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）
表5中，第一列是因子编号，以后三列组成一组，每组中数据项为特征值、方差贡献率、累计方差贡献率。

第一组数据项（2-4列）描述因子分析初始解的情况。

在初始解中由于提取了7个因子，因此原有变量的总方差均被解释，累计方差贡献率为100%。

第二组（5-7列）描述了因子解的情况。

由于指定提取2个因子，2个因子共解释原有变量宗法差的84%，总体上丢失原有信息量较少，因子分析效果理想。

第三组（8-10列）描述了最终因子解的情况。

因子旋转后，总的累计方差贡献率没有发生改变，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的解释原有变量的方差，改变了各因子方差贡献，使得因子更易被解释。

表5因子解释原有变量总方差的情况
图1中，横坐标为因子数目，纵坐标为特征值。

可以看出，第1个因子特征值很高，对解释原有变量的贡献最大，第3个以后的因子特征值都较小，对解释原有变量的贡献很小。

因此提取两个因子是合适的。