Spss主成分分析因子分析.doc

Spass 主成分分析因子分析
因子分析命名
我在SPSS中用因子分析提取出来两个因子,我想将它们分别命名为“口碑方向”和“口碑类型”,在SPSS中如何操作?以便我在做回归分析时显示的是我提取出来的因子而不是原始数据?
问题补充:
为什么我用提取出来的因子做回归分析,各个变量的相关性非常低,做不了回归分析。是不是我因子提取操作有误?我的问题设计都是正数,而提取出来的变量数据大多是负数,是这个导致的吗?盼解答,非常感谢
SPSS中作出因子分析,会自动生成新的变量,提取出的主变量因子系统会用Fact_1、Fact_2等命名,改下名字就好了啊。
因子分析提取出的主成分变量一般不用回归分析,那么简单的线性关系基本不太可能存在。多元统计学中,多构建因子模型,或者用主成分分析。这两种分析方法都与回归分析相差甚远,话到此为止,要解释起来还不如看书
因子分析
1、因子分析的意义
收集变量中容易出现的问题
在研究实际问题时往往希望尽可能多地收集相关变量,以期望对问题有比较全面、完整的把握和认识。例如,对高等学校科研状况的评价研究,可能会收集诸如投入科研活动的人年数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专着数、获得奖励数等多项指标;再例如,学生综合评价研究中,可能会收集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。收集这些数据需投入许多精力,虽然它们能够较为全面、精确地描述事物,但在实际数据建模时,这些变量未必能真正发挥预期的作用,“投入”和
“产出”并非呈合理的正比,反而会给统计分析带来许多问题,可以表现在: 因子分析
为解决上述问题,最简单和最直接的解决方案是消减变量个数,但这必然会导致信息丢失和信息不全面等问题的产生。为此,人们希望探索一种更有效的解决方法,它既能大大减少参与数据建模的变量个数,同时也不会造成信息的大量丢失。因子分析正是这样一种能够有效降低变量维数,并已得到广泛应用的分析方法。
因子分析以最少的信息丢失为前提,将众多的原有变量综合成较少几个综合指标,名为因子。通常,因子有以下几个特点。
Ø 因子个数远远少于原有变量的个数。原有变量综合成少数几个因子后,因子将可以替代原有变量参与数据建模,这将大大减少分析过程中的计算工作量。
Ø 因子能够反映原有变量的绝大部分信息。因子并不是原有变量的简单取舍,而是原有变量重组后的结果,因此不会造成原有变量信息的大量丢失,并能够代表原有变量的绝大部分信息。
Ø 因子之间的线性关系部显着。由原有变量重组出来的因子之间的线性关系较弱,因子参与数据建模能够有效地解决变量多重共线性等给分析方法应用带来的诸多问题。
Ø 因子具有命名解释性。通常,因子分析产生的因子能够通过各种方式最终获得命名解释性。因子分析结果的解释评价,对因子的进一步应用有重要意义。
(1)计算量的问题。由于收集的变量较多,如果这些变量都参与数据建模,无疑会增加分析过程中的计算工作量。虽然现在的计算技术已得到迅猛发展,但高维变量和海量数据仍是不容忽视的。
(2)变量间的相关性问题。收集到的诸多变量之间通常会存在或多或少的相关性。
2、因子分析中几个重要概念
(1)因子载荷
可以证明:在因子不相关的前提下,因子载荷Aij是变量xi与因子fj的相关系数,反映了变量xi与因子fj的相关程度。
(2)变量共同度
变量xi的共同度刻画了因子全体对变量xi信息解释的程度,是评价变量xi信息丢失程度的重要指标。如果大多数原有变量的变量共同度均较高(),则说明提取的因子能够反映原有变量的大部分(如80%以上)信息,仅有较少的信息丢失,因子分析的效果较好。因此,变量共同度衡量因子分析效果的重要指标。
(3)因子的方差贡献
因子fj的方差贡献是因子载荷阵A中第j列元素的平方和。因子fj的方差贡献率反映了因子fj对原有变量总方差的解释能力。该值越高,说明相应因子的重要性越高。因此,因子的方差贡献和方差贡献率是衡量因子重要性的关键指标。
3、因子分析的基本内容
(1)因子分析的前提条件
由于因子分析的主要任务之一是对原有变量进行浓缩,即将原有变量中的信息重叠部分提取和综合成因子,进而最终实现减少变量个数的目的。对此,它要求原有变量之间应存在较强的相关关系。否则,如果原有变量相互独立,不存在信息重叠,那么也就无法将其综合和浓缩,也就无须进行因子分析。本步正是希望通过各种方法分析原有变量是否存在相关关系,是否适于进行因子分析。
通常采用的方法有:
计算相关系数矩阵
•       计算反映像相关矩阵
•       巴特利特球度检验
•       KMO检验
(1)因子分析的前提条件
(2)因