spss美国洛杉矶标准大城市统计

实验目的：美国洛杉矶标准大城市统计区中的12个人口调查区的五个经济学变量的数据，进行因子分析，对因子进行命名和解释，并计算因子得分和排序

实验步骤：

第1步选择【Analyze】∀【Data Reduction-Factor】∀主对话框。将所

有原始变量选入【V ariables】

第2步点击【Descriptives】∀【correlation Matrix】∀【KMO and

Bartlett’s test of sphericity】和【significance】∀【initial】∀【Continue】第3步点击【Extraction】，在【Method】框中选择Principal components)；

在【Extract】中输入选择因子的最小特征根(隐含的是特征根大于1)；

在【Display】下选择【Scree Plot】∀【Continue】

第4步点击【Rotation】，在【Method】框中选择【V arimax】)；

在【Display】下选择【Loading Plot】∀【Continue】第5步点击【Scores】，并选中【Display factor Score coefficient

matrix】(SPSS隐含的估计因子得分系数的方法是Regression) ∀

【Continue】∀【OK】

运行得下表

表一KMO检验和Bartlett球度检验

KOM统计量：0.575<0.7，但是Bartlett`s球形检验sig.=0.000结果显著，适合作因子分析

表二变量共同度量

所有共同度量都在80%以上，因此，提取出的公因子对原始变量的解释能力是很强的

表三各因子所解释的原始变量的方差

前两个因子对原始变量的解释程度在93.399%，解释程度很好

表四旋转前的因子载荷矩阵

表五旋转后的因子载荷矩阵

第一个因子与中等校平均校龄、专业服务项目数、中等房价这三个载荷系数较大，主要解释了这三个变量，从实际意义上看，可以把因子1姑且命名为“繁荣程度”因子。第二个因子与总人口、总雇员数这两个变量的载荷系数较大，主要解释了这两个变量，从实际意义看，可以将因子2姑且命名为“劳动力水平”因子。

表六旋转后的因子载荷图

表七因子载荷系数矩阵

由因子得分系数矩阵，可以将公因子表示为各变量的线性组合。并计算出综合得分F，然后排序得表八

结论：10地区综合得分最高，12地区综合得分最少