因子分析SPSS操作
因子分析SPSS操作
因子分析作业：全国30个省市的8项经济指标如下：要求：先对数据做标准化处理,然后基于标准化数据进行以下操作1、给出原始变量的相关系数矩阵；2、用主成分法求公因子,公因子的提取按照默认提取即特征值大于1,给出公因子的方差贡献度表；3、给出共同度表,并进行解释；4、给出因子载荷矩阵,据之分析提取的公因子的实际意义;如果不好解释,请用因子旋转采用正交旋转中最大方差法给出旋转后的因子载荷矩阵,然后分析旋转之后的公因子,要求给各个公因子赋予实际含义；5、先利用提取的每个公因子分别对各省市进行排名并作简单分析;最后构造一个综合因子,计算各省市的综合因子的分值,并进行排序并作简单分析;1、输入数据,依次点选分析描述统计描述,将变量x1到x8选入右边变量下面,点选“将标准化得分另存为变量”,点确定即可的标准化的数据;依次点选分析降维因子分析,打开因子分析窗口,将标准化的8个变量选入右边变量下面,点选描述相关矩阵下选中系数及KMO和Bartlett的检验,点继续,确定,就可得出8个变量的相关系数矩阵如下图;由表中数据可以看出大部分数据的绝对值都在以上,说明变量间有较强的相关性;KMO 和 Bartlett 的检验取样足够度的 Kaiser-Meyer-Olkin 度.621量;Bartlett 的球形近似卡方度检验df28Sig..000由上图看出,sig.值为0,所以拒绝相关系数为0变量相互独立的原假设,即说明变量间存在相关性;2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因子解,碎石图；抽取：基于特征值特征值大于1；继续,确定,输出结果如下3个图;,第三列为累积贡献率,由上表看出前3个主成分的累计贡献率就达到了%>85%,所以选取主成分个数为3;选y1为第一主成分,y2为第二主成分,y3为第三主成分;且这三个主成分的方差和占全部方差的%,即基本上保留了原来指标的信息;这样由原来的8个指标变为了3个指标;由上图看出,成分数为3时,特征值的变化曲线趋于平缓,所以由碎石图也可大致确定出主成分个数为3;与按累计贡献率确定的主成分个数是一致的;3、共同度结果如下：;由上表数据可以看出,主成分包含了各个原始变量的80%以上的信息;4、在因子分析窗口,旋转输出：载荷阵;输出结果如下：成份矩阵a成份123Zscore: 国内.885.384.119生产Zscore: 居民.606.276消费由上表数据第一列表明：第一主成分与各个变量之间的相关性；第二列表明：第二主成分与各个变量之间的相关性；第三列表明：第三主成分与各个变量之间的相关性;可以得出：x1x3x8主要由第一主成分解释,x4x5主要由第二主成分解释,x6主要由第三主成分解释;但是x2是由第一主成分还是第二主成分解释不好确定,x7是由三个主成分中的哪个解释也不好确定;下面作因子旋转后的因子载荷阵;在因子分析窗口,抽取输出：旋转的因子解,继续；旋转方法：最大方差法,继续；确定;输出结果如下2图；旋转成份矩阵aa. 旋转在 5 次迭代后收敛;由上表数据可以得出：x1x3x5x8主要由第一主成分解释,x2x4主要由第二主成分解释,x6x7主要由第三主成分解释;与第一因子关系密切的变量主要是投入投资：固定资产投资与产出产值：国内生产总值、工业总产值方面的变量,货物周转又是投入产出的中介过程,可以命名为投入产出因子；与第二因子关系密切的都是反映民众生活水平的变量,可以命名为消费能力因子；与第三因子关系密切的是价格指数方面的变量,可以命名为价格指数因子;由上表可以看出：第二列数据表明,各个主成分的贡献率与旋转前的有变化,但是3个主成分的累积贡献率相同都是%;5、在因子分析窗口,得分因子得分保存为变量f1f2f3;方法：回归;再按三个主成分降序排列：数据排序个案：将f1选入排序依据,排列顺序：降序;同理得出按f2f3排序的结果;结果如下；最后,以各因子的方差贡献率占三个因子总方差贡献率的比重作为权重进行加权汇总,得出各城市的综合得分f;即f=f1+f2+f3/f得分在转换计算变量中的出;最后再按f得分排序;排序结果如下：f1 排序f2 排序f3 排序 f 排序山东上海云南上海江苏广东贵州山东广东北京湖北江苏河北天津新疆广东四川浙江四川四川河南西藏陕西湖北辽宁福建上海浙江浙江江苏甘肃云南上海青海广西北京湖北新疆湖南辽宁湖南云南青海湖南黑龙江海南山东新疆安徽宁夏内蒙贵州福建山东西藏河南云南广西江西广西广西甘肃宁夏陕西山西湖北山西河北北京贵州江苏黑龙江陕西黑龙江北京甘肃内蒙吉林浙江福建吉林辽宁河南山西江西湖南黑龙江青海新疆四川辽宁内蒙甘肃陕西河北江西贵州山西福建天津天津江西吉林西藏青海安徽广东吉林宁夏内蒙安徽安徽海南河南天津宁夏西藏河北海南海南有了对各个公因子的合理的解释,结合各个城市在三个公因子的得分和综合得分,就可对各城市的经济发展水平进行评价了;在投入产出因子f1上得分最高的6个城市是山东、江苏、广东、河北、四川;其中山东得分为,江苏得分为,高于其他城市,说明山东、江苏的工业的投入产出能力最高,工业发展相对较快,从而推动城市发展；而青海、宁夏、海南、西藏的投入产出能力较差,可能由于地理位置的缘故工业发展相对落后;上海、广东、北京、天津在消费能力因子f2上的得分较高,说明它们的消费能力较高,人们的收入也较高,从而生活质量较好,城市发展较快；而河南、河北得分较低,它们的消费能力较低,从而说明人们的收入也相对较低,生活质量相对差一点,城市发展较慢;云南、贵州、湖北、新疆在价格指数因子f3上的得分较高,说明在这些城市物价相对较高,可能以些非本地产的东西由于运输的不方便,使得这些物价相对较高,而广东、安徽、天津、海南的价格指数较低,说明,在这些城市,交通相对便捷,运输方便,或者本地产的东西较多基本满足需求,使得物价相对较低,但从侧面也可看出这些城市与其他城市的联系可能较少,不利于自己的总和发展,从而也说明了这些城市的发展相对较慢;由综合因子f的分就可综合评价城市的经济发展水平,综合得分的前3名上海、山东、江苏,得分最低的3个城市安徽、宁夏、海南;。
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。
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。
SPSS操作过程因子分析
SPSS因子分析操作步骤：第一步：将EXCEL数据导入到SPSS中，选择file→open第二步：从菜单上依次选择analysis→dimension reduction→factor命令，打开factor analysis主对话框第三步：指定参与因子分析的变量。
在factor analysis 主对话框中，从左侧选择参与因子分析的变量，单击向右的箭头按钮，使之添加到右边的variables框中，本例中选择的是除了地区以外的剩下的8个变量。
第四步：单击descriptives按钮，打开descriptives子对话框，指定输出结果，如下图第五步：单击extraction按钮，打开extraction对话框，选择因子提取的方法。
本例中在method框选择主成分法（principle components）提取公共因子；analysis框中选择correlation matrix项，从相关系数矩阵出发提取公共因子；display 框选择unrotated factor solutin 和scree plot 项；extract框选择的是base on eigenvalue,这里我们选择系统根据单位根来提取。
如下图：第六步：单击rotation按钮，打开rotation框，选择因子旋转方法。
本例中选择方差极大旋转法varimax ，并选择rotated solution 和scree plot项，输出旋转后的因子载荷矩阵和载荷散点图，单击continue按钮，返回factor analysis对话框第七步：单击scores按钮进入factor scores 对话框，选择计算因子得分的方法。
本例中选择regression(回归因子得分)，并选择方差极大旋转法varimax；并选中display factor scores coefficient matrix 输出因子得分系数矩阵；选择save as variables 把因子得分作为新变量保存在数据编辑窗口，单击continue按钮，返回factoranaysis对话框。
spss因子分析理论原理及操作分析
THANKS FOR WATCHING
感谢您的观看
因子命名
根据因子载荷矩阵，为每个因子赋予有意义 的名称。
结果解读
解释方差
分析解释的总方差，了解每个因子的贡献程 度。
因子得分
根据因子得分公式，计算每个观测值的因子 得分，进行进一步的分析或比较。
因子载荷矩阵
解读变量与因子之间的关系，确定每个变量 对因子的影响程度。
解释与讨论
结合研究目的和专业知识，对因子分析结果 进行解释和讨论。
通过因子分析，可以将复杂的数据结构简化为少数几个公共因子，便 于数据的可视化和管理。
缺点
对样本量要求高
因子分析需要较大的样本量才能获得稳 定和可靠的结果，样本量不足可能导致
分析结果不准确。
对变量间相关性要求高
因子分析要求变量间存在较强的相关 性，如果变量间相关性较弱或没有相
关性，分析结果可能不准确。
03 因子分析理论
主成分分析法
总结词
主成分分析法是一种通过线性变换将原始变量转化为少数几个互不相关的主成 分的方法。
详细描述
主成分分析法通过找出原始数据中的主要成分，使得这些主成分能够尽可能地 保留原始数据中的变异信息，从而达到降维的目的。
最大方差法
总结词
最大方差法是一种因子旋转方法，通 过旋转因子轴使得因子的解释方差达 到最大。
目的
简化数据结构、解释变量间的内在关 系、揭示潜在的公共因子、进行综合 评价等。
因子分析的原理
基于变量间的相关性
因子分析通过研究变量间的相关性，将多个变量归结为少数几个 公共因子，这些公共因子能够反映变量间的内在联系。
降维思想
通过提取公共因子，将多个变量归结为少数几个综合指标，实现数 据的降维处理，便于分析。
使用SPSS软件进行因子分析和聚类分析的方法
使用SPSS软件进行因子分析和聚类分析的方法使用SPSS软件进行因子分析和聚类分析的方法随着统计分析软件的发展，SPSS（Statistical Package for the Social Sciences）软件作为一款功能强大、易于使用的统计分析工具受到广泛欢迎。
它能帮助研究人员进行各种统计分析，其中包括因子分析和聚类分析。
本文将介绍如何使用SPSS软件进行因子分析和聚类分析，并针对每个分析方法提供详细步骤和操作示例。
一、因子分析因子分析是一种常用的统计方法，在数据维度缩减和相关变量结构分析方面具有广泛的应用。
以下是使用SPSS软件进行因子分析的步骤：1. 数据准备首先，需要将原始数据导入SPSS软件中。
可以通过选择“文件”>“打开”>“数据”，然后选择合适的数据文件进行导入。
确保数据是以矩阵的形式存储，每个变量占据一列，每个观察单位占据一行。
2. 因子分析设置在SPSS软件中，选择“分析”>“数据准备”>“特殊分析”>“因子”。
在弹出的对话框中，选择需要进行因子分析的变量，将它们移动到“因子”框中。
然后，选择所需的因子提取方法（如主成分分析或因子分析），并指定所需的因子个数。
可以选择默认值，也可以根据实际需求进行调整。
3. 统计输出完成因子分析设置后，点击“确定”按钮开始分析。
SPSS软件将生成一个因子分析结果报告。
报告中将包含因子载荷矩阵、特征值、解释的方差比例等统计指标。
通过这些指标，可以对变量和因子之间的关系、每个因子的解释能力进行分析。
4. 结果解读对于因子载荷矩阵，可以根据因子载荷的大小来判断变量与因子之间的关系。
一般来说，载荷绝对值大于0.3的变量与因子之间具有显著关联。
解释的方差比例表示每个因子能够解释变量总方差的比例，一般来说，越大越好。
在解读结果时，需要综合考虑因子载荷和解释的方差比例。
二、聚类分析聚类分析是一种用于数据分类的统计方法。
它根据观测值之间的相似性将数据对象分组到不同的类别中。
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如何用SPSS软件计算因子分析应用结果SPSS（Statistical Package for the Social Sciences）是一款广泛应用于社会科学研究领域的统计分析软件。
它提供了丰富的分析工具，包括因子分析。
因子分析是一种用于研究变量之间关系的数据降维技术，它可以帮助我们发现数据中隐藏的潜在结构和模式。
本文将介绍如何使用SPSS软件进行因子分析，并解读结果。
一、数据准备在进行因子分析之前，首先需要准备好待分析的数据。
数据应以表格的形式呈现，其中每一列代表一个变量，每一行代表一个样本。
确保数据没有缺失值，并对需要分析的变量进行适当的数据转换（例如，将定性变量进行数值化，通过对数转换使数据服从正态分布等）。
二、打开SPSS软件在数据准备完毕后，打开SPSS软件。
在新建的数据表中，将数据导入到SPSS软件中。
可以通过“文件”->“导入”->“数据”命令选择数据文件，并设置好文件的格式，例如逗号分隔或者固定宽度。
三、设置因子分析在成功导入数据后，点击分析菜单栏，选择“数据降维”->“因子”，打开因子分析对话框。
在对话框中，首先选择待分析的变量，将其移入“因子”列表中。
然后，选择对应的因子分析方法。
常见的因子分析方法有主成分分析和极大似然估计，选择合适的方法取决于具体的研究目的和数据特点。
四、指定因子个数在选择因子分析方法后，需要指定因子的个数。
可以根据研究的需要，在对话框的“提取”选项卡中设置因子个数。
常用的方法有根据Kaiser准则选择特征值大于1的因子，或者通过观察因子间相关系数矩阵的图形模式来确定因子的个数。
此外，还可以通过设置固定因子个数的方式进行因子分析。
五、进行因子分析在指定因子个数后，可以点击“OK”按钮开始进行因子分析。
SPSS软件会根据所选的因子分析方法和参数，计算出因子负荷矩阵、特征值、方差贡献率等结果。
这些结果可以反映出变量之间的关系以及每个因子对原始变量的解释程度。
因子分析的SPSS实现
因子分析的SPSS实现因子分析是一种多变量统计分析方法，用于挖掘多个观察变量之间的潜在维度。
它可以帮助我们减少数据的维度，理解变量之间的关系，并揭示隐藏的结构。
SPSS（统计包统计学软件）是一种广泛使用的统计分析软件，可用于实现因子分析。
下面是在SPSS中执行因子分析的一般步骤：1.准备数据：导入数据文件并确保数据格式正确。
数据应以行列表示个体，以列列表示观察变量。
2.选择因子分析方法：SPSS提供了几种因子分析方法，包括主成分分析和因子分析。
选择适当的方法是根据研究目的和数据性质来确定的。
3.执行因子分析：-在SPSS菜单栏中，选择"分析"，然后选择"降维"，再选择"因子"。
-在因子分析对话框中，选择要分析的变量，并将它们添加到“因子分析变量”列表中。
-在“因子分析变量”列表下方的“因子分析可选命令”中，选择所需的选项，如旋转方法、提取因子数等。
4.选择因子数：因子数是指在因子分析中用于解释变量之间关系的维度数。
选择因子数时，可以根据很多方法进行判断，如Kaiser准则、断裂点法和平行分析等。
在SPSS中，可以使用不同的提取因子数方法，比如特征值大于1和Scree plot。
5.旋转因子：在因子分析中，因子可以进行旋转以提高解释性。
旋转方法包括正交旋转和斜交旋转。
查找可解释因素的最初结构后，可根据数据和研究目的选择适当的旋转方法。
6.结果解读：通过SPSS生成的输出结果，我们可以获得一些关键信息，如特征值、共方差解释总量、因子载荷矩阵、因子之间的相关性等。
根据这些结果，我们可以解读因子分析的结果，并利用它们做进一步的研究。
需要注意的是，因子分析是一种复杂的统计方法，需要在进行因子分析之前对相关性和样本适应性进行检查。
此外，还需要在解释因子分析结果时小心，尽量确保结果的解释合理可靠。
总之，SPSS是一种功能强大的软件工具，可用于执行因子分析以及其他各种统计分析。
使用SPSS软件进行因子分析和聚类分析的方法
使用SPSS软件进行因子分析和聚类分析的方法因子分析和聚类分析是一种常用的数据分析方法，可以用于数据降维和分组。
SPSS是一款常用的统计软件，提供了丰富的分析工具和函数，可以方便地进行因子分析和聚类分析。
一、因子分析：因子分析是一种多变量分析方法，可以将一组相关的变量转化为少数几个互相独立的综合变量，称为因子。
因子分析可以用于降低数据的维度，提取主要的因素，并分析因素之间的关系。
以下是使用SPSS软件进行因子分析的步骤：1.打开SPSS软件，并导入要进行因子分析的数据集。
2.菜单栏选择“分析”-“降维”-“因子”。
3.在弹出的因子分析对话框中，选择要进行因子分析的变量，将其添加到“因子”框中。
4.在“提取”选项中，选择提取的因子个数。
可以根据实际需求和经验进行选择。
5. 在“旋转”选项中，选择旋转方法。
常用的旋转方法有方差最大旋转（Varimax），斜交旋转（Oblique）等。
6.点击“确定”按钮，进行因子分析。
7.SPSS会生成因子载荷矩阵、解释方差表、因子得分等结果。
可以根据因子载荷矩阵和解释方差表来解释因子的含义和解释度。
8.根据具体需求和分析目的，可以进行因子得分的计算和因子分组的分析。
二、聚类分析：聚类分析是一种无监督学习方法，可以将一组样本数据自动分成若干互不相交的群组，称为簇。
聚类分析可以用于数据的分组和群体特征的分析。
以下是使用SPSS软件进行聚类分析的步骤：1.打开SPSS软件，并导入要进行聚类分析的数据集。
2.菜单栏选择“分析”-“分类”-“聚类”。
3.在弹出的聚类分析对话框中，选择要进行聚类分析的变量，将其添加到“变量”框中。
可以选择多个变量进行分析。
4.在“距离”选项中，选择计算样本间距离的方法。
常用的方法有欧几里得距离、曼哈顿距离等。
5. 在“聚类方法”选项中，选择聚类算法的方法。
常用的方法有层次聚类（Hierarchical Clustering）、K均值聚类（K-means）等。
如何利用SPSS进行因子分析(四)
SPSS是一种专业的统计分析软件，被广泛应用于社会科学研究、市场调查、医学和生物科学研究等领域。
因子分析是SPSS中常用的一种统计方法，用于发现变量之间的内在关系和结构。
本文将介绍如何利用SPSS进行因子分析，以及因子分析的基本原理和操作步骤。
1. 数据准备在进行因子分析之前，首先需要准备好数据。
数据可以采用多种方式获取，例如调查问卷、实验记录、观测数据等。
在SPSS中，数据通常以Excel或CSV格式导入。
导入数据后，需要对数据进行清洗和变量筛选，确保数据质量和可靠性。
2. 因子分析的基本原理因子分析是一种多变量分析方法，用于发现变量之间的潜在结构和相关关系。
它可以将多个变量转化为少数几个因子，以便更好地理解和解释变量之间的关系。
因子分析的基本原理是通过主成分分析或最大方差法，提取共性因子和特殊因子，从而揭示变量之间的内在结构。
3. 因子分析的操作步骤在SPSS中进行因子分析的操作步骤如下：（1）导入数据：使用“文件”菜单中的“导入数据”功能，将数据文件导入到SPSS中。
（2）选择因子分析：在“分析”菜单中选择“因子分析”，弹出因子分析对话框。
（3）选择变量：在因子分析对话框中，选择需要进行因子分析的变量，并设置相应的参数。
（4）提取因子：在因子分析对话框中，选择提取因子的方法和标准，并进行因子提取。
（5）旋转因子：在因子分析对话框中，选择旋转方法和标准，并进行因子旋转。
（6）解释因子：根据因子载荷矩阵和方差解释率，解释提取的因子结构和含义。
4. 因子分析的结果解释在进行因子分析后，需要对结果进行解释和分析。
通常可以根据因子载荷矩阵、方差解释率和特征根等指标来解释因子的结构和含义。
此外，还可以使用因子得分和因子得分图表来对因子进行解释和可视化呈现。
5. 因子分析的应用因子分析在实际应用中具有广泛的应用价值，可以用于变量降维、变量筛选、变量融合等多个方面。
例如，在市场调查中，可以利用因子分析发现消费者的偏好和需求；在医学研究中，可以利用因子分析发现疾病的相关因素和病因；在社会科学研究中，可以利用因子分析发现社会现象的内在结构和相关因素。
因子分析spss
因子分析spss因子分析spss是一种常见的数据分析方法，它可以将大量复杂数据容易地分解成几个解释变量，从而更好地理解它们之间的关联性。
本文将介绍使用SPSS进行因子分析的具体流程，包括数据准备、因子分析参数设定、结果解释等，并以实际应用案例为例展示如何正确运用因子分析spss，以实现对数据的深入分析。
一、数据准备使用SPSS进行因子分析之前，首先要准备好数据，SPSS只支持两种数据格式：矩阵式数据和表格式数据。
矩阵式数据可以在SPSS软件中创建，而表格式数据则需要使用Excel等软件创建，然后在SPSS中导入。
二、因子分析参数设定完成数据的准备后，接下来要选择正确的参数，以得到最佳的因子分析结果。
这些参数包括：因子数量、维度模型、因子提取方法、旋转方法、可能的分数等。
根据项目的特点，可以灵活选择参数，以获得最佳的因子分析结果。
三、结果解释在完成参数设定后，使用SPSS运行因子分析，就可以得到因子分析结果，结果包括变量间相关系数矩阵、因子报表、共同变量表、因子负荷量表等。
变量间相关系数矩阵是计算得到的相关系数的全部结果，用于判断变量间的相关性；因子报表显示每个变量在不同因子上的贡献程度；共同变量表显示每个因子分量共享变量的情况；因子负荷量表显示每个变量在每个因子上的负荷量情况。
通过解释这些结果，我们可以了解数据中变量间的相关性，深入了解数据之间的关联性，从而更好地分析数据。
四、实际应用案例下面，以一个实际应用案例为例，演示如何正确运用因子分析spss，以实现对数据的深入分析。
假设有10个变量，要求分析它们之间的相关性，以了解它们之间的关系。
首先，用Excel软件将变量数据录入，然后在SPSS中导入；接着，进入SPSS因子分析模块，设定因子数量为4，选择标准正交旋转法作为旋转方法，因子提取方法为最大共因子方式，维度模型为统一维度模型；最后，运行因子分析，便可以得到因子分析结果。
结果表明，变量1、2、5、6、7和8与第一个因子有较大的关联性，可以说明这些变量之间有某种共同的特征；变量3、4、9和10与第二个因子有较大的贡献，表明这几个变量具有相似的特征；另外，变量1、2、5、7和8与第三个因子有较大的贡献，变量3、4、9和10与第四个因子有较大的贡献，可以说明这些变量有一个共性，可以更好地理解变量之间的关系。
因子分析的SPSS实现
因子分析的SPSS实现因子分析（Factor Analysis）是统计学中一种常用的多变量分析方法，用于将具有相关性的一组变量归纳为较小数量的互相关联的构成因子。
SPSS是一种流行的统计分析软件，提供了方便易用的功能，可以方便地进行因子分析。
在SPSS中进行因子分析的步骤如下：步骤1：加载数据首先打开SPSS软件，并加载需要进行因子分析的数据。
可以选择从文件中导入数据，或者直接将数据复制粘贴到SPSS的数据视图中。
确保数据在SPSS中正确加载并显示。
步骤2：选择变量在"变量视图"或"数据视图"中，选择需要进行因子分析的变量。
可以使用鼠标按住Ctrl键或Shift键选择多个变量。
选择的变量应该是互相关的，即它们之间应该存在其中一种相关性。
步骤3：进行因子分析在SPSS的菜单栏中选择"分析"，然后选择"数据降维"，再选择"因子"。
在弹出的对话框中，将选中的变量移动到"因子"框中。
可以选择不同的因子提取方法，如主成分法、最大似然法等。
此外，还可以设置因子提取的标准，如特征值、累计方差等。
步骤4：解释因子在因子分析完成后，SPSS提供了多种方法来解释因子。
其中，最常用的方法是因子旋转。
通过旋转因子，可以使得因子在解释上更直观和可解释，同时减少因子之间的相关性。
SPSS提供了多种旋转方法，如正交旋转（如变换等）和斜交旋转（如极大方差法）。
可以根据实际需求选择合适的旋转方法。
步骤5：解释因子载荷因子载荷提供了每个变量与每个因子之间的相关性信息。
在SPSS的因子分析结果中，可以查看因子载荷矩阵，该矩阵显示了每个变量与每个因子的相关系数。
通常认为绝对值大于0.3或0.4的载荷系数比较重要。
步骤6：因子得分计算因子得分计算用于将原始变量转换为因子得分，以进行后续的分析和解释。
在SPSS中，可以通过计算函数来计算因子得分，方法如下：1.在菜单栏中选择"变量视图"，在需要计算因子得分的变量旁边添加一个新的变量。
如何利用SPSS进行因子分析(十)
SPSS（Statistical Package for the Social Sciences）是一种常见的数据分析工具，它可以帮助研究者对大量数据进行统计分析。
其中，因子分析是SPSS中常用的一种分析方法，用于揭示变量之间的内在关系和结构。
本文将介绍如何利用SPSS进行因子分析，包括数据准备、因子提取和解释结果等步骤。
一、数据准备在进行因子分析之前，首先需要准备一组数据。
这组数据可以是问卷调查结果、观测数据等。
在SPSS中，数据应该以变量的形式输入，每个变量代表一个测量指标或题目。
确保数据的完整性和准确性非常重要，因为数据的质量直接影响因子分析的结果。
二、变量筛选在进行因子分析之前，通常需要对变量进行筛选。
这可以通过查看变量间的相关性矩阵来进行。
在SPSS中，可以使用相关性分析来计算变量之间的相关系数，从而初步了解变量之间的关系。
一般来说，相关系数较高的变量可以被考虑作为因子分析的对象。
但是需要注意，相关系数本身并不代表因子分析的可行性，还需要进行进一步的检验。
三、因子提取在SPSS中进行因子分析时，有多种提取因子的方法可供选择，如主成分分析法、最大方差法等。
每种方法都有其独特的优缺点，研究者需要根据研究目的和数据特点来选择合适的方法。
在进行因子提取时，还需要确定提取的因子数目。
这可以通过查看特征值、解释累计方差等指标来进行。
一般来说，特征值大于1的因子可以被保留，同时需要确保解释的累计方差较高。
四、因子旋转在因子提取之后，通常需要进行因子旋转。
因子旋转可以帮助提高因子的解释性和可解释性，使得因子分析结果更加清晰和可信。
在SPSS中，有多种旋转方法可供选择，如方差最大法、极大似然法等。
每种方法都有其独特的旋转规则和效果，研究者需要根据实际情况来选择合适的方法。
在进行因子旋转后，通常需要查看旋转后的因子载荷矩阵，以便对因子进行解释和命名。
五、结果解释最后，需要对因子分析的结果进行解释。
这包括解释提取的因子的含义和结构，以及对因子载荷矩阵的解释和命名。
如何利用SPSS进行因子分析(Ⅰ)
进行因子分析是一种常用的统计方法，用于探索变量之间的关系和潜在的结构。
SPSS（Statistical Package for the Social Sciences）是一款广泛使用的统计软件，能够帮助研究人员进行因子分析。
本文将介绍如何利用SPSS进行因子分析，包括数据准备、因子提取和旋转、解释因子结果等内容。
一、数据准备在进行因子分析之前，首先需要准备好数据。
在SPSS中，可以通过导入Excel文件或手动输入数据来创建数据集。
数据集应包含需要进行因子分析的变量，确保数据的完整性和准确性。
另外，需要对数据进行缺失值处理和异常值处理，以保证因子分析的结果准确性。
二、因子提取和旋转在SPSS中，进行因子分析的步骤包括因子提取和因子旋转。
因子提取是指从一组变量中提取出共同的因子，用于解释变量之间的共变性。
SPSS提供了常用的因子提取方法，如主成分分析和最大似然法。
用户可以根据自己的研究目的和数据特点选择合适的因子提取方法。
在进行因子提取后，通常需要对提取出的因子进行旋转，以便更好地解释因子结果。
SPSS提供了多种因子旋转方法，如方差最大旋转和极大似然估计旋转。
用户可以根据自己的需要选择合适的因子旋转方法，并对结果进行比较和解释。
三、解释因子结果在完成因子提取和旋转后，需要对因子结果进行解释。
SPSS可以输出因子载荷矩阵、因子旋转后的载荷矩阵和因子得分系数矩阵等结果，帮助用户进行因子结果的解释和分析。
用户可以根据因子载荷的大小和模式来解释提取出的因子，识别出潜在的结构和关系。
此外，用户还可以通过绘制因子图和因子得分图来更直观地展现因子结果。
SPSS提供了丰富的图表功能，可以帮助用户进行数据可视化和结果呈现。
用户可以根据需要选择合适的图表类型，并对图表进行美化和修改，使其更符合研究需求。
四、结果验证和应用在完成因子分析后，需要对结果进行验证和应用。
用户可以通过内部一致性检验、因子得分的解释和实际情境中的应用等方法，对因子分析结果进行验证和评估。
因子分析SPSS操作
因子分析SPSS操作因子分析是一种常用的统计方法，用于探索多个变量之间的潜在关系。
它能够帮助研究人员识别出变量之间的关联，从而提取出共同的因素。
SPSS软件是一种广泛使用的统计分析工具，提供了强大的因子分析功能。
下面将详细介绍如何在SPSS中进行因子分析。
首先，在SPSS中打开要进行因子分析的数据集。
确保数据集包含需要进行因子分析的变量。
接下来，选择"分析"菜单，然后选择"尺度"，再选择"因子"。
这会打开"因子分析"对话框。
在"因子分析"对话框中，将需要进行因子分析的变量移动到右侧的框中，通过单击变量名称，再单击右侧的"箭头"按钮，将其添加到因子分析的变量列表中。
在"因子分析"对话框中，有几个选项需要设置。
首先是"提取方法"，它决定了如何提取因子。
常用的方法有主成分分析和最大似然估计。
主成分分析通常用于连续变量，最大似然估计用于分类变量。
选择一个适当的方法。
其次，是选择"旋转方法"，它决定了如何旋转因子。
常用的方法有方差最大化和直角旋转。
方差最大化旋转使得每个因子解释的变异最大化，直角旋转使得因子之间不相关。
根据研究目的选择一个合适的旋转方法。
最后，设置"因子的数目"，它决定了最终提取几个因子。
通常，根据因子的方差解释度和解释的变量数目来决定提取几个因子。
可以尝试提取不同数目的因子，然后根据结果进行选择。
点击"确定"按钮后，SPSS会进行因子分析，并在输出窗口中显示结果。
输出结果包括因子的提取度、因子载荷矩阵、解释的方差比例等。
根据因子载荷矩阵可以判断变量与因子之间的关系。
载荷大于0.3或0.4的变量与因子有较强的关联。
可以根据载荷大小对因子进行命名，进一步解释因子所代表的潜在构念。
根据调查问卷,进行因子分析SPSS操作步骤
根据调查问卷，进行因子分析SPSS操作步骤1. 调查问卷数据准备首先，将所有参与者的调查问卷数据收集并整理成电子表格格式（如Excel）。
确保每个问题都有相应的变量标签，并且每个参与者的回答都在正确的列中。
2. 导入数据到SPSS打开SPSS软件，并选择导入数据选项。
选择你准备好的电子表格文件，并按照提示进行导入操作。
3. 数据清洗和预处理3.1 缺失数据处理检查数据中是否有缺失数据。
如果有缺失数据，可以选择删除或使用合适的填充方式（如平均值填充）进行处理。
3.2 数据标准化如果你的问卷包含了不同量表的问题（如1-5分和1-10分），需要对数据进行标准化，以便在因子分析中进行比较。
你可以使用SPSS的计算功能来进行标准化。
4. 进行因子分析4.1 选择因子分析方法根据你的研究目的和数据特点，选择合适的因子分析方法。
常用的因子分析方法包括主成分分析和最大似然估计。
4.2 设置因子提取的条件在进行因子提取之前，需要设置一些条件，如提取的因子数量和旋转方法。
根据你的研究目的和数据分布情况，选择适当的条件。
4.3 进行因子提取点击SPSS的因子分析功能，并根据之前设置的条件进行因子提取。
SPSS会生成提取后的因子载荷和共享方差解释比等结果。
4.4 因子旋转因子旋转可以帮助我们解释因子结构更清晰和简单。
根据需要选择合适的旋转方法，如方差最大旋转或直角旋转。
4.5 解释因子分析结果根据因子载荷和共享方差解释比等结果，解释因子分析的结果。
查看每个因子的载荷表，并根据载荷大小判断每个因子代表的含义。
5. 结果解读和报告根据因子分析的结果，进行结果解读和报告。
将主要结果和结论整理成文档，并添加合适的图表和表格来支持你的发现。
以上是根据调查问卷进行因子分析SPSS操作的步骤。
根据你的研究目的和数据特点，可以适当调整和修改这些步骤。
记得保存和备份你的数据和结果，以便日后参考。
因子分析spss
因子分析spss因子分析是一种常用的统计方法，用于研究变量之间的关系及其对整体的影响。
它的主要作用是将复杂的数据降维并提取出主要因素，从而简化分析过程。
本文将介绍因子分析的基本概念、原理、假设、步骤以及在SPSS软件中的操作方法。
一、因子分析的基本概念因子分析是一种多变量分析方法，通过寻找一组潜在的共同因素来解释观测变量之间的相关性。
它可以帮助我们理解变量之间的内在关系，并减少数据的复杂性。
二、因子分析的原理因子分析的基本原理是将一组观测变量转化为一组潜在的共同因素。
它假设每个观测变量都受到多个潜在因素的共同影响，并且通过因子载荷来衡量这种影响的强度。
三、因子分析的假设因子分析需要满足以下假设：1. 每个观测变量都是由多个潜在因素共同影响的。
2. 潜在因素之间相互独立。
3. 每个观测变量与潜在因素之间存在线性关系。
4. 观测误差是独立的。
四、因子分析的步骤1. 收集数据并确定分析目的。
2. 进行数据清洗和预处理，包括缺失值处理和异常值处理。
3. 进行合适的因子提取方法。
常用的因子提取方法包括主成分分析和极大似然估计。
4. 确定因子个数。
可以通过观察解释方差贡献和层次图来确定因子个数。
5. 进行因子旋转。
常用的旋转方法包括方差最大旋转和直角旋转。
6. 解释因子载荷。
通过观察因子载荷矩阵来解释变量与潜在因素之间的关系。
7. 计算因子得分。
将观测变量代入因子载荷矩阵，计算每个观测变量的因子得分。
8. 进行因子可靠性和效度检验。
可以使用内部一致性系数和构效效度来评估因子模型的可靠性和效度。
9. 进行结果解读和报告。
五、SPSS中的操作方法在SPSS软件中，进行因子分析的操作步骤如下：1. 打开SPSS软件并导入数据文件。
2. 选择"分析"菜单下的"数据降维"，然后选择"因子"。
3. 在因子分析对话框中，选择需要进行因子分析的变量，并选择因子提取方法和旋转方法。
- 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)。
因子分析作业：
全国30个省市的8项经济指标如下：
要求：先对数据做标准化处理，然后基于标准化数据进行以下操作
1、给出原始变量的相关系数矩阵；
2、用主成分法求公因子，公因子的提取按照默认提取（即特征值大于1），给出公因子的方差贡献度表；
3、给出共同度表，并进行解释；
4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。
如果不好解释，请用因子旋转（采用正交旋转中最大方差法）给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义；
5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。
最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。
1、输入数据，依次点选分析描述统计描述，将变量x1到x8选入右边变量下面，点选“将标
准化得分另存为变量”，点确定即可的标准化的数据。
依次点选分析降维因子分析，打开因子分析窗口，将标准化的8个变量选入右边变量下面，点选描述相关矩阵下选中系数及KMO和Bartlett的检验，点继续，确定，就可得出8个变量的相关系数矩阵如下图。
由表中数据可以看出大部分数据的绝对值都在以上，说明变量间有较强的相关性。
KMO 和 Bartlett 的检验
取样足够度的 Kaiser-Meyer-Olkin 度量。
.621
Bartlett 的球形度检验近似卡方
df28
Sig..000
由上图看出，sig.值为0，所以拒绝相关系数为0（变量相互独立）的原假设，即说明变量间存
在相关性。
2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因子解，碎石图；抽取：基于特征值（特征值大于1）；继续，确定，输出结果如下3个图。
解释的总方差
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
4.403
表看出前3个主成分的累计贡献率就达到了%>85%，所以选取主成分个数为3。
选y1为第一主成分，y2为第二主成分，y3为第三主成分。
且这三个主成分的方差和占全部方差的%，即基本上保留了原来指标的信息。
这样由原来的8个指标变为了3个指标。
3。
与按累计贡献率确定的主成分个数是一致的。
3、共同度结果如下：
v1.0 可编辑可修改
Zscore: 固定资产.902
Zscore: 职工工资.873
Zscore: 货物周转.858
Zscore: 消费价格.957
Zscore: 商品零售.929
Zscore: 工业产值.904
提取方法：主成份分析。
上表给出了该次分析从每个原始变量中提取的信息。
由上表数据可以看出，主成分包含了各个原始变量的80%以上的信息。
4、在因子分析窗口，旋转输出：载荷阵。
输出结果如下：
成份矩阵a
成份
123
Zscore: 国内生产.885.384.119
Zscore: 居民消费.606.276
Zscore: 固定资产.912.162.211
Zscore: 职工工资.467.365
Zscore: 货物周转.486.737
Zscore: 消费价格.257.801
Zscore: 商品零售.596.437
Zscore: 工业产值.823.427.208
提取方法 :主成分分析法。
a. 已提取了 3 个成份。
由上表数据第一列表明：第一主成分与各个变量之间的相关性；第二列表明：第二主成分与各个变量之间的相关性；第三列表明：第三主成分与各个变量之间的相关性。
可以得出：x1x3x8主要由第一主成分解释，x4x5主要由第二主成分解释，x6主要由第三主成分解释。
但是x2是由第一主成分还是第二主成分解释不好确定，x7是由三个主成分中的哪个解释也不好确定。
下面作因子旋转后的因子载荷阵。
在因子分析窗口，抽取输出：旋转的因子解，继续；旋转方法：最大方差法，继续；确定。
输出结果如下2图；
由上表数据可以得出：x1x3x5x8主要由第一主成分解释，x2x4
主要由第二主成分解释，x6x7主要由第三主成分解释。
与第一因子关系密切的变量主要是投入（投资：固定资产投资）与产出（产值：
国内生产总值、工业总产值）方面的变量，货物周转又是投入产出的中介过程，可以命名为投入产出因子；与第二因子关系密切的都是反映民众生活水平的变量，可以命名为消费能力因子；与第三因子关系密切的是价格指数方面的变量，可以命名为价格指数因子。
v1.0 可编辑可修改
6.135
7.067.840
8.015.183
提取方法：主成份分析。
由上表可以看出：第二列数据表明，各个主成分的贡献率与旋转前的有变化，但是3个主成分的累积贡献率相同都是%。
5、在因子分析窗口，得分因子得分保存为变量f1f2f3;方法：回归。
再按三个主成分降序排列：数据排序个案：将f1选入排序依据，排列顺序：降序。
同理得出按f2f3排序的结果。
结果如下；
最后，以各因子的方差贡献率占三个因子总方差贡献率的比重作为权重进行加权汇总，得出各城市的综合得分f。
即
f=*f1+*f2+*f3)/
f得分在转换计算变量中的出。
最后再按f得分排序。
排序结果如下：
f1排序f2排序f3排序f排序
山东上海云南上海
江苏广东贵州山东
广东北京湖北江苏
河北天津新疆广东
四川浙江四川四川
河南西藏陕西湖北
辽宁福建上海浙江
浙江江苏甘肃云南
上海青海广西北京
湖北新疆湖南辽宁
湖南云南青海湖南
黑龙江海南山东新疆
安徽宁夏内蒙贵州
福建山东西藏河南
云南广西江西广西
广西甘肃宁夏陕西
山西湖北山西河北
北京贵州江苏黑龙江
陕西黑龙江北京甘肃
内蒙吉林浙江福建
吉林辽宁河南山西
江西湖南黑龙江青海
新疆四川辽宁内蒙
甘肃陕西河北江西
贵州山西福建天津
天津江西吉林西藏
青海安徽广东吉林
宁夏内蒙安徽安徽
海南河南天津宁夏
西藏河北海南海南
有了对各个公因子的合理的解释，结合各个城市在三个公因子的得分和综合得分，就可对各城市的经济发展水平进行评价了。
在投入产出因子f1上得分最高的6个城市是山东、江苏、广东、河北、四川。
其中山东得分为，江苏得分为，高于其他城市，说明山东、江苏的工业的投入产出能力最高，工业发展相对较快，从而推动城市发展；而青海、宁夏、海南、西藏的投入产出能力较差，可能由于地理位置的缘故工业发展相对落后。
上海、广东、北京、天津在消费能力因子f2上的得分较高，说明它们的消费能力较高，人们的收入也较高，从而生活质量较好，城市发展较快；而河南、河北得分较低，它们的消费能力较低，从而说明人们的收入也相对较低，生活质量相对差一点，城市发展较慢。
云南、贵州、湖北、新疆在价格指数因子f3上的得分较高，说明在这些城市物价相对较高，可能以些非本地产的东西由于运输的不方便，使得这些物价相对较高，而广东、安徽、天津、海南的价格指数较低，说明，在这些城市，交通相对便捷，运输方便，或者本地产的东西较多基本满足需求，使得物价相对较低，但从侧面也可看出这些城市与其他城市的联系可能较少，不利于自己的总和发展，从而也说明了这些城市的发
展相对较慢。
由综合因子f的分就可综合评价城市的经济发展水平，综合得分的前3名上海、山东、江苏，得分最低的3个城市安徽、宁夏、海南。