因子分析过程的步骤一般为

1. 因子分析过程的步骤一般为

因子分析过程的步骤一般为：
（1）计算相关系数矩阵Correlation Matrix在进行提取因子等分析步骤之前，应对相关矩阵进行检验，如果相关矩阵中的大部分相关系数小于0.3，则不适合作因子分析；当原始变量个数较多时，所输出的相关系数矩阵特别大，观察起来不是很方便，所以一般不会采用此方法或即使采用了此方法，也不方便在结果汇报中给出原始分析报表。

（2）计算反映象相关矩阵Anti-image correlation matrix反映象矩阵重要包括负的协方差和负的偏相关系数。偏相关系数是在控制了其他变量对两变量影响的条件下计算出来的净相关系数。
如果原有变量之间确实存在较强的相互重叠以及传递影响，也就是说，如果原有变量中确实能够提取出公共因子，那么在控制了这些影响后的偏相关系数必然很小。
观察反映象相关矩阵，如果反映象相关矩阵中除主对角元素外，其他大多数元素的绝对值均小，对角线上元素的值越接近1，则说明这些变量的相关性较强，适合进行因子分析。与方法（1）中最后所述理由相同，一般少采用此方法

（3）巴特利特球度检验Bartlett test of sphericityBartlett球体检验的目的是检验相关矩阵是否是单位矩阵（identity matrix），如果是单位矩阵，则认为因子模型不合适。Bartlett球体检验的虚无假设为相关矩阵是单位阵，如果不能拒绝该假设的话，就表明数据不适合用于因子分析。一般说来，显著水平值越小（<0.05）表明原始变量之间越可能存在有意义的关系，如果显著性水平很大（如0.10以上）可能表明数据不适宜于因子分析。
（4）KMO（Kaiser-Meyer-OklinMeasure of Smapling Adequacy）KMO是Kaiser-Meyer-Olkin的取样适当性量数。KMO测度的值越高（接近1.0时），表明变量间的共同因子越多，研究数据适合用因子分析。通常按以下标准解释该指标值的大小：KMO值达到0.9以上为非常好，0.8～0.9为好，0.7～0.8为一般，0.6～0.7为差，0.5～0.6为很差。如果KMO测度的值低于0.5时，表明样本偏小，需要扩大样本。

2. 因子分析的基本步骤

因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。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。因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，相关程度很低，不存在信息重叠，它们不可能有共同因子，那么也就无法将其综合和浓缩，也就无需进行因子分析。本步骤正是希望通过各种方法分析原有变量是否存在相关关系，是否适合进行因子分析。SPSS提供了四个统计量可帮助判断观测数据是否适合作因子分析：



（1）计算相关系数矩阵Correlation Matrix

在进行提取因子等分析步骤之前，应对相关矩阵进行检验，如果相关矩阵中的大部分相关系数小于0.3，则不适合作因子分析；当原始变量个数较多时，所输出的相关系数矩阵特别大，观察起来不是很方便，所以一般不会采用此方法或即使采用了此方法，也不方便在结果汇报中给出原始分析报表。



（2）计算反映象相关矩阵Anti-image correlation matrix

反映象矩阵重要包括负的协方差和负的偏相关系数。偏相关系数是在控制了其他变量对两变量影响的条件下计算出来的净相关系数。如果原有变量之间确实存在较强的相互重叠以及传递影响，也就是说，如果原有变量中确实能够提取出公共因子，那么在控制了这些影响后的偏相关系数必然很小。观察反映象相关矩阵，如果反映象相关矩阵中除主对角元素外，其他大多数元素的绝对值均小，对角线上元素的值越接近1，则说明这些变量的相关性较强，适合进行因子分析。与方法（1）中最后所述理由相同，一般少采用此方法



（3）巴特利特球度检验Bartlett test of sphericity

Bartlett球体检验的目的是检验相关矩阵是否是单位矩阵（identity matrix），如果是单位矩阵，则认为因子模型不合适。Bartlett球体检验的虚无假设为相关矩阵是单位阵，如果不能拒绝该假设的话，就表明数据不适合用于因子分析。一般说来，显著水平值越小（<0.05）表明原始变量之间越可能存在有意义的关系，如果显著性水平很大（如0.10以上）可能表明数据不适宜于因子分析。



（4）KMO（Kaiser-Meyer-OklinMeasure of Smapling Adequacy）

KMO是Kaiser-Meyer-Olkin的取样适当性量数。KMO测度的值越高（接近1.0时），表明变量间的共同因子越多，研究数据适合用因子分析。通常按以下标准解释该指标值的大小：KMO值达到0.9以上为非常好，0.8～0.9为好，0.7～0.8为一般，0.6～0.7为差，0.5～0.6为很差。如果KMO测度的值低于0.5时，表明样本偏小，需要扩大样本。

3. 因子分析法的分析步骤

因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。（i）因子分析常常有以下四个基本步骤：⑴确认待分析的原变量是否适合作因子分析。⑵构造因子变量。⑶利用旋转方法使因子变量更具有可解释性。⑷计算因子变量得分。（ii）因子分析的计算过程：⑴将原始数据标准化，以消除变量间在数量级和量纲上的不同。⑵求标准化数据的相关矩阵；⑶求相关矩阵的特征值和特征向量；⑷计算方差贡献率与累积方差贡献率；⑸确定因子：设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；⑹因子旋转：若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。⑺用原指标的线性组合来求各因子得分：采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。⑻综合得分以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )此处wi为旋转前或旋转后因子的方差贡献率。⑼得分排序：利用综合得分可以得到得分名次。在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：· 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子集合，从子集合所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。· 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。· 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法（如相关分析、逐步回归分析、主成分分析等）研究各个变量之间的相关性，选择最佳的变量子集合；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。

4. 因子分析步骤

因子分析步骤
因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子。

或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。
将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。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。
因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，相关程度很低，不存在信息重叠，它们不可能有共同因子，那么也就无法将其综合和浓缩。
也就无需进行因子分析。本步骤正是希望通过各种方法分析原有变量是否存在相关关系，是否适合进行因子分析。SPSS提供了四个统计量可帮助判断观测数据是否适合作因子分析：（1）计算相关系数矩阵Correlation Matrix在进行提取因子等分析步骤之前，应对相关矩阵进行检验，如果相关矩阵中的大部分相关系数小于0.3，则不适合作因子分析。
当原始变量个数较多时，所输出的相关系数矩阵特别大，观察起来不是很方便，所以一般不会采用此方法或即使采用了此方法，也不方便在结果汇报中给出原始分析报表。（2）计算反映象相关矩阵Anti-image correlation matrix反映象矩阵重要包括负的协方差和负的偏相关系数。偏相关系数是在控制了其他变量对两变量影响的条件下计算出来的净相关系数。如果原有变量之间确实存在较强的相互重叠以及传递影响，也就是说，如果原有变量中确实能够提取出公共因子。
那么在控制了这些影响后的偏相关系数必然很小。观察反映象相关矩阵，如果反映象相关矩阵中除主对角元素外，其他大多数元素的绝对值均小，对角线上元素的值越接近1，则说明这些变量的相关性较强，适合进行因子分析。与方法（1）中最后所述理由相同，一般少采用此方法（3）巴特利特球度检验Bartlett test of sphericityBartlett球体检验的目的是检验相关矩阵是否是单位矩阵（identity matrix），如果是单位矩阵，则认为因子模型不合适。Bartlett球体检验的虚无假设为相关矩阵是单位阵，如果不能拒绝该假设的话，就表明数据不适合用于因子分析。
一般说来，显著水平值越小（<0.05）表明原始变量之间越可能存在有意义的关系，如果显著性水平很大（如0.10以上）可能表明数据不适宜于因子分析。（4）KMO（Kaiser-Meyer-OklinMeasure of Smapling Adequacy）

5. 因子分析步骤

问题一：因子分析法的分析步骤  因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。（i）因子分析常常有以下四个基本步骤：⑴确认待分析的原变量是否适合作因子分析。⑵构造因子变量。⑶利用旋转方法使因子变量更具有可解释性。⑷计算因子变量得分。（ii）因子分析的计算过程：⑴将原始数据标准化，以消除变量间在数量级和量纲上的不同。⑵求标准化数据的相关矩阵；⑶求相关矩阵的特征值和特征向量；⑷计算方差贡献率与累积方差贡献率；⑸确定因子：设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；⑹因子旋转：若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。⑺用原指标的线性组合来求各因子得分：采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。⑻综合得分以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )此处wi为旋转前或旋转后因子的方差贡献率。⑼得分排序：利用综合得分可以得到得分名次。在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：・ 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子 *** ，从子 *** 所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。・ 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。・ 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法（如相关分析、逐步回归分析、主成分分析等）研究各个变量之间的相关性，选择最佳的变量子 *** ；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。 
  
   问题二：怎么用SPSS做因子分析具体的步骤是什么由  把需要进行因子分析的变量 全部移入因子分析 对话框，然后选择正交旋转 点确定就好了 
  
   问题三：因子分析可分为哪三个步骤  职务分析是一项技术性很强的工作，需要做周密的准备。同时还需具有与人力资源管理活动相匹配的科学的、合理的操作程序。 (一)准备阶段 1、建立工作分析小组。小组成员通常由分析专家构成。所谓分析专家，是指具有分析专长，并对组织结构及组织内各项工作有明确概念的人员。一旦小组成员确定之后，赋予他们进行分析活动的权限，以保证分析工作的协调和顺利进行。 2、明确工作分析的总目标、总任务。根据总目标、总任务，对企业现状进行初步了解，掌握各种数据和资料。 3、明确工作分析的目的。有了明确的目的，才能正确确定分析的范围、对象和内容，规定分析的方式、方法，并弄清应当收集什么资料，到哪儿去收集，用什么方法去收集。 4、明确分析对象。为保证分析结果的正确性，应该选择有代表性、典型性的工作。 5、建立良好的工作关系。为了搞好工作分析，还应做好员工的心理准备工作，建立起友好的合作关系。 (二)调查阶段 分析人员应制定工作分析的时间计划进度表，以保证这项工作能够按部就班的进行调查。同时搜集有关职位的相关信息。这一阶段包括以下几项内容： 1、选择信息来源。信息主要来源于：工作执行者本人、管理监督者、顾客、分析专家、职业名称辞典以及以往的分析资料。 2、选择收集信息的方法和系统。信息收集的方法和分析信息适用的系统由工作分析人员根据企业的实际需要灵活运用。 3、搜集职位的相关信息 (三)分析阶段 工作分析就是审查、分析企业某个工作有关的信息的过程。也就是说，该阶段包括信息的整理、审查、分析三个相关活动，是整个工作分析过程的主要部分。 1、工作名称　该名称必须明确，使人看到工作名称，就可以大致了解工作内容。如果该工作已完成了工作评价，在工资上已有固定的等级，则名称上可加上等级。 2、聘用人员数目　同一工作所聘用工作人员的数目和性别，应予以记录。 3、工作单位　工作单位是显示工作所在的单位及其上下左右的关系，也就是说明工作的组织位置。 4、职责　所谓职责，就是这项工作的权限和责任有多大，主要包括以下几方面： 5、工作知识　工作知识是为圆满完成某项工作，工作人员应具备的实际知识。这种知识应包括任用后为执行其工作任务所需获得的知识，以及任用前已具备的知识。 6、智力要求　智力要求指在执行过程中所需运用的智力，包括判断、决策、警觉、主动、积极、反应、适应等。 
  
   问题四：验证性因子分析的测试步骤  验证性因子分析往往通过结构方程建模来测试。在实际科研中，验证性因子分析的过程也就是测度模型的检验过程。可以进行测度模型及包括因子之间关系的结构方程建模并拟合的统计软件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL这个软件中有三种编程语言：PRELIS是用来作数据处理或简单运算，比如作一些回归分析、计算一个样本的协方差矩阵；LISREL是一种矩阵编程语言，它用矩阵的方式来定义我们在测度项与构件、构件之间的关系，然后采用一个估计方法 (比如极大似然估计) 进行模型拟合；SIMPLIS是一种简化的结构方程编程语言，适合行为研究者用。一般来讲，研究者需要先通过SIMPLIS建立测度模型，然后进行拟合。根据拟合的结果，测度模型可能需要调整，抛弃质量差的测度项，然后再拟合，直到模型的拟合度可以接受为止。 
  
   问题五：如何正确运用因子分析法进行综合评价  转载以下资料供参考 
  编辑本段SWOT分析步骤 
  强势――弱势――机会――威胁　　 　　从竞争角度看，对成本措施的抉择分析，不仅来自于对企业内部因素的分析判断，还来自于对竞争态势的分析判断。成本的强势――弱势――机会――威胁（SWOT）分析的核心思想是通过对企业外部环境与内部条件的分析，明确企业可利用的机会和可能面临的风险，并将这些机会和风险与企业的优势和缺点结合起来，形成企业成本控制的不同战略措施。 　　SWOT分析基本步骤为： 　　（1）分析企业的内部优势、弱点既可以相对企业目标而言的，也可以相对竞争对手而言的。 　　（2）分析企业面临的外部机会与威胁，可能来自于与竞争无关的外环境因素的变化，也可能来自于竞争对手力量与因素变化，或二者兼有，但关键性的外部机会与威胁应予以确认。 　　（3）将外部机会和威胁与企业内部优势和弱点进行匹配，形成可行的战略。 
  SWOT分析有四种不同类型的组合： 　　优势――机会（SO）组合、弱点――机会（WO）组合、优势――威胁（ST）组合和弱点――威胁（WT）组合。　 　　优势――机会（SO）战略是一种发展企业内部优势与利用外部机会的战略，是一种理想的战略模式。当企业具有特定方面的优势，而外部环境又为发挥这种优势提供有利机会时，可以采取该战略。例如良好的产品市场前景、供应商规模扩大和竞争对手有财务危机等外部条件，配以企业市场份额提高等内在优势可成为企业收购竞争对手、扩大生产规模的有利条件。 　　弱点――机会（WO）战略是利用外部机会来弥补内部弱点，使企业改劣势而获取优势的战略。存在外部机会，但由于企业存在一些内部弱点而妨碍其利用机会，可采取措施先克服这些弱点。例如，若企业弱点是原材料供应不足和生产能力不够，从成本角度看，前者会导致开工不足、生产能力闲置、单位成本上升，而加班加点会导致一些附加费用。在产品市场前景看好的前提下，企业可利用供应商扩大规模、新技术设备降价、竞争对手财务危机等机会，实现纵向整合战略，重构企业价值链，以保证原材料供应，同时可考虑购置生产线来克服生产能力不足及设备老化等缺点。通过克服这些弱点，企业可能进一步利用各种外部机会，降低成本，取得成本优势，最终赢得竞争优势。 　　优势――威胁（ST）战略是指企业利用自身优势，回避或减轻外部威胁所造成的影响。如竞争对手利用新技术大幅度降低成本，给企业很大成本压力；同时材料供应紧张，其价格可能上涨；消费者要求大幅度提高产品质量；企业还要支付高额环保成本；等等，这些都会导致企业成本状况进一步恶化，使之在竞争中处于非常不利的地位，但若企业拥有充足的现金、熟练的技术工人和较强的产品开发能力，便可利用这些优势开发新工艺，简化生产工艺过程，提高原材料利用率，从而降低材料消耗和生产成本。另外，开发新技术产品也是企业可选择的战略。新技术、新材料和新工艺的开发与应用是最具潜力的成本降低措施，同时它可提高产品质量，从而回避外部威胁影响。 　　弱点――威胁（WT）战略是一种旨在减少内部弱点，回避外部环境威胁的防御性技术。当企业存在内忧外患时，往往面临生存危机，降低成本也许成为改变劣势的主要措施。当企业成本状况恶化，原材料供应不足，生产能力不够，无法实现规模效益，且设备老化，使企业在成本方面难以有大作为，这时将迫使企业采取目标聚集战略或差异化战略，以回避成本方面的劣势，并回避成本原因带来的威胁。SWOT分析运用于企业成本战略分析可发挥企业优势，利用机会克服弱点，回避风险，获取或维护成本优势，将企业成本控制战略建立在对内外部因素分析及对竞争势态......>> 
  
   问题六：用SPSS做因子分析时，怎样给数据标准化（具体操作步骤）？  我一般都是在excel里对数据进行标准化预处理骸然后拿处理后的数据在spss里做因子分析，虽然麻烦点，但是心里有谱，知道该怎么操作，希望我的经验能帮上你 
  
   问题七：因子载荷矩阵怎么得出？要求用SPSS的具体步骤讲解下，谢谢！  1，打开SPSS数据 2，选择 分析（a） 3,选择“降维 （Date Reduction）”――因子分析（factor）4，将需要因子分析的变量拖入变量框。 5，在抽取 菜单罚 “因子固定个数” （N） 设为 1 5，点击 继续 确定 6， 你将得到公因子方差表 和 因素负荷量 表 
  
   问题八：统计分析中的因子分析(factors),如何确定因子的个数  方差累计贡献率，碎石图，特征根，很多的 
  
   问题九：用SPSS已经做出了因子分析，那么具体的分析结果应该怎么看呢？  KMO检验统计量在0.7以上，说明变量之间的偏相关性较强，适合做因子分析，球形检验p小于0.001，说明变量之间存在相关性。第二格表格为共同性，表示各变量中所含原始信息能被提取的共同因子所表示的程度，根据你的数据，你提取的公因子是两个，第三个表格是指提取的俩个主成分能解福差异的比列，第四个表格是主成分表达式，第五表格是因子得分公式。

6. 因子分析的步骤

问题一：因子分析法的分析步骤  因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。（i）因子分析常常有以下四个基本步骤：⑴确认待分析的原变量是否适合作因子分析。⑵构造因子变量。⑶利用旋转方法使因子变量更具有可解释性。⑷计算因子变量得分。（ii）因子分析的计算过程：⑴将原始数据标准化，以消除变量间在数量级和量纲上的不同。⑵求标准化数据的相关矩阵；⑶求相关矩阵的特征值和特征向量；⑷计算方差贡献率与累积方差贡献率；⑸确定因子：设F1，F2，…， Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；⑹因子旋转：若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。⑺用原指标的线性组合来求各因子得分：采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。⑻综合得分以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。F = (w1F1+w2F2+…+wmFm)/(w1+w2+…+wm )此处wi为旋转前或旋转后因子的方差贡献率。⑼得分排序：利用综合得分可以得到得分名次。在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：・ 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子 *** ，从子 *** 所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。・ 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。・ 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法（如相关分析、逐步回归分析、主成分分析等）研究各个变量之间的相关性，选择最佳的变量子 *** ；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。 
  
   问题二：怎么用SPSS做因子分析具体的步骤是什么由  把需要进行因子分析的变量 全部移入因子分析 对话框，然后选择正交旋转 点确定就好了 
  
   问题三：因子分析可分为哪三个步骤  职务分析是一项技术性很强的工作，需要做周密的准备。同时还需具有与人力资源管理活动相匹配的科学的、合理的操作程序。 (一)准备阶段 1、建立工作分析小组。小组成员通常由分析专家构成。所谓分析专家，是指具有分析专长，并对组织结构及组织内各项工作有明确概念的人员。一旦小组成员确定之后，赋予他们进行分析活动的权限，以保证分析工作的协调和顺利进行。 2、明确工作分析的总目标、总任务。根据总目标、总任务，对企业现状进行初步了解，掌握各种数据和资料。 3、明确工作分析的目的。有了明确的目的，才能正确确定分析的范围、对象和内容，规定分析的方式、方法，并弄清应当收集什么资料，到哪儿去收集，用什么方法去收集。 4、明确分析对象。为保证分析结果的正确性，应该选择有代表性、典型性的工作。 5、建立良好的工作关系。为了搞好工作分析，还应做好员工的心理准备工作，建立起友好的合作关系。 (二)调查阶段 分析人员应制定工作分析的时间计划进度表，以保证这项工作能够按部就班的进行调查。同时搜集有关职位的相关信息。这一阶段包括以下几项内容： 1、选择信息来源。信息主要来源于：工作执行者本人、管理监督者、顾客、分析专家、职业名称辞典以及以往的分析资料。 2、选择收集信息的方法和系统。信息收集的方法和分析信息适用的系统由工作分析人员根据企业的实际需要灵活运用。 3、搜集职位的相关信息 (三)分析阶段 工作分析就是审查、分析企业某个工作有关的信息的过程。也就是说，该阶段包括信息的整理、审查、分析三个相关活动，是整个工作分析过程的主要部分。 1、工作名称　该名称必须明确，使人看到工作名称，就可以大致了解工作内容。如果该工作已完成了工作评价，在工资上已有固定的等级，则名称上可加上等级。 2、聘用人员数目　同一工作所聘用工作人员的数目和性别，应予以记录。 3、工作单位　工作单位是显示工作所在的单位及其上下左右的关系，也就是说明工作的组织位置。 4、职责　所谓职责，就是这项工作的权限和责任有多大，主要包括以下几方面： 5、工作知识　工作知识是为圆满完成某项工作，工作人员应具备的实际知识。这种知识应包括任用后为执行其工作任务所需获得的知识，以及任用前已具备的知识。 6、智力要求　智力要求指在执行过程中所需运用的智力，包括判断、决策、警觉、主动、积极、反应、适应等。 
  
   问题四：用SPSS做因子分析时，怎样给数据标准化（具体操作步骤）？  我一般都是在excel里对数据进行标准化预处理骸然后拿处理后的数据在spss里做因子分析，虽然麻烦点，但是心里有谱，知道该怎么操作，希望我的经验能帮上你 
  
   问题五：验证性因子分析的测试步骤  验证性因子分析往往通过结构方程建模来测试。在实际科研中，验证性因子分析的过程也就是测度模型的检验过程。可以进行测度模型及包括因子之间关系的结构方程建模并拟合的统计软件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL这个软件中有三种编程语言：PRELIS是用来作数据处理或简单运算，比如作一些回归分析、计算一个样本的协方差矩阵；LISREL是一种矩阵编程语言，它用矩阵的方式来定义我们在测度项与构件、构件之间的关系，然后采用一个估计方法 (比如极大似然估计) 进行模型拟合；SIMPLIS是一种简化的结构方程编程语言，适合行为研究者用。一般来讲，研究者需要先通过SIMPLIS建立测度模型，然后进行拟合。根据拟合的结果，测度模型可能需要调整，抛弃质量差的测度项，然后再拟合，直到模型的拟合度可以接受为止。 
  
   问题六：用SPSS已经做出了因子分析，那么具体的分析结果应该怎么看呢？  KMO检验统计量在0.7以上，说明变量之间的偏相关性较强，适合做因子分析，球形检验p小于0.001，说明变量之间存在相关性。第二格表格为共同性，表示各变量中所含原始信息能被提取的共同因子所表示的程度，根据你的数据，你提取的公因子是两个，第三个表格是指提取的俩个主成分能解福差异的比列，第四个表格是主成分表达式，第五表格是因子得分公式。 
  
   问题七：统计分析中的因子分析(factors),如何确定因子的个数  方差累计贡献率，碎石图，特征根，很多的 
  
   问题八：因子分析法如何确定主成分及各个指标的权重？ 5分 在SPSS中，主成分分析是通过设置因子分析中的抽取方法实现的，如果设置的抽取方法是主成分，那么计算的就是主成分得分，另外，因子分析和主成分分析尽管原理不同，但是两者综合得分的计算方法是一致的。 
  确定数据的权重也是进行数据分析的重要前提。可以利用SPSS的因子分析方法来确定权重。主要步骤是： 
  (1)首先将数据标准化，这是考虑到不同数据间的量纲不一致，因而必须要无量纲化。 
  (2)对标准化后的数据进行因子分析(主成分方法)，使用方差最大化旋转。 
  (3)写出主因子得分和每个主因子的方程贡献率。 
  Fj =β1j*X1 +β2j*X2 +β3j*X3 + ……+ βnj*Xn ; Fj 为主成分(j=1、2、……、m)，X1、X2 、X3 、……、Xn 为各个指标，β1j、β2j、β3j、……、βnj为各指标在主成分Fj 中的系数得分，用ej表示Fj的方程贡献率。 
  (4)求出指标权重。 ωi=[(m∑j)βij*ej]/[(n∑i)(m∑j)βij*ej],ωi就是指标Xi的权重。 
  因子分析应用在评价指标权重确定中，通过主成分分析法得到的各指标的公因子方差，其值大小表示该项指标对总体变异的贡献，通过计算各个公因子方差占公因子方差总和的百分数。 
  
   问题九：因子载荷矩阵怎么得出？要求用SPSS的具体步骤讲解下，谢谢！  1，打开SPSS数据 2，选择 分析（a） 3,选择“降维 （Date Reduction）”――因子分析（factor）4，将需要因子分析的变量拖入变量框。 5，在抽取 菜单罚 “因子固定个数” （N） 设为 1 5，点击 继续 确定 6， 你将得到公因子方差表 和 因素负荷量 表 
  
   问题十：spss中如何用因子分析计算各指标的权重？  在表因子变量解释贡献率（Total Variance Explained）中，看各个主因子的方差贡献率（Initial Eigenvalues栏下的% of Variance），例如图中三个主因子对应的权重为52.132、21.017、11.405，测将三个权重进行归一化处理，52.132/(52.132+21.017+11.405)、21.017/(52.132+21.017+11.405)、11.405/(52.132+21.017+11.405)，所得三个数即为主因子权重

7. 因子分析过程的步骤

因子分析过程的步骤如下：
第一步：数据检验。用于因子分析的变量必须是相关的，一般相关矩阵中大部分相关系数小于0.3，就不适合做因子分析了。还可以使用巴特利特球形检验，KMO检验等。
第二步：因子提取。常用主成分法提取，先对数据进行标准化，然后计算出相关系数矩阵及其特征根和特征向量，最后再进行因子提取。提取原则一般是特征根值不小于1，或者选取的主成分的累计变异达到80% 以上（即累计特征根值占总特征根值80%以上）。
第三步：因子命名和解释。常使用因子旋转使得因子的含义更加清楚，旋转的方法有正交旋转和斜交旋转两种。
第四步：计算因子得分。


因子分析：
因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。
因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。

8. 因子分析法的概念

1.主成分分析主成分分析主要是一种探索性的技术，在分析者进行多元数据分析之前，用他来分析数据，让自己对数据有一个大致的了解，这是非常有必要的。主成分分析一般很少单独使用：a、了解数据。（screening the data），b、和cluster analysis（聚类分析）一起使用，c、和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成分对变量简化（reduce dimensionality），d、在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成各变量的线性组合。2、主成分分析的重点在于解释各变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。3、主成分分析中不需要有假设（assumptions），因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这种情况也可以使用因子得分做到。所以这种区分不是绝对的。在算法上，主成分分析和因子分析很类似，不过在因子分析中所采用的协方差矩阵的对角元素不再是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）。2.聚类分析（Cluster Analysis)聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类的分析技术。在市场研究领域，聚类分析主要应用方面是帮助我们寻找目标消费群体，运用这项研究技术，我们可以划分出产品的细分市场，并且可以描述出各细分市场的人群特征，以便于客户可以有针对性的对目标消费群体施加影响，合理地开展工作。3.判别分析（Discriminatory Analysis)判别分析（Discriminatory Analysis）的任务是根据已掌握的1批分类明确的样品，建立较好的判别函数，使产生错判的事例最少，进而对给定的1个新样品，判断它来自哪个总体。根据资料的性质，分为定性资料的判别分析和定量资料的判别分析；采用不同的判别准则，又有费歇、贝叶斯、距离等判别方法。费歇（FISHER）判别思想是投影，使多维问题简化为一维问题来处理。选择一个适当的投影轴，使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是：使每一类内的投影值所形成的类内离差尽可能小，而不同类间的投影值所形成的类间离差尽可能大。贝叶斯（BAYES）判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。所谓先验概率，就是用概率来描述人们事先对所研究的对象的认识的程度；所谓后验概率，就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式，将各样品数据逐一代入计算，得出各样品与各母体之间的距离值，判样品属于距离值最小的那个母体。4.对应分析（Correspondence Analysis)对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。运用这种研究技术，我们可以获取有关消费者对产品品牌定位方面的图形，从而帮助您及时调整营销策略，以便使产品品牌在消费者中能树立起正确的形象。这种研究技术还可以用于检验广告或市场推广活动的效果，我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。5.典型相关分析典型相关分析是分析两组随机变量间线性密切程度的统计方法，是两变量间线性相关分析的拓广。各组随机变量中既可有定量随机变量，也可有定性随机变量（分析时须F6说明为定性变量）。本法还可以用于分析高维列联表各边际变量的线性关系。注意1．严格地说，一个典型相关系数描述的只是一对典型变量之间的相关，而不是两个变量组之间的相关。而各对典型变量之间构成的多维典型相关才共同揭示了两个观测变量组之间的相关形式。2．典型相关模型的基本假设和数据要求要求两组变量之间为线性关系，即每对典型变量之间为线性关系；每个典型变量与本组所有观测变量的关系也是线性关系。如果不是线性关系，可先线性化：如经济水平和收入水平与其他一些社会发展水之间并不是线性关系，可先取对数。即log经济水平，log收入水平。3．典型相关模型的基本假设和数据要求所有观测变量为定量数据。同时也可将定性数据按照一定形式设为虚拟变量后，再放入典型相关模型中进行分析。6.多维尺度分析（Multi-dimension Analysis)多维尺度分析（Multi-dimension Analysis) 是市场研究的一种有力手段，它可以通过低维空间（通常是二维空间）展示多个研究对象（比如品牌）之间的联系，利用平面距离来反映研究对象之间的相似程度。由于多维尺度分析法通常是基于研究对象之间的相似性（距离）的，只要获得了两个研究对象之间的距离矩阵，我们就可以通过相应统计软件做出他们的相似性知觉图。在实际应用中，距离矩阵的获得主要有两种方法：一种是采用直接的相似性评价，先将所有评价对象进行两两组合，然后要求被访者所有的这些组合间进行直接相似性评价，这种方法我们称之为直接评价法；另一种为间接评价法，由研究人员根据事先经验，找出影响人们评价研究对象相似性的主要属性，然后对每个研究对象，让被访者对这些属性进行逐一评价，最后将所有属性作为多维空间的坐标，通过距离变换计算对象之间的距离。多维尺度分析的主要思路是利用对被访者对研究对象的分组，来反映被访者对研究对象相似性的感知，这种方法具有一定直观合理性。同时该方法实施方便，调查中被访者负担较小，很容易得到理解接受。当然，该方法的不足之处是牺牲了个体距离矩阵，由于每个被访者个体的距离矩阵只包含1与0两种取值，相对较为粗糙，个体距离矩阵的分析显得比较勉强。但这一点是完全可以接受的，因为对大多数研究而言，我们并不需要知道每一个体的空间知觉图。多元统计分析是统计学中内容十分丰富、应用范围极为广泛的一个分支。在自然科学和社会科学的许多学科中，研究者都有可能需要分析处理有多个变量的数据的问题。能否从表面上看起来杂乱无章的数据中发现和提炼出规律性的结论，不仅对所研究的专业领域要有很好的训练，而且要掌握必要的统计分析工具。对实际领域中的研究者和高等院校的研究生来说，要学习掌握多元统计分析的各种模型和方法，手头有一本好的、有长久价值的参考书是非常必要的。这样一本书应该满足以下条件：首先，它应该是“浅入深出”的，也就是说，既可供初学者入门，又能使有较深基础的人受益。其次，它应该是既侧重于应用，又兼顾必要的推理论证，使学习者既能学到“如何”做，而且在一定程度上了解“为什么”这样做。最后，它应该是内涵丰富、全面的，不仅要基本包括各种在实际中常用的多元统计分析方法，而且还要对现代统计学的最新思想和进展有所介绍、交代。主成分分析通过线性组合将原变量综合成几个主成分，用较少的综合指标来代替原来较多的指标（变量）。在多变量分析中，某些变量间往往存在相关性。是什么原因使变量间有关联呢？是否存在不能直接观测到的、但影响可观测变量变化的公共因子？因子分析法（Factor Analysis）就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。例如，随着年龄的增长，儿童的身高、体重会随着变化，具有一定的相关性，身高和体重之间为何会有相关性呢？因为存在着一个同时支配或影响着身高与体重的生长因子。那么，我们能否通过对多个变量的相关系数矩阵的研究，找出同时影响或支配所有变量的共性因子呢？因子分析就是从大量的数据中“由表及里”、“去粗取精”，寻找影响或支配变量的多变量统计方法。可以说，因子分析是主成分分析的推广，也是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。因子分析主要用于：1、减少分析变量个数；2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。