spss是一款由IBM公司推出的軟件分析軟件，如果我們利用spss軟件進行數(shù)據(jù)結(jié)構(gòu)處理的時候，可以使用因子分析的方法來簡化數(shù)據(jù)結(jié)構(gòu)，將具有錯綜復(fù)雜關(guān)系的變量綜合為數(shù)據(jù)較少的因子，達(dá)到信息損失最少就可以完成對變量的分類。

　　研究問題時盡可能多的收集資料，便于對問題有充分了解，這樣確實便于全面、精確地描述事物，實際數(shù)據(jù)建模中，有些變量不一定可以真正發(fā)揮作用，還可能加大計算工作量，所以要因子分析。對于高緯變量和海量數(shù)據(jù)是不可忽略的問題。收集到的變量數(shù)據(jù)通常之間存在一定的相關(guān)性，變量間的信息高度重疊和高度相關(guān)給統(tǒng)計方法帶來困難，例如，在多元線性回歸分析中，若變量之間有較強的相關(guān)性，則會對回歸方程參數(shù)估計帶來困難，致使參數(shù)不準(zhǔn)確，模型不可用。

　　1、因子相關(guān)性的檢驗：方法有相關(guān)系數(shù)矩陣、反映像相關(guān)矩陣、巴特利特球度檢驗、KMO檢驗。

　　2、因子提取和因子載荷矩陣的求解：基于主成分模型的主成分分析法、基于因子分析模型的主軸因子法、極大似然法、最小二乘法、a因子提取法、映像分析法。主成分分析法能夠為因子分析提供初始解，因子分析是主成分分析結(jié)果的延伸和拓展。

　　3、因子命名、旋轉(zhuǎn)：在因子載荷矩陣中，多行情況，遇到變量與多個因子有較大的相關(guān)關(guān)系，即變量需要多個因子共同解釋；多列情況，一個因子可以同時解釋多個變量。說明一個因子不能單獨代表原有的一個變量，因子模糊不清，而實際情況是對因子有清醒認(rèn)識，所以因子旋轉(zhuǎn)。必不可少，盡量使一個變量在較少的幾個因子上有比較高的載荷。

　　4、計算因子得分：因子得分為因子分析的最終體現(xiàn)，計算各因子在每個樣本上的具體數(shù)值，即為因子得分，形成的變量稱為因子變量，在接下來的分析中因子變量可代替原有的變量進行數(shù)據(jù)建模，對問題降維或簡化處理。

　　輸出結(jié)果分析：

　　借助相關(guān)系數(shù)矩陣、反映像相關(guān)矩陣、巴特利特球度檢驗和KMO檢驗方法分析。觀察大部分相關(guān)系數(shù)都較高，線性關(guān)系較強，可以提取公共因子，適合因子分析。在KMO中，概率為0.000小于顯著性水平，拒絕原假設(shè)，與單位矩陣有顯著差異，KMO為0.882，說明適合因子分析。

　　每組的列向量含義，特征值、方差貢獻(xiàn)率、累計方差貢獻(xiàn)率。第二列表示提取兩個因子，共同解釋84.259%，丟失的信息較少。第三列表示旋轉(zhuǎn)后的因子，總的方差貢獻(xiàn)率沒有改變，就是說沒有影響原有的共同度，重新分配各個因子解釋原有變量的方差，改變各個因子的方差貢獻(xiàn)率。

　　碎石圖：縱坐標(biāo)為特征值，橫坐標(biāo)為因子個數(shù)。特征值越小則對原有變量的貢獻(xiàn)很小，可以忽略，所以提取兩個也算是可以的。

　　成分矩陣：結(jié)果是某個變量等于兩個因子與對應(yīng)系數(shù)相乘后相加的結(jié)果。觀察可知，第一個因子與所有變量的相關(guān)性程度高，與第二個不高，含義模糊，不利于命名，所以因子要旋轉(zhuǎn)。

　　因子命名解釋：采用方差極大法對因子載荷矩陣實行正交旋轉(zhuǎn)以使因子具有命名解釋性?？梢灾付ò凑盏谝灰蜃虞d荷降序的順序輸出旋轉(zhuǎn)后的因子載荷。見圖，聯(lián)營、股份、集體、國有在第一因子有較高載荷，可解釋為內(nèi)部投資經(jīng)濟單位，其他、外商、港澳在第二個的載荷高，解釋為外來投資經(jīng)濟單位。觀察因子協(xié)方差矩陣，兩個因子的線性相關(guān)性幾乎沒有，符合因子分析的效果。

　　以上便是利用spss進行因子分析的過程，如果你看過本篇教程后還有不明白的地方，歡迎在下面留言區(qū)留言。