主成分分析、因子分析实验报告

对2009年我国88个房地产上市公司的因子分析

分析结果：

表1 KMO 和 Bartlett 的检验

取样足够度的 Kaiser-Meyer-Olkin 度量。.637 Bartlett 的球形度检验近似卡方398.287

df 45

Sig. .000 由表1可知，巴特利特球度检验统计量的观测值为398.287，相应的概率p值接近0，小于显著性水平 (取0.05)，所以应拒绝原假设，认为相关系数矩阵与单位矩阵有显著差异。同时，KMO值为0.637，根据Kaiser给出的KMO度量标准(0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合)可知原有变量不算特别适合进行因子分析。

表2 公因子方差

初始提取市盈率 1.000 .706 净资产收益率 1.000 .609 总资产报酬率 1.000 .822 毛利率 1.000 .280 资产现金率 1.000 .731 应收应付比 1.000 .561 营业利润占比 1.000 .782 流通市值 1.000 .957 总市值 1.000 .928 成交量（手） 1.000 .858 提取方法：主成份分析。

表2为公因子方差，即因子分析的初始解，显示了所有变量的共同度数据。第一列是因子分析初始解下的变量共同度，它表明，对原有10个变量如果采用主成分分析方法提取所有特征根(10个)，那么原有变量的所有方差都可被解释，变量的共同度均为1(原有变量标准化后的方差为1)。事实上，因子个数小于原有变量的个数才是因子分析的目标，所以不可提取全部特征根；第二列是在按指定提取条件(这里为特征根大于1)提取特征根时的共同度。可以看到，总资产报酬率、成交量、流

通市值、总市值的绝大部分信息可被因子解释，这些变量的信息丢失较少。但毛利率这一变量的信息丢失相当严重(近70%)，净资产收益率、应收应付比率两个变量的信息丢失较为严重(近40%)。因此本次因子提取的总体效果并不理想。

表3展示了特征根及累积贡献率情况，按照特征根大于1的原则，选入了4个公共因子，其累积方差贡献率为72.343%，同时也可以看出，因子旋转后，累计方差比并没有改变，也就是没有影响原有变量的共同度，但却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，使各因子更易于解释。图五为因子的碎石图，需要说明的是这里累积方差贡献率并不高，远没有达到85%，但是根据碎石图我们可以看出在这里选四个因子还是比较合适的。

图五

表4 成份矩阵a

成份

1 2 3 4

流通市值.934 -.253 .125 .067 总市值.926 -.257 .064 .013 成交量（手）.849 -.357 .065 .082 总资产报酬率.322 .791 .295 .073 净资产收益率.269 .669 .125 -.271 市盈率-.333 -.582 .418 -.286 毛利率.202 .418 .222 .122 营业利润占比.198 .155 -.776 .341 应收应付比-.231 -.190 .019 .687 资产现金率.195 -.052 -.544 -.627 提取方法 :主成份。

a. 已提取了 4 个成份。

采用最大方差法对成份矩阵(因子载荷矩阵)实施正交旋转以使因子具有命名解释性。指定按第一因子载荷降序的顺序输出旋转后的因子载荷矩阵如表5所示：表5 旋转成份矩阵a

成份

1 2 3 4

流通市值.971 .110 .032 .042 总市值.952 .079 .058 .111 成交量（手）.925 -.029 .041 .022 总资产报酬率.043 .903 .070 -.021 净资产收益率-.013 .707 .029 .328 毛利率.069 .513 .021 -.104 营业利润占比.055 -.090 .878 .020 市盈率-.060 -.458 -.701 -.017 资产现金率.070 -.208 .229 .794 应收应付比-.075 -.212 .162 -.696 提取方法 :主成份。

旋转法 :具有 Kaiser 标准化的正交旋转法。

a. 旋转在 5 次迭代后收敛。

可以看出流通市值、总市值、成交量在第一因子上有较高的载荷，第一因子主要解释了这几个变量，可解释为公司价值；总资产报酬率、净资产收益率、毛利率在第二因子上有较高的载荷，第二因子主要解释了这几个变量，可解释为公司运营效益；营业利润占比、市盈率在第三因子上有较高的载荷，第三因子主要解释了这几个变量，可解释为公司获利能力；资产现金率、应收应付比在第四因子上有较高的载荷，第四因子主要解释了这几个变量，可解释为公司获现能力。

表6显示了四个因子的协方差矩阵，可以看出，四个因子之间没有线性相关性，实现了因子分析的目标。

采用回归法估计因子得分系数，并输出因子得分系数矩阵（成份得分系数矩阵），如表7所示。

表7 成份得分系数矩阵

成份

市盈率 .030 -.181 -.492 .048 净资产收益率 -.055 .367 -.060 .233 总资产报酬率 -.018 .487 -.034 -.073 毛利率 .014 .282 -.032 -.120 资产现金率 -.034 -.181 .156 .652 应收应付比 .021 -.091 .181 -.566 营业利润占比 -.021 -.136 .680 -.024 流通市值 .361 .020 -.036 -.042 总市值 .349 -.002 -.015 .017 成交量（手） .350

-.054

-.012

-.048

提取方法 :主成份。

旋转法 :具有 Kaiser 标准化的正交旋转法。构成得分。

由表7得到四个因子1234f f f f 、、、的线性组合如下所示：（注：以下市盈率、净资产收益率、总资产报酬率、毛利率、资产现金率、应收应付比、营业利润占比、流通市值、总市值、成交量(手)依次用

12345678910

,,,,,,,,,x x x x x x x x x x 代替） 112345678910

=0.0300.0550.0180.0140340.0210.0210.3610.3490.350f x x x x x x x x x x +--+-0. -+++

212345678910

=0.1810.3670.4870.2821810.091

0.1360.0200.0020.054f x x x x x x x x x x --+++-0. -+--

312345678910

=0.4920.0600.0340.0320.1810.6800.0360.0150.012f x x x x x x x x x x +----+0.156 +---

412345678910

=0.0480.2330.0730.1200.6520.5660.0240.0420.0170.048f x x x x x x x x x x -+--+ --+-

按以上四个线性组合计算因子得分，以各因子的方差贡献率占四个因子总方差贡献率的比重作为权重进行加权汇总，得到各企业的综合得分，即

f =(1f *27.269+2f *19.043+3f *13.541+4f *12.491)/72.343

下表显示了各个因子得分及综合得分中排在前十位的房地产上市公司：

由该表我们可以看到就公司市场价值而言，最高的是万科A，其次是保利地产、然后是金地集团等，在公司运营效益上相对比较好的是陆家嘴和*ST华控，而在公司获利能力和获现能力上，相对较好的是成城股份及亿城股份、首开股份及园城股份。就综合得分而言，排名最靠前的是万科A、保利地产和陆家嘴。由此我们也可以看出：对于房地产上市为公司而言，公司的市场价值对公司综合能力的影响是比较显著的，其次是公司的运营效益和公司的获利能力，由于该行业不像一般的零售业及其他产业那么注重现金流的问题，所以自然公司获现能力对公司综合能力的影响也就不是很突出。这也为房地产上市公司提供了一个参考，在他们以后的运营过程中，他们应该注重提高自己公司的市场价值和盈利能力，具体表现在流通市值、总市值、成交量（手）以及总资产报酬率、净资产收益率、毛利率、营业利润率和市盈率上。

附：四个因子的矩阵图

从该图中我们不难发现几乎没有哪个公司是在这四个因子上都有很高的得分，但是万科A在第一因子（公司市场价值）上的得分明显远高于其他各公司，这也是为什么综合得分中它的得分最高，与上述分析吻合，其实这也为各房地产上市公司指明了一条前进的道路，在资源有限的情况下，优先提升公司的市场价值，其次是公司的运营效益和盈利能力。

SPSS中的主成分分析与因子分析

主成分分析与因子分析及SPSS实现（一）：原理与方法一、主成分分析（1）问题提出在问题研究中，为了不遗漏和准确起见，往往会面面俱到，取得大量的指标来进行分析。比如为了研究某种疾病的影响因素，我们可能会收集患者的人口学资料、病史、体征、化验检查等等数十项指标。如果将这些指标直接纳入多元统计分析，不仅会使模型变得复杂不稳定，而且还有可能因为变量之间的多重共线性引起较大的误差。有没有一种办法能对信息进行浓缩，减少变量的个数，同时消除多重共线性？这时，主成分分析隆重登场。（2）主成分分析的原理主成分分析的本质是坐标的旋转变换，将原始的n个变量进行重新的线性组合，生成n个新的变量，他们之间互不相关，称为n个“成分”。同时按照方差最大化的原则，保证第一个成分的方差最大，然后依次递减。这n个成分是按照方差从大到小排列的，其中前m个成分可能就包含了原始变量的大部分方差（及变异信息）。那么这m个成分就成为原始变量的“主成分”，他们包含了原始变量的大部分信息。注意得到的主成分不是原始变量筛选后的剩余变量，而是原始变量经过重新组合后的“综合变量”。我们以最简单的二维数据来直观的解释主成分分析的原理。假设现在有两个变量X1、X2，在坐标上画出散点图如下：

可见，他们之间存在相关关系，如果我们将坐标轴整体逆时针旋转45°，变成新的坐标系Y1、Y2，如下图：根据坐标变化的原理，我们可以算出：

Y1 = sqrt(2)/2 * X1 + sqrt(2)/2 * X2 Y2 = sqrt(2)/2 * X1 - sqrt(2)/2 * X2 其中sqrt(x)为x的平方根。通过对X1、X2的重新进行线性组合，得到了两个新的变量Y1、Y2。此时，Y1、Y2变得不再相关，而且Y1方向变异（方差）较大，Y2方向的变异（方差）较小，这时我们可以提取Y1作为X1、X2的主成分，参与后续的统计分析，因为它携带了原始变量的大部分信息。至此我们解决了两个问题：降维和消除共线性。对于二维以上的数据，就不能用上面的几何图形直观的表示了，只能通过矩阵变换求解，但是本质思想是一样的。二、因子分析（一）原理和方法：因子分析是主成分分析的扩展。在主成分分析过程中，新变量是原始变量的线性组合，即将多个原始变量经过线性（坐标）变换得到新的变量。因子分析中，是对原始变量间的内在相关结构进行分组，相关性强的分在一组，组间相关性较弱，这样各组变量代表一个基本要素（公共因子）。通过原始变量之间的复杂关系对原始变量进行分解，得到公共因子和特殊因子。将原始变量表示成公共因子的线性组合。其中公共因子是所有原始变量中所共同具有的特征，而特殊因子则是原始变量所特有的部分。因子分析强调对新变量（因子）的实际意义的解释。

【实验报告】SPSS相关分析实验报告

SPSS相关分析实验报告篇一：spss对数据进行相关性分析实验报告实验一一.实验目的掌握用spss软件对数据进行相关性分析，熟悉其操作过程，并能分析其结果。二.实验原理相关性分析是考察两个变量之间线性关系的一种统计分析方法。更精确地说，当一个变量发生变化时，另一个变量如何变化，此时就需要通过计算相关系数来做深入的定量考察。P值是针对原假设H0：假设两变量无线性相关而言的。一般假设检验的显著性水平为0.05，你只需要拿p值和0.05进行比较：如果p值小于0.05，就拒绝原假设H0，说明两变量有线性相关的关系，他们无线性相关的可能性小于0.05；如果大于0.05，则一般认为无线性相关关系，至于相关的程度则要看相关系数R值，r越大，说明越相关。越小，则相关程度越低。而偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程，其检验过程与相关分析相似。三、实验内容掌握使用spss软件对数据进行相关性分析，从变量之间的相关关系，寻求与人均食品支出密切相关的因素。 (1)检验人均食品支出与粮价和人均收入之间的相关关系。 a.打开spss软件，输入“回归人均食品支出”数据。

b.在spssd的菜单栏中选择点击，弹出一个对话窗口。 C.在对话窗口中点击ok,系统输出结果，如下表。从表中可以看出，人均食品支出与人均收入之间的相关系数为0.921，t检验的显著性概率为0.0000.01，拒绝零假设，表明两个变量之间显著相关。人均食品支出与粮食平均单价之间的相关系数为0.730，t检验的显著性概率为 0.0000.01，拒绝零假设，表明两个变量之间也显著相关。 (2)研究人均食品支出与人均收入之间的偏相关关系。读入数据后： A.点击系统弹出一个对话窗口。 B.点击OK，系统输出结果，如下表。从表中可以看出，人均食品支出与人均收入的偏相关系数为0.8665，显著性概率p=0.0000.01，说明在剔除了粮食单价的影响后，人均食品支出与人均收入依然有显著性关系，并且0.86650.921，说明它们之间的显著性关系稍有减弱。通过相关关系与偏相关关系的比较可以得知：在粮价的影响下，人均收入对人均食品支出的影响更大。三、实验总结 1、熟悉了用spss软件对数据进行相关性分析，熟悉其操作过程。 2、通过spss软件输出的数据结果并能够分析其相互之间的关系，并且解决实际问题。 3、充分理解了相关性分析的应用原理。

SPSS因子分析实验报告.doc

实验十一（因子分析）报告一、数据来源各地区年平均收入.sav 二、基本结果（1）考察原有变量是否适合进行因子分析首先考察原有变量之间是否存在线性关系，是否采用因子分析提取因子。借助变量的相关系数矩阵、反映像相关矩阵、巴特利球度检验和KMO检验方法进行分析，结果如表1、表2所示：表1原有变量相关系数矩阵 correlation matrix 表1显示原有变量的相关系数矩阵，可以看出大部分的相关系数都比较高，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2 KMO and Bartlett's Test 由表2可知，巴特利特球度检验统计量观测值为182.913，p值接近0，显著性差异，可以认为相关系数矩阵与单位阵有显著差异，同时KMO值为 0.882，根据Kaiser给出的KMO度量标准可知原有变量适合进行因子分析。（2）提取因子进行尝试性分析：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。具体结果见表3：可知，initial一列是因子分析初始解下的共同度，表明如果对原有7个变量采用主成分分析法提取所有特征值，那么原有变量的所有方差都可以被解释，变量的共同度均为1。事实上，因子个数小于原有变量的个数才是因子分析的目的，所以不可以提取全部特征值。第二列表明港澳台经济单位、集体经济单位以及外商投资经济单位等变量的绝大部分信息（大于83%）可被因子解释。但联营经济、其他经济丢失较为严重。因此，本次因子提取的总体效果不理想。表3因子分析中的变量共同度（一）重新制定提取特征值的标准，指定提取2个因子，分析表4：可以看出，此时所有变量的共同度均较高，各个变量的信息丢失较少。因此，本次因子提取的总体效果比较理想。表4因子分析的变量共同度（二）

SPSS相关分析报告实验报告材料

本科教学实验报告（实验）课程名称：数据分析技术系列实验

实验报告学生姓名：一、实验室名称：二、实验项目名称：相关分析三、实验原理相关关系是不完全确定的随机关系。在相关关系的情况下，当一个或几个相互联系的变量取一定值得时候，与之相应的另一变量的值虽然不确定，但它仍然按照某种规律在一定的范围内变化。按照数据度量的尺度不同，相关分析的方法也不同，连续变量之间的相关性常用Pearson简单相关系数测定；定序变量的相关系数常用Spearman秩相关系数和Kendall 秩相关系数测定；定类变量的相关分析要使用列连表分析法。四、实验目的理解相关分析的基本原理，掌握在SPSS软件中相关分析的主要参数设置及其含义，掌握SPSS软件分析结果的含义及其分析。五、实验内容及步骤实验内容：以雇员表为例，共有474条数据，运用相关分析方法对变量间的相关关系进行分析。

1）分析性别与工资之间是否存在相关关系。 2）分析教育程度与工资之间是否存在相关关系。实验要求：掌握相关分析方法的计算思路及其在SPSS环境下的操作方法，掌握输出结果的解释。 1. 分析性别与工资之间是否存在相关关系。分析：性别属于定类变量，是离散值，因使用卡方检验。 Step1.操作为Analyze \ Descriptive Statistics \ Crosstabs Step2.将性别（Gender）和收入（Current Salary）分别移入Rows列表框和Columns 列表框。

Step3.单击Statistics按钮，在弹出的子对话框中选中默认的Chi-square，进行卡方检验。退回到主对话框，单击ok。

因子分析实验报告

因子分析实验报告姓名：学号：班级：一：实验目的 1.了解因子分析的基本原理及在spss中的实现过程。 2.体会运用因子分析方法对经济问题进行分析与评价的过程。二：实验原理因子分析得基本思想是根据相关性的大小把原始变量分组，使得同组内的变量之间相关性较高，而不同组变量间的相关性则较低，每组变量代表一个基本结构，并用一个不可观测的综合变量来表示。其模型为： x1=u1+a11f1+a12f2+a13f3…..a1m f m+e1 x2=u2+a21f1+a22f2+a23f3…..a2m f m+e2 x3=u3+a31f1+a32f2+a33f3…..a3m f m+e3 x p=u p+a p1f1+a p2f2+a p3f3…..a pm f m+e p 矩阵表示：x=u+A f+e 假设：E(f)=0; E(e)=0; V(f)=I; V(e)=D=diag(,…..); Cov(f,e)=E(fe T)=0. 其中：（x 1,x 2 ,x 3 (x) m ）T为P维可观测随机变量； u=（u 1,u 2 ,u 3 ….u m ）T为可观测变量的均值；为协方差矩阵； f=（f 1,f 2 ,f 3 ….f m ）T为公因子向量； e=（e 1,e 2 ,e 3 …..e m ）T为特殊因子向量； A=（a ij ）p*m为因子载荷矩阵。三：因子分析步骤 (1)对数据样本进行标准化处理。 (2)计算样本的相关矩阵R。 (3)求相关矩阵R的特征根和特征向量。 (4)根据系统要求的累积贡献率确定主因子的个数。 (5)计算因子载荷矩阵A。 (6)确定因子模型。 (7)根据上述计算结果，对系统进行分析。

主成分分析、因子分析实验报告--SPSS

对2009年我国88个房地产上市公司的因子分析分析结果：表1 KMO 和 Bartlett 的检验取样足够度的 Kaiser-Meyer-Olkin 度量。.637 Bartlett 的球形度检验近似卡方398.287 df 45 Sig. .000 由表1可知，巴特利特球度检验统计量的观测值为398.287，相应的概率p值接近0，小于显著性水平 (取0.05)，所以应拒绝原假设，认为相关系数矩阵与单位矩阵有显著差异。同时，KMO值为0.637，根据Kaiser给出的KMO度量标准(0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合)可知原有变量不算特别适合进行因子分析。表2 公因子方差初始提取市盈率 1.000 .706 净资产收益率 1.000 .609 总资产报酬率 1.000 .822 毛利率 1.000 .280 资产现金率 1.000 .731 应收应付比 1.000 .561 营业利润占比 1.000 .782 流通市值 1.000 .957 总市值 1.000 .928 成交量（手） 1.000 .858 提取方法：主成份分析。表2为公因子方差，即因子分析的初始解，显示了所有变量的共同度数据。第一列是因子分析初始解下的变量共同度，它表明，对原有10个变量如果采用主成分分析方法提取所有特征根(10个)，那么原有变量的所有方差都可被解释，变量的共同度均为1(原有变量标准化后的方差为1)。事实上，因子个数小于原有变量的个数才是因子分析的目标，所以不可提取全部特征根；第二列是在按指定提取条件(这里为特征根大于1)提取特征根时的共同度。可以看到，总资产报酬率、成交量、流

spss相关分析实验报告

实验五相关分析实验报关费一、实验目的：学习利用spss对数据进行相关分析(积差相关、肯德尔等级相关)、偏相关分析。利用交叉表进行相关分析。二、实验内容：某班学生成绩表1如实验图表所示。 1.对该班物理成绩与数学成绩之间进行积差相关分析和肯德尔等级相关分析。 2.在控制物理成绩不变的条件下，做数学成绩与英语成绩的相关分析（这种情况下的相关分析称为偏相关分析）。 3.对该班物理成绩与数学成绩制作交叉表及进行其中的相关分析。三、实验步骤： 1.选择分析→相关→双变量，弹出窗口，在对话框的变量列表中选变量 “数学成绩”、“物理成绩”，在相关系数列进行选择，本次实验选择皮尔逊相关（积差相关）和肯德尔等级相关。单击选项，对描述统计量进行选择，选择标准差和均值。单击确定，得出输出结果，对结果进行分析解释。 2.选择分析→相关→偏相关，弹出窗口，在对话框的变量列表选变量“数学成绩”、“英语成绩”，在控制列表选择要控制的变量“物理成绩” 以在控制物理成绩的影响下对变量数学成绩与英语成绩进行偏相关分析；在“显著性检验”框中选双侧检验，单击确定，得出输出结果，对结果进行分析解释。 3.选择分析→描述统计→交叉表，弹出窗口，对交叉表的行和列进行选择，行选择为数学成绩，列选择为物理成绩。然后对统计量进行设置，选择相关性，点击继续→确定，得出输出结果，对结果进行分析解释。四、实验结果与分析：

表1

五、实验结果及其分析：

分析一：由实验结果可观察出，数学成绩与物理成绩的积差相关系数r=，肯德尔等级相关系数r=可知该班物理成绩和数学成绩之间存在显著相关。

主成分分析与因子分析的联系与区别

https://www.360docs.net/doc/d61938357.html,/ysuncn/archive/2007/12/08/1924502.aspx 一、问题的提出在科学研究或日常生活中，常常需要判断某一事物在同类事物中的好坏、优劣程度及其发展规律等问题。而影响事物的特征及其发展规律的因素（指标）是多方面的，因此，在对该事物进行研究时，为了能更全面、准确地反映出它的特征及其发展规律，就不应仅从单个指标或单方面去评价它，而应考虑到与其有关的多方面的因素，即研究中需要引入更多的与该事物有关系的变量，来对其进行综合分析和评价。多变量大样本资料无疑能给研究人员或决策者提供很多有价值的信息，但在分析处理多变量问题时，由于众变量之间往往存在一定的相关性，使得观测数据所反映的信息存在重叠现象。因此为了尽量避免信息重叠和减轻工作量，人们就往往希望能找出少数几个互不相关的综合变量来尽可能地反映原来数据所含有的绝大部分信息。而主成分分析和因子分析正是为解决此类问题而产生的多元统计分析方法。近年来，这两种方法在社会经济问题研究中的应用越来越多，其应用范围也愈加广泛。因子分析是主成分分析的推广和发展，二者之间就势必有着许多共同之处，而SPSS软件不能直接进行主成分分析，致使一些应用者在使用SPSS进行这两种方法的分析时，常常会出现一些混淆性的错误，这难免会使人们对分析结果产生质疑。因此，有必要在运用SPSS分析时，将这两种方法加以严格区分，并针对实际问题选择正确的方法。二、主成分分析与因子分析的联系与区别两种方法的出发点都是变量的相关系数矩阵，在损失较少信息的前提下，把多个变量（这些变量之间要求存在较强的相关性，以保证能从原始变量中提取主成分）综合成少数几个综合变量来研究总体各方面信息的多元统计方法，且这少数几个综合变量所代表的信息不能重叠，即变量间不相关。主要区别： 1. 主成分分析是通过变量变换把注意力集中在具有较大变差的那些主成分上，而舍弃那些变差小的主成分；因子分析是因子模型把注意力集中在少数不可观测的潜在变量（即公共因子）上，而舍弃特殊因子。 2. 主成分分析是将主成分表示为原观测变量的线性组合，（1）主成分的个数i=原变量的个数p，其中j=1,2,…,p，是相关矩阵的特征值所对应的特征向量矩阵中的元素，是原始变量的标准化数据，均值为0，方差为1。其实质是p维空间的坐标变换，不改变原始数据的结构。而因子分析则是对原观测变量分解成公共因子和特殊因子两部分。因子模型如式（2），

因子分析实验报告

电子科技大学政治与公共管理学院本科教学实验报告（实验）课程名称：数据分析技术系列实验电子科技大学教务处制表

电子科技大学实验报告学生姓名：刘晨飞学号：27 指导教师：高天鹏一、实验室名称：电子政务可视化实验室二、实验项目名称：因子分析三、实验原理使用SPSS软件的因子分析对数据样本进行分析相关分析的原理：步骤一：将原始数据标准化。因子分析的第一步是主成分分析，将总量较多的因素通过线性组合的方式组合成几个因素，且这些因素之间相互独立。步骤二：建立变量的相关系数矩阵R Analyse->Dimention Ruduction-> Fctor ->Extraction->勾选Correlation matrix可以输出相关系数矩阵，相关系数矩阵计算了变量之间两两的pearson相关系数。步骤三：适用性检验使用Bartlett球形检验或者KMO球形检验来检验样本是否适合进行因子分析。评价标准： KMO检验用于检验变量间的偏相关系数是否过小，一般情况下，当KMO大于0.9时效果最佳，小于0.5时不适宜做因子分析。 Bartlett球形检验用于检验相关系数矩阵是否是单位阵，如果结论是不拒绝该假设，则表示各个变量都是各自独立的。步骤四：根据因子贡献率选取因子，特征值和特征向量构建因子载荷矩阵A。处于简化和抽取核心的思想，一般会按照某种标准选取前几个对观测结果影响较大的因素构建因子载荷矩阵，一般的标准是选取特征根大于1的因子。并要求累积贡献率达到90%以上。步骤五：对A进行因子旋转

因子旋转的目的是使因子载荷矩阵的结构发生变化，使每个变量仅在一个因子上有较大载荷。是将因子矩阵在一个空间里投影，使单个向量的投影在仅在一个变量的方向有较大的值，这样做可以简化分析。步骤六：计算因子得分：计算因子得分是计算在不同样本水平下观测指标的水平的方式。计算因子得分需要用到因子得分计算函数，这个计算的结果是无量纲的，仅表示各因子在这个水平下观测指标的值，这也是因子分析的目标，将不可观测的目标观测量用一个函数与可以观测的变量联系起来。四、实验目的理解因子分析的含义，以及数学原理，掌握使用spss进行因子分析的方法，并能对spss因子分析产生的输出结果进行分析。五、实验内容及步骤本次实验包含两个例子：实验步骤： (0) 问题描述实验一题目要求：对我国主要城市的市政基础设施情况进行因子分析。实验二题目要求：主要城市日照数sav为例,其中的变量包括城市的名称“city”、各个月份的日照数 (1)实验二步骤：执行analyze->dimention reduction->factor->rotation如下勾选

主成分、因子分析报告步骤

主成分分析、因子分析步骤不同点主成分分析因子分析概念具有相关关系的p 个变量，经过线性组合后成为k 个不相关的新变量将原数据中多个可能相关的变量综合成少数几个不相关的可反映原始变量的绝大多数信息的综合变量主要目标减少变量个数，以较少的主成分来解释原有变量间的大部分变异，适合于数据简化找寻变量间的内部相关性及潜在的共同因素，适合做数据结构检测强调重点强调的是解释数据变异的能力，以方差为导向，使方差达到最大强调的是变量之间的相关性，以协方差为导向，关心每个变量与其他变量共同享有部分的大小最终结果应用形成一个或数个总指标变量反映变量间潜在或观察不到的因素变异解释程度它将所有的变量的变异都考虑在内，因而没有误差项只考虑每一题与其他题目共同享有的变异，因而有误差项，叫独特因素是否需要旋转主成分分析作综合指标用，不需要旋转因子分析需要经过旋转才能对因子作命名与解释是否有假设只是对数据作变换，故不需要假设因子分析对资料要求需符合许多假设，如果假设条件不符，则因子分析的结果将受到质疑因子分析 1 【分析】→【降维】→【因子分析】（1）描述性统计量（Descriptives ）对话框设置 KMO 和Bartlett 的球形度检验（检验多变量正态性和原始变量是否适合作因子分析）。

（2）因子抽取（Extraction）对话框设置方法：默认主成分法。主成分分析一定要选主成分法分析：主成分分析：相关性矩阵。输出：为旋转的因子图抽取：默认选1. 最大收敛性迭代次数：默认25. （3）因子旋转（Rotation）对话框设置因子旋转的方法，常选择“最大方差法”。“输出”框中的“旋转解”。

主成分分析和因子分析-回归分析和相关分析的区别

主成分分析和因子分析的区别通过主成分分析所得来的新变量是原始变量的线性组合，每个主成分都是由原有P个变量线组合得到，在诸多主成分z中，Z1在总方差中占的比重最大，说明它综合原有变量的能力最强，其余主成分在总方差中占的比重依次递减，说明越往后的主成分综合原信息的能力越弱。以后的分析可以用前面几个方差最大的主成分来进行，一般情况下，要求前几个z 所包含的信息不少于原始信息的85％，这样既减少了变量的数目，又能够用较少的主成分反映原有变量的绝大部分信息。如利用主成分来消除多元回归方程的多重共线性，利用主成分来筛选多元线性回归方程中的变量等。通过因子分析得来的新变量是对每一个原始变量进行内部剖析。打比喻来说，原始变量就如成千上万的糕点，每一种糕点的原料都有面粉、油、糖及相应的不同原料，这其中，面粉、油、糖是所有糕点的共同材料，这正好象是因子分析中的新变量即因子变量。正确选择因子变量后，如果想考虑成千上万糕点的物价变动，只需重点考虑面粉、油、糖等公共因子的物价变动即可。所以因子分析不是对原始变量的重新组合，而是对原始变量进行分解，分解为公共因子与特殊因子两部分。即因子分析就是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系，它把原始变量分解为两部分因素，一部分是由所有变量共同具有的少数几个公共因子构成的，另一部分是每个原始变量独自具有的因素，即特殊因子。 1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成各个变量的线性组合。在主成分分析中，最终确定的新变量是原始变量的线性组合，如原始变量为x1，x2，. . . ，x3 ，经过坐标变换,将原有的p个相关变量xi 作线性变换,每个主成分都是由原有p 个变量线性组合得到。在诸多主成分Zi 中,Z1 在方差中占的比重最大,说明它综合原有变量的能力最强,越往后主成分在方差中的比重也小,综合原信息的能力越弱。 2、主成分分析的重点在于解释各变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions)，因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这种区分不是绝对的。

(完整版)主成分分析与因子分析的优缺点

主成分分析就是将多项指标转化为少数几项综合指标,用综合指标来解释多变量的方差-协方差结构.综合指标即为主成分.所得出的少数几个主成分,要尽可能多地保留原始变量的信息,且彼此不相关.因子分析是研究如何以最少的信息丢失,将众多原始变量浓缩成少数几个因子变量,以及如何使因子变量具有较强的可解释性的一种多元统计分析方法. 聚类分析是依据实验数据本身所具有的定性或定量的特征来对大量的数据进行分组归类以了解数据集的内在结构,并且对每一个数据集进行描述的过程.其主要依据是聚到同一个数据集中的样本应该彼此相似,而属于不同组的样本应该足够不相似. 三种分析方法既有区别也有联系,本文力图将三者的异同进行比较,并举例说明三者在实际应用中的联系,以期为更好地利用这些高级统计方法为研究所用有所裨益. 二、基本思想的异同 (一) 共同点主成分分析法和因子分析法都是用少数的几个变量(因子) 来综合反映原始变量(因子) 的主要信息,变量虽然较原始变量少,但所包含的信息量却占原始信息的85 %以上,所以即使用少数的几个新变量,可信度也很高,也可以有效地解释问题.并且新的变量彼此间互不相关,消除了多重共线性.这两种分析法得出的新变量,并不是原始变量筛选后剩余的变量.在主成分分析中,最终确定的新变量是原始变量的线性组合,如原始变量为x1 ,x2 ,. . . ,x3 ,经过坐标变换,将原有的p个相关变量xi 作线性变换,每个主成分都是由原有p 个变量线性组合得到.在诸多主成分Zi 中,Z1 在方差中占的比重最大,说明它综合原有变量的能力最强,越往后主成分在方差中的比重也小,综合原信息的能力越弱.因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系,它不是对原始变量的重新组合,而是对原始变量进行分解,分解为公共因子与特殊因子两部分.公共因子是由所有变量共同具有的少数几个因子；特殊因子是每个原始变量独自具有的因子.对新产生的主成分变量及因子变量计算其得分,就可以将主成分得分或因子得分代替原始变量进行进一步的分析,因为主成分变量及因子变量比原始变量少了许多,所以起到了降维的作用,为我们处理数据降低了难度. 聚类分析的基本思想是: 采用多变量的统计值,定量地确定相互之间的亲疏关系,考虑对象多因素的联系和主导作用,按它们亲疏差异程度,归入不同的分类中一元,使分类更具客观实际并能反映事物的

SPSS因子分析实验报告

实验十一(因子分析)报告、数据来源各地区年平■均收入.sav dq 1 招1K2 K J x5 AD JC7 北亨10307 00必9 3D 99170012364 JJ13053 00g5 0C ■J 天津盹即UQ5093 0D 56&7 00 11 股CO 117^7 009950.00 51C9 00 , 3河牝6066 003043 0D 5073 00 602903 B323 00 ET8&CC 7125 00 4 山西5791 003177 □□33^3 00 涵工0Q &3B7.TO & 290 00 50-1-1 00 5内蒙古5462 00 3551 005290 00 4407 01551200 彻IX街co iZ宁6226 003503.00 3799 00 6618.0U 9150.X 7J17,0U atyy.uu 6 7吉林601700 3813 Q074mnn7471 Ti7402 00泌g nr Bfil1 R1 5323 002747 3D 1472 00 3366 30 551300 5033 0C32EC00 9 上鲁11733 00 7329.00 874^.00 12^60016BS7.ua 14175.DO 12720.00 n io g7745 0051B3 0D7390 00nuan9151 DO7352 00洛J 00 H8847 007D260D 7346.00 935&001(3417.00 3600.00 eUBOQ 126035 0C 3692 CJD 曲*00 GM&aa 5042 DO5611 00 5eo6co 13福津7K1 QC5眺叩1112^00 3556.00 8336 OQ 6732.C0 7507 00 U■■工西5303 003E36 50 6O5E00 7337 m K45D07535.00 44E5 00 15山莱6617004106 0D &420.00 6257 TO 5702 DO 562&.Q0ZJ51 00 渴南56 的003797 00 €91200&jn9oo 6307 00 4996 00 17 曲比5741.D03731.0D5193 00 S31900 0Q37.OO G7G9.C0 49&3.00 1S5683 003736 0D 621B005027 Tl 7529 005224 DO 3713 00 捋广布10031006BH 00 110X0012475.03 12410.00 11UD CO 7713 CO 30 FS5654 004437 00 5296 00 653BOJ 6765 00 ￡677 OC 6189 00 215465 004网QD 7Q1Q0Q 1105200 9077 00 @373 00 6462 0Q P 22582BD04D16.Q0 3BS2 00G1SB.009114.00 蹄i加7C125 0D II5996 003982 00 4S42 00 G33300 6707 00 &%aa)4509 00 23 刨二、基本结果 (1)考察原有变量是否适合进行因子分析首先考察原有变量之间是否存在线性关系，是否采用因子分析提取因子。借助变量的相关系数矩阵、反映像相关矩阵、巴特利球度检验和KMO检验方法进行分析，结果如表1、表2所示：表1原有变量相关系数矩阵correlation matrix 表1显示原有变量的相关系数矩阵，可以看出大部分的相关系数都比较高，各变量呈

多元统计正交因子分析实验报告

正交因子分析（设计性实验） (Orthogonal factor analysis) 实验原理：因子分析是主成分分析的推广和发展，其目的是用少数几个不可观测的隐变量，即因子，来解释原始变量之间的相关关系，它也是属于多元分析中处理降维的一种统计方法。因子分析的基本思想是通过变量间的协方差矩阵（或相关系数矩阵）内部结构的研究，寻找能控制所有变量的少数几个因子去描述多个变量之间的相关关系。因子分析中最常用的数学模型是正交因子模型，其特点是模型中的因子相互之间正交。实验题目一：下表中给出了二战以来奥运会运动员十项运动成绩的相关系数矩阵：(E9a6) 100米 1.00 . . . . . . . . .跳远 0.59 1.00 . . . . . . . .铅球 0.35 0.42 1.00 . . . . . . .跳高 0.34 0.51 0.38 1.00 . . . . . . 400米 0.63 0.49 0.19 0.29 1.00 . . . . . 110米跨栏 0.40 0.52 0.36 0.46 0.34 1.00 . . . .铁饼 0.28 0.31 0.73 0.27 0.17 0.32 1.00 . . .撑竿跳高 0.20 0.36 0.24 0.39 0.23 0.33 0.24 1.00 . .标枪 0.11 0.21 0.44 0.17 0.13 0.18 0.34 0.24 1.00 . 1500米 -0.07 0.09 -0.08 0.18 0.39 0.00 -0.02 0.17 -0.00 1.00实验要求：（1）试由相关系数矩阵作因子分析；covmat （2）试根据因子载荷，并结合题目背景知识，对公共因子进行命名。实验题目二：下表中给出了不同国家及地区的女子径赛记录：(t1a7) Country 100 m (s) 200 m (s) 400 m (s) 800 m (min) 1500 m (min) 3000 m (min) Marathon (min)

spss相关分析实验报告

实验五相关分析实验报关费一、实验目得: 学习利用s pss对数据进行相关分析（积差相关、肯德尔等级相关）、偏相关分析。利用交叉表进行相关分析。二、实验内容: 某班学生成绩表 1 如实验图表所示。 1.对该班物理成绩与数学成绩之间进行积差相关分析与肯德尔等级相关分析. 2.在控制物理成绩不变得条件下，做数学成绩与英语成绩得相关分析（这种情况下得相关分析称为偏相关分析）。 3.对该班物理成绩与数学成绩制作交叉表及进行其中得相关分析。三、实验步骤： 1.选择分析—相关—双变量，弹出窗口，在对话框得变量列表中选变量 “数学成绩"、“物理成绩” ,在相关系数列进行选择，本次实验选择皮尔逊相关（积差相关）与肯德尔等级相关。单击选项，对描述统计量进行选择,选择标准差与均值.单击确定,得出输出结果,对结果进行分析解释。 2.选择分析一相关一偏相关，弹出窗口，在对话框得变量列表选变量数学成绩”、“英语成绩”,在控制列表选择要控制得变量“物理成绩”以在控制物理成绩得影响下对变量数学成绩与英语成绩进行偏相关分析；在“显著性检验”框中选双侧检验,单击确定，得出输出结果,对结果进行分析解释． 3.选择分析一描述统计-交叉表，弹出窗口,对交叉表得行与列进行选择，行选择为数学成绩，列选择为物理成绩.然后对统计量进行设置, 选择相关性,点击继续-确定,得出输出结果，对结果进行分析解释。四、实验结果与分析:

囲戏变量相关0 变旻(Y)：歹物理戍悄相关浆勤 0 Pearson 叼兰endsll 的tau-b(K) J Spearman 叼标记SL苦性徇关(E) I ?―I粘址妃)][賞Jt? ][ ■備~ [ 鹽 ,丘示渎际說曹性水半(D 确定 ]|殆贴(E) H St賣(B)][ 取禱选顶(2)… 农孝号 /其语威纽显著性检验双侧檢勉I) 单侧檢验(D 选他…]

主成分分析和因子分析的区别

更多精彩统计学相关文章，请访问“统计之都”Capital of Statistics——https://www.360docs.net/doc/d61938357.html,
主成分分析和因子分析的区别
一、二者在 SPSS 中的实现
（一）、因子分析在进行因子分析主要步骤如下： 1. 2. 3. 4. 5. 指标数据标准化（SPSS 软件自动执行）；指标之间的相关性判定；确定因子个数；综合得分表达式；各因子 Fi 命名；例子：对沿海 10 个省市经济综合指标进行因子分析（一）指标选取原则本文所选取的数据来自《中国统计年鉴 2003》 2002 年的统计数据,在沿海 10 省市经济状况主要指标中体系中选取了 10 个指标： X1——GDP X3——农业增加值 X5——第三产业增加值 X7——基本建设投资 X9——海关出口总额 X2——人均 GDP X4——工业增加值 X6——固定资产投资 X8——国内生产总值占全国比重（%） X10——地方财政收入
SPSS 中的实现
图表 1 沿海 10 个省市经济数据社会消农业增加工业增加第三产业固定资产基本建设费品零值值增加值投资投资售总额 14883.3 1390 950.2 83.9 1122.6 86.2 680 663 1023.9 591.4 1376.2 3502.5 1406.7 822.8 3536.3 2196.2 2356.5 1047.1 4224.6 367 2258.4 3851 2092.6 960 3967.2 2755.8 3065 1859 4793.6 995.7 1315.9 2288.7 1161.6 703.7 2320 1970.2 2296.6 964.5 3022.9 542.2 529 1070.7 597.1 361.9 1141.3 779.3 1180.6 397.9 1275.5 352.7 2258.4 3181.9 1968.3 941.4 3215.8 2035.2 2877.5 1663.3 5013.6 1025.5
地区
GDP
人均 GDP 13000 11643 9047 22068 14397 40627 16570 13510 15030 5062
海关出地方财口总额政收入 123.7 211.1 45.9 115.7 384.7 320.5 294.2 173.7 1843.7 15.1 399.7 610.2 302.3 171.8 643.7 709 566.9 272.9 1202 186.7
辽宁 5458.2 山东 10550 河北 6076.6 天津 2022.6 江苏浙江福建广东 10636 7670 4682 11770 上海 5408.8
广西 2437.2
（二）因子分析在 SPSS 中的具体操作步骤
1

SPSS对主成分回归实验报告

《多元统计分析分析》实验报告 2012 年月日学院经贸学院姓名学号实验实验成绩名称一、实验目的（一）利用SPSS对主成分回归进行计算机实现. （二）要求熟练软件操作步骤，重点掌握对软件处理结果的解释. 二、实验内容以教材例题为实验对象，应用软件对例题进行操作练习，以掌握多元统计分析方法的应用三、实验步骤（以文字列出软件操作过程并附上操作截图） 1、数据文件的输入或建立：(文件名以学号或姓名命名) 将表数据输入spss：点击“文件”下“新建”——“数据”见图1：图1 点击左下角“变量视图”首先定义变量名称及类型：见图2：图2：然后点击“数据视图”进行数据输入（图3）：图3

完成数据输入 2、具体操作分析过程：（1）首先做因变量Y与自变量X1-X3的普通线性回归：在变量视图下点击“分析”菜单，选择“回归”-“线性”（图4）：图4 将因变量Y调入“因变量”栏，将x1-x3调入“自变量”栏（图5）：然后选择相关要输出的结果：①点击右上角“统计量（s）”：“回归系数”下选择“估计”；“残差”下选择“”；在右上角选择输出“模型拟合度”、“部分相关和偏相关”“共线性诊断”（后两项是做多重共线性检验）。选完后点击“继续”（见图6）②如果需要对因变量与残差进行图形分析则需要在“绘制”下选择相关项目（图7），一般不需要则继续③如果需要将相关结果如因变量预测值、残差等保存则点击“保存”（图8），选择要保存的项目④如果是逐步回归法或者设置不带常数项的回归模型则点击“选项”（图9）其他选项按软件默认。最后点击“确定”，运行线性回归，输出相关结果（见表1-3）

主成分分析和因子分析十大不同点

主成分分析和因子分析十大不同点主成分分析和因子分析无论从算法上还是应用上都有着比较相似之处，本文结合以往资料以及自己的理解总结了以下十大不同之处，适合初学者学习之用。 1.原理不同主成分分析基本原理：利用降维（线性变换）的思想，在损失很少信息的前提下把多个指标转化为几个不相关的综合指标（主成分）,即每个主成分都是原始变量的线性组合,而且各个主成分之间互不相关,使得主成分比原始变量具有某些更优越的性能（主成分必须保留原始变量90%以上的信息），从而达到简化系统结构，抓住问题实质的目的。因子分析基本原理：利用降维（线性变换）的思想，由研究原始变量相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量表示成少数的公共因子和仅对某一个变量有作用的特殊因子线性组合而成。就是要从数据中提取对变量起解释作用的少数公共因子（因子分析是主成分的推广，相对于主成分分析，更倾向于描述原始变量之间的相关关系）。 2.线性表示方向不同因子分析是把变量表示成各公因子的线性组合；而主成分分析中则是把主成分表示成各变量的线性组合。 3.假设条件不同主成分分析：不需要有假设（assumptions）。因子分析：需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。4.求解方法不同求解主成分的方法：从协方差阵出发（协方差阵已知），从相关阵出发（相关阵R已知），采用的方法只有主成分法。（实际研究中，总体协方差阵与相关阵是未知的，必须通过样本数据来估计）。注意事项：由协方差阵出发与由相关阵出发求解主成分所得结果不一致时，要恰当的选取某一种方法；一般当变量单位相同或者变量在同一数量等级的情况下，可以直接采用协方差阵进行计算；对于度量单位不同的指标或是取值范围彼此差异非常大的指标，应考虑将数据标准化，再由协方差阵求主成分；实际应用中应该尽可能的避免标准化，因为在标准化的过程中会抹杀一部分原本刻画变量之间离散程度差异的信息。此外，最理想的情况是主成分分析前的变量之间相关性高，且变量之间不存在多重共线性问题(会出现最小特征根接近0的情况)。求解因子载荷的方法：主成分法，主轴因子法，极大似然法，最小二乘法，a因子提取法。

主成分分析和因子分析实验报告

主成分分析实验报告一、实验数据 2013年，在国内外形势错综复杂的情况下，我国经济实现了平稳较快发展。全年国内生产总值568845亿元，比上年增长7.7%。其中第三产业增加值262204亿元，增长8.3%，其在国内生产总值中的占比达到了46.1%，首次超过第二产业。经济的快速发展也带来了就业的持续增加，年末全国就业人员76977万人，其中城镇就业人员38240万人，全年城镇新增就业1310万人。随着我国城镇化进程的不断加快，加之农业用地量的不断衰减，工业不断的转型升级，使得劳动力就业压力的缓解需要更多的依靠服务业的发展。（一）指标选择根据指标选择的可行性、针对性、科学性等原则，选择13个指标来衡量服务业的发展水平，指标体系如表1所示：表1 服务业发展水平指标体系

（二）指标数据本次实验采用的数据是我国31个省（市、自治区）2012年的数据，原数据均来自《2013中国统计年鉴》以及2013年各省（市、自治区）统计年鉴，不能直接获得的指标数据是通过对相关原始数据的换算求得。原始数据如表2所示：

表2（续）二、实验步骤本次实验是在SPSS中实现主成分分析，具体步骤如下：（一）数据标准化，单击主菜单“Analyze”(分析)展开下拉菜单，在下拉菜单中寻找“Descriptive Statistics”,在小菜单中寻找“Descriptives”(描述)，展开Descriptives对话框，将左面的矩形框中的变量X1、X2、…、X13，通过单击向右的箭头按钮，调入到右面的“Variables”(变量)框中。选中Save

standardized values as variables(对变量进行标准化)复选框，点击OK按（二）单击主菜单“Analyze”(分析)展开下拉菜单，在下拉菜单中寻找“Data Reduction”弹出小菜单，在小菜单中寻找“Factor”(因子)，展开“Factor Analysis”(因子分析)主对话框。（三）选择分析变量。将左面的矩形框中参与分析的标准化后的变量ZX1、ZX2、…、ZX13，通过单击向右的箭头按钮，调入到右面的“Variables”(变量)框中。（四）因子分析过程选项，主对话框选择项中共有5个功能按钮： 1.单击【Descriptives】(描述统计量)按钮，展开“Descriptives”对话框，在Statistics中选中Univariate descriptive(单变量描述统计量)和Initial solution（初始因子分析结果），在Correlation Matrix中选择coefficients(相关系数矩阵)、Significance levels(显著性P值)，KMO and Bartlett’s test of sphericity,点击Continue按钮。 2.在主对话框中，单击【Extraction】(因子提取)按钮，展开“Extraction”对话框，在Method中选择Principal components(主成分法)，其他均为系统默认，点击Continue按钮。 3.在主对话框中，单击【Scores】(因子得分)按钮，展开“Scores”对话框，选中Save as variables（将因子得分作为新变量保存在数据文件中）复选框，单击Continue按钮。（五）在主对话框中，单击【OK】按钮执行运算。三、实验结果 (一)利用SPSS进行因子分析输出结果表3至表4所示。