的一个特例。
2 特点（1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。
（2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。
（3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。
（4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。
在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。
显然，在一个低维空间解释系统要比在高维系统容易的多。
3 类型根据研究对象的不同，把因子分析分为R型和Q型两种。
当研究对象是变量时，属于R 型因子分析；当研究对象是样品时，属于Q型因子分析。
但有的因子分析方法兼有R 型和Q型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。
4分析原理假定：有n 个地理样本，每个样本共有p 个变量，构成一个n×p 阶的地理数据矩阵:当p 较大时，在p 维空间中考察问题比较麻烦。
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(九)
SPSS（Statistical Package for the Social Sciences）是一种专业的统计软件，广泛应用于各种学术研究和商业分析中。
其中的因子分析是一种常用的数据分析方法，用于发现数据中的潜在因子结构。
本文将介绍如何利用SPSS进行因子分析，并且探讨因子分析的一些相关概念和技巧。
1. 数据准备在进行因子分析之前，首先需要进行数据准备。
这包括数据的清洗、变量的选择和数据的标准化。
清洗数据是为了去除异常值和缺失值，以保证数据的质量。
选择变量是为了确定需要进行因子分析的变量，通常选择相关性较高的变量。
标准化数据是为了使不同变量之间的数值具有可比性，通常采用z-score标准化方法。
2. 进行因子分析在SPSS中进行因子分析非常简单。
首先打开SPSS软件，导入需要进行因子分析的数据文件。
然后依次点击“分析”→“数据降维”→“因子”，在弹出的对话框中选择需要进行因子分析的变量，设置因子提取方法和旋转方法，最后点击“确定”按钮即可进行因子分析。
3. 因子提取与旋转在因子分析中，因子提取是指从原始变量中提取出潜在因子，常用的方法有主成分分析和最大方差法。
而因子旋转是为了使因子更易于理解和解释，常用的旋转方法有方差最大旋转和极大似然旋转。
在SPSS中，可以根据具体的研究目的选择不同的因子提取和旋转方法。
4. 结果解释进行因子分析后，SPSS会输出一些统计指标和结果数据，如特征值、因子载荷矩阵等。
特征值是衡量因子解释变量方差的指标，通常选择特征值大于1的因子作为潜在因子。
因子载荷矩阵则显示了每个变量对于每个因子的贡献程度，可以根据载荷大小解释因子的含义。
5. 结果验证进行因子分析后，还需要对结果进行验证。
通常可以采用内部一致性分析、重测信度分析和因子有效性分析等方法进行结果验证。
在SPSS中，可以利用内部一致性分析来检验因子的稳定性和一致性，重测信度分析可用来检验因子的可靠性，因子有效性分析可用来检验因子的有效性。
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_3因子分析
第二部分：实验过程记录（可加页）（包括实验原始数据记录，实验现象记录，实验过程发现的问题等）一、实验数据我们收集到了全国31个省市的8项经济指标，在这些数据的基础上做主成分分析。
数据见附表1。
二、操作步骤第一步：录入或调入数据（图1）。
图1：原始数据（未经标准化）第二步：打开“因子分析”对话框。
沿着主菜单的“分析→降维→因子分析”的路径（图2）打开因子分析选项框（图3）。
图2：打开因子分析对话框的路径图3：因子分析选项框第三步：选项设置。
首先，在源变量框中选中需要进行分析的变量，点击右边的箭头符号，将需要的变量调入变量（变量（V））栏中（图3）。
在本例中，全部8个变量都要用上，故全部调入（图4）。
因无特殊需要，故不必理会“值（L）”栏。
下面逐项设置：图4 将变量移到变量栏以后1.设置描述（D）选项。
单击描述（D）按钮（图4），弹出描述统计对话框（图5）。
图5 描述选项框在描述统计栏中选中“单变量描述性（U）”复选项，则输出结果中将会给出原始数据的抽样均值、方差和样本数目（这一栏结果可供检验参考）；选中“原始分析结果”复选项，则会给出主成分载荷的公因子方差（这一栏数据分析时有用）。
在“相关矩阵”栏中，选中系数（C）复选项，则会给出原始变量的相关系数矩阵（分析时可参考）；选中行列式（D）复选项，则会给出相关系数矩阵的行列式，如果希望在Excel中对某些计算过程进行了解，可选此项，否则用途不大。
其它复图6 提取对话框需要注意的是：主成分计算是利用迭代方法，系统默认的迭代次数是25次。
但是，当数据量较大时，25次迭代是不够的，需要改为50次、100次乃至更多。
对于本例而言，变量较少，25次迭代足够，故无需改动。
设置完成以后，单击“继续”按钮完成设置（图6）。
3.设置“因子得分”设置。
选中“保存为变量（S）”栏，则分析结果中给出标准化的主成分得分（在数据表的后面）。
至于方法复选项，对主成分分析而言，三种方法没有分别，采用系统默认的“回归（R）”法即可。
因子分析SPSS操作
因子分析SPSS操作因子分析是一种多变量统计方法，旨在发现潜在的结构和相关性，以便简化数据集并解释变量之间的关系。
SPSS（统计软件包社会科学）是一种广泛使用的统计软件，可以帮助研究人员进行因子分析。
在SPSS中进行因子分析的步骤如下：1.数据准备：-确保数据集已经导入到SPSS中。
-检查和清洗数据，确保数据完整、准确，并且符合因子分析的前提条件。
2.因子分析模型：- 打开SPSS软件并选择“Analyze”菜单。
- 从下拉菜单中选择“Dimension Reduction”>“Factor Analysis”。
3.变量选择：- 从左侧的变量列表中选择要进行因子分析的变量，并将它们移动到右侧的“Variables”框中。
-这些变量应该是连续变量，而非分类变量。
4.因子提取：- 在“Factor Analysis”对话框的“Extraction”选项卡中选择因子提取方法。
- 确定要提取的因子数量。
可以使用Kaiser标准（主成分分析时为特征值大于1）或Scree Plot来指导因子数量的选择。
5.因子旋转：- 进入“Rotation”选项卡，选择适当的因子旋转方法。
- 常用的方法包括Varimax、Promax、Quartimax等。
-因子旋转的目标是最大化因子载荷的简单性和解释性。
6.结果解释：-在因子分析的结果中，可以查看各个变量的因子载荷矩阵，它描述了每个变量在每个因子上的影响程度。
-可以选择将因子载荷阈值设置为一定值，以便筛选出具有较高负载的变量。
-查看每个因子的解释方差，以了解它们对原始变量的解释程度。
7.结果可视化：-可以使用SPSS的图表功能来可视化因子分析结果。
-比如，可以绘制因子载荷矩阵的热图，用不同颜色表示不同的负载水平。
-还可以绘制因子解释方差的条形图，以比较每个因子的贡献程度。
需要注意的是，因子分析在使用时需要考虑以下几点：-样本量必须足够大，一般建议至少大于观测变量数的10倍。
- 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)。
• SSA占比较大即观察变量的 变动主要是由因素的不同水 平引起的，可有因素的变动 来解释。
• 利用假设检验推断因素的不 同水平是否对观测变量产生 显著影响。
• 原假设H0是因素不同水平对 观察变量不存在显著影响， 采用的检验统计量是F统计 量。
• 第一列是因子编号，后三列组成一组。第一组数据项描述 了初始因子解的情况。可以看到，第一个因子的特征根值 为5.502，解释了原有7个变量总方差的78%；前三个因子 的累计方差贡献率为92.141%，说明前三个公因子基本包 含了全部变量的主要信息，因此选择前三个因子为主因子 即可。
• 同时，被提取的载荷平方和旋转和的平方载荷数据组列出 了因子提取后和旋转后的因子方差解释情况。
• 因子分析法的核心是对若干综合指标进行因子分析并提取公共因子， 再以每个因子的方差贡献率作为权数与该因子的得分乘数之和构造得 分函数。
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计方差贡献率 • 5.确定因子：设F1，F2，...,Fp个因子，其中前m个因子包含的数据信
因子分析：主成分分析的内在原理和过程
• 方法概述：因子分析法就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。
• 基本思想：对原始的数据进行分类归并，将相关比较密切的变量分别 归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的 信息互相不重叠。这些综合指标就称为因子或公共因子，就能相对容 易地以较少的几个因子反映原资料的大部分信息。
1.4配对样本T检验
• 两配对样本t检验的目的是利用来自两个总体的配对样本 ，推断两个总体的均值是否存在显著差异。
• 和独立样本不同的是这两个整体是有联系的。
• 其检验思路就是做差值，转化为单样本t检验，最后转化 为差值序列，通过看总体均值是否与0有显著差异做检验 。
找到分析->比较均值->配对样本T检验，将其 单击打开。
F检验在方差分析中的应用 方差分析：通过分析单个 或多个因素是否在不同水 平样本下的均值存在显著 性差异。 单因素方差分析：用来研 究一个因素的不同水平是 否对观测变量产生了显著 影响，即检验由单一因素 影响的一个（或几个相互 独立的）因变量在因素各 水平分组的均值之间的差 异是否均有统计意义。
• 首先剖析观察变量的方差。
系是显著的。
回归系数表列出来本案 例进行的医院回归模型 常数项、回归系数的估 计值和检验的结果。可 见
b0=158.512,b1=0.756, 故回归方程如下： 年人均消费性支出 =158.512+0.756*年人均 可支配收入，即人均可 支配收入每增加一个单 位，年人均消费性支出 增加0.756个单位。
卡方检验（非参数检验）
• 卡方检验是用来判断样本是否来自一种总体的检验方法。 就是根据样本的频率来推断总体的分布是否具有显著差异。
• 1.1变量独立性 • 1.2总体同质性
1.1变量独立性（两种特征是否在总体分布独 立）
• 先看到的第一个表格就是交叉表，婚姻状况为行、住房满 意为列
变量独立性检验： 原假设H0：婚姻状况与 住房满意度相互独立（总 体中婚姻状况与住房满意 度无显著影响） 由于SIG值均大于0.05， 故接受原假设，即在0.05 显著水平上，婚姻状况与 住房满意度无显著影响影 响关系。
• 再者,样本均值与总体均值之间的差异显著性检验,也属于 单样本T检验.
• 以耐电压值的平均值与500之间的差异显著性的检验问题 为例.
点击"分析(A)",选择"比较均值(M)",点击"单样 本T检验(S)",如图所示
将"耐电压值"放到"检验变量(T)"中,我们在这 里将"检验值"设为"500",如图所示
不同的地区可能是导致广告销售额不同。本例中， 地区是因素，其中有18个不同水平，广告销售额是 因变量（观测变量）
• 这里的单因素方差分析主要研究在地区这一单一因素下， 不同地区来源的广告销售额测度平均值是否相同，即进行 如下假设检验。
• H0:不同地区对广告销售额均值无显著性影响 • H1：不同地区对广告销售额均值存在显著性影响
息总量，即其累计贡献率，不低于85%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。 • 7.用原指标的线性组合来求各因子得分 • 8.综合得分：通常以各因子的方差贡献率为权，由各因子的线性组合 得到综合评价指标函数。
1.3独立样本t检验
• 两独立样本t检验的目的是利用来自两个总体的独立样本， 推断两个总体的均值是否存在显著差异。
• 首先进行婚姻状况（已婚、未婚）两个总体方差同质性检 验。
• 原假设（检验假设）：H0：已婚、未婚两个总体方差具 有同质性
1)利用F检验判断两总体的方差是 否相等；利用t检验判断两总体均 值是否存在显著差异。
实例分析：全国各地区不同所有制单位平均 收入排名
• 下图是全国各地区不同所有制单位平均收入情况，具体包 括国有经济单位、集体经济单位、联营经济单位等7个部 分。利用主成分分析探讨各地区按所有制类别分类的排名。
• 进行因子分析前，可以 计算相关系数矩阵、巴 特李特球度检验和KMO 检验等方法来检验候选 数据是否适合采用因子 分析。
需要从原变量中选择成对变量进行配对。 如下图所示，根据成对的变量自定义进行选择配对 。
单击选项，打开的是置信区间百分比，默认 的是95%，缺失值的处理方法用第一种
第一个表格是数据的基本描述。 第二个是数据前后变化的相关系数，那个概率P值是相关系数的概率值， 概率大于显著性水平0.05，则说明数据变化前后没有显著的线性变化， 线性相关程度较弱。 第三个表格是数据相减后与0的比较，通过概率值为0，小于显著性水平 0.05，则拒绝原假设，相减的差值与0有较大差别，则表明数据变化前后 有显著的变化。
选择需要分析的对象,这里我们把"身高"作为 因变量,"性别"作为自变量.如下图所示.
在步骤3中,我们可以根据自己的需要,选择要得到的相关数值,点击"选项", 把"统计量"中自己需要的统计量点击到"单元格统计量"中,也可以在"第一 层的统计量"中选择"Anova表和eta(A)"和"线性相关检验",我们这里只选择 前者.如图所示.
点击"选项(O)",我们会发现"置信区间百分比 (C)"的默认值为"0.95",我们这里选择默认值
通过结果我们可以看出:"单个样本统计量"包括检验的总体均 值(304.68),标准差(224.18)以及t统计量(-3.896)等. 本例的双侧Sig值为0.000<0.05,因此认为在0.05的显著性水 平下,拒绝虚无假设，接受对立假设，即耐电压值与500存在 显著性差异。
实例结果及分析
• 方差齐性检验：Levene统计量等于 2.881，由于P值0.078大于0.05， 故认为数据的方差是相同的，满足 方差分析的前提条件
单因素方差分析表： 第一列是方差来源， 包括组间离差平方 和、组内和总数； 第二列势离差平方 和； 第三列是自由度df； 第四列均方，是第 二三列之比； 第五列是F值32.66 （组间均方与组内 均方之比）； 第六列是F值对应的 概率P值，其值等于 0.000。由于概率P 值小于0.05，故拒 绝原假设，接受对 立假设，认为不同 地区对销售额测度 平均值存在显著性 影响。
• 因子碎石图：横坐标为 因子数目，纵坐标为特 征值。可以看到，第一 个因子的特征值很高， 对解释原有变量的贡献 最大；第三个以后的因 子特征根都较小，说明 他们对解释原有变量的 贡献很小。
该表显示了旋转钱的 因子载荷矩阵，是因 子分析的核心内容。 通过过载荷系数大小 可以分析不同公共因 子所反映的主要指标 的区别。少部分指标 解释能力较差，采用 因子旋转方法使得因 子载荷系数向0和1两 极分化，是大的载荷 更大，小的更小。
模型汇总即对方程拟合情况的描述， R方就是自变量所能解释的方差在 总方差中所占的百分比，值越大说 明模型的效果越好。案例计算的回 归模型中R方等于0.994，模型拟合 效果较好。
• 方差分析表是对 回归模型进行方 差分析的检验结 果，主要用于分 析整体模型的显 著性。可以看到
方差分析结果中F 统计量等于4123， 概率p,0.000小于 显著性水平0.05， 所以该模型是有 统计学意义的， 人均可支配收入 与人均消费性支 出之间的线性关
• 在利用原数据文件增 加的三个变量，乘以 对应的方差贡献率权 重，加总得到综合评 价得分。
回归分析：五条假设，系数解读
• 零均值假定：随机误差项ε均值为0(异方差) • 等方差假定：εi方差同为σ2 且σ为常数 • 正态性假定：随机误差项ε服从均值为0，方差为σ2的正态
1.2总体同质性检验
• 原假设：H0:婚姻状 况总体在住房满意 度上无显著差异。 H1：婚姻状况总体 在住房满意度上存 在显著差异。
• 根据左表，由0.268 、0.296、0.268均 大于0.05，故接受 原假设，即在0.05 显著水平下婚姻状 况在住房满意度上 无显著差异。
F检验
• F检验在方差分析中的应用 • F检验在回归模型显著性中的应用
• 因子个数小于原有变量 的个数才是因子分析， 所以不能提取全部。
• 第三列列出来按指定条 件提取特征根时的共同 度。