什么数据适合因子分析？

1. 什么数据适合因子分析？

定量数据适合因子分析。把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析。
因子分析法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。

处理因子分析的方法
提取因子的个数是一个综合选择的过程。默认是按特征根大于1作为因子提取的标准。
特征根不是唯一的判断标准。除此特征根，还可以通过累积方差贡献率、碎石图等指标综合判断。如果分析前已经有了预期的维度划分，也可以在分析时主动设定提取因子个数，再根据上面的指标进行调整。
因子与对应项关系不一致，一般有三种情况：第一种是一个分析项对应着多个因子；导致题项无法归类；第二种是题项与对应因子的关系出现严重偏差；第三种是题项在各个因子下的载荷系数值或共同度都非常低。

2. 数据分析之因子分析

系统聚类分析可以对变量进行分类，但是难以判断变量分类结果的合理性。另外，如果要衡量每个变量对类别的贡献，也难以通过聚类分析来实现。这个时候就要采用因子分析来实现了。因子分析就是找出隐藏在变量背后具有共性的因子。
                                          
 因子分析是通过研究变量间的相关系数矩阵，把这些变量间错综复杂的关系归结成少数几个综合因子，并据此对变量进行分类的一种统计分析方法。由于归结出的因子个数少于原始变量的个数，但是它们又包含原始变量的信息，所以，这一分析过程也称为降维。
  
 因子分析的主要目的有以下三个：
  
 （1）探索结构：在变量之间存在高度相关性的时候我们希望用较少的因子来概括其信息；
  
 （2）简化数据：把原始变量转化为因子得分后，使用因子得分进行其他分析，比如聚类分析、回归分析等；
  
 （3）综合评价：通过每个因子得分计算出综合得分，对分析对象进行综合评价。
  
 因子分析就是将原始变量转变为新的因子，这些因子之间的相关性较低，而因子内部的变量相关程度较高。
  
 为了更好的了解因子分析，需要了解以下：
  
 （1）因子载荷
  
 因子载荷就是每个原始变量和每个因子之间的相关系数，它反映了变量对因子的重要性。通过因子载荷值的高低，我们能知道变量在对应因子中的重要性大小，这样能够帮助我们发现因子的实际含义，有利于因子的命名。当有多个因子的时候，因子载荷将构成一个矩阵，称为因子载荷矩阵。
  
 （2）变量共同度
  
 变量共同度就是每个变量所包含的信息能够被因子所解释的程度，其取值范围介于0和1之间，取值越大，说明该变量能被因子解释的程度越高。
  
 （3）因子旋转
  
 因子分析的结果需要每个因子都要有实际意义，有时，原始变量和因子之间的相关系数可能无法明显地表达出因子的含义，为了使这些相关系数更加显著，可以对因子载荷矩阵进行旋转，使原始变量和因子之间的关系更为突出，从而对因子的解释更加容易。
  
 旋转方法一般采用最大方差法，该方法能够使每个变量尽可能在一个因子上有较高载荷，在其余的因子上载荷较小，从而方便对因子进行解释。
  
 （4）因子得分
  
 因子得分可以用来评价每个个案在每个因子上的分值，该分值包含了原始变量的信息，可以用于代替原始变量进行其他统计分析，比如回归分析，可以考虑将因子得分作为自变量，与对应的因变量进行回归。
  
 原始变量的数值是可以直接观测到的，而因子得分只能通过原始变量和因子之间的关系计算得到，并且因子得分是经过标准化之后的数值，各个因子得分之间不受量纲的影响。
  
 （1）判断数据是否适合因子分析；
  
          因子分析的变量要求是连续变量，分类变量不适合直接进行因子分析；建议个案个数是变量个数的5倍以上，这只是一个参考依据，并不是绝对的标准；KMO检验统计量在0.5以下，不适合因子分析，在0.7以上时，数据较适合因子分析，在0.8以上时，说明数据极其适合因子分析。
  
 （2）构造因子变量；
  
 （3）利用因子旋转方法使得因子更具有实际意义；
  
 （4）计算每个个案因子得分；
  
 （1）初始特征值大于1的因子个数；
  
 （2）累积方差贡献率达到一定水平（60%）的因子个数；
  
 （3）碎石图中处于较陡峭曲线上所对应的因子个数；
  
 （4）依据对研究事物的理解而指定因子个数；

3. 请问 做相关分析前，一定要做因子分析吗？因子分析的目的是什么？ 谢谢！

主成分分析和因子分析的区别 :jok:
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 
个变量的线性组合。 
2，主成分分析的重点在于解释个变量的总方差，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，的主成分 
一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。 
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，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 
总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前 
，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。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份发对变量简化。（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 
。 
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 
对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的

4. 因子分析适合哪些问题的分析

因子分析适合问题的分析如下：

因子分析可以做经济效益的评价，指标有百元固定资产原值实现产值、利税、总产值实现利税、销售收入实现利税。
把很多指标综合成较少因子，既有利于对问题进行分析和解释，又能便于抓住主要矛盾做出科学评价。
因子分析的形成和发展有相当长的历史，早期由于计算量大，又缺少高速计算机的设备，使因子分析的使用和发展受到了很大限制。后来由于计算机的高速发展，使得因子分析的理论研究和计算问题得到了很大的发展，目前广泛应用于经济学、社会学、考古学、生物学、医学、地质学以及体育科学等各个领域。
因子分析法是一种多元统计的方法，其基本思想是通过各变量之间的相关系数矩阵的内部结构的研究，给出少数几个能表示所有显在变量的隐性因素，并描述给变量之间的关系，而这几个少数的变量是不能直接观察到的，通常被称为因子。

进而依据各变量相关性大小把变量进行分组，使得在同一个组内的变量的相关性较高，而不同组之间的变量的相关性较低。因子分析可以消除指标间的高相关性，也就是指标的重复现象，通过现象抽出事物的本质属性。

5. 为什么要进行因子分析

问题一：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了 
  
   问题二：在因子分析中，为什么要对因子进行旋转  主成分分析不能旋转，因子分析才能。很多论文这个方面都误用了 统计专业，为您服务 
  
   问题三：为什么在做SPSS因子分析时要进行不止一次的因子的抽取  一次抽取过后，不合适的项目要删除。之后要再抽取，再删除项目。这样就多次了。 
  当然，如果数据、结构够好，一次也可以探索成良好结构 
  
   问题四：spss因子分析为什么要对因子进行旋转？  因子旋转是为了更有利于用现实语言来描述所得因子。正常因子分析得出的因子可能逻辑意义不明显，理解起来很困难。但旋转之后就可能得到有逻辑意义的因子。 
  
   问题五：进行因子分析的前提条件是各变量之间应该怎么做  本来想给你截图的，可是传不上来，我就简单说一下哈。 
  首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。 
  通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。 
  点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。 
  点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。 
  旋转里边选最大方差法，输出旋转解。继续。 
  得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。 
  确定。 
  然后就可以分析结果了。 
  先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。 
  如果这两个检验都合格的话，才可以去写因子模型。 
  为了便于描述，假设我们有两个因子f1，f2， 
  旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。 
  因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。 
  根据这个我们就能算出因子得分了。 
  因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量， 
  然后我们不是有一个公式吗 
  总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+... 
  根据这个公式计算一下就可以了。 
  用spss或者Excel都可以。 
  希望能对你有帮助哦。 
  ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。 
  
   问题六：因子分析后得到的几个成分做回归分析，为什么还要考虑多重共线性?  因为他不是用的因子得分，是线性计算的值 
  理论上用因子得分 
  
   问题七：请问 做相关分析前，一定要做因子分析吗？因子分析的目的是什么？ 谢谢！  主成分分析和因子分析的区别 :jok: 
  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 
  个变量的线性组合。 
  2，主成分分析的重点在于解释个变量的总方差，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，的主成分 
  一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。 
  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，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 
  总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前 
  ，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分 
  析一般很少单独使用：a，了解数据。(screening the data),b,和cluster *** ysis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份发对变量简化。（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 
  。 
  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 
  对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的 
  
   问题八：用SPSS作因子分析，数据为什么要标准化  不标准化 可能会由于不同列的数据本身的大小差异影响结果 
  比如一列重量数据的范围可能都是几g，数据都是个位数，然后一列数据的计量单位是m，但实际值都是0.0001起的，因为主成份分析时，只考虑数据，未把计量单位考虑进去，这样两列数据的大小差异很大，会影响结果，因此对数据进行一定的标准化处理，使所有列的数据范围都在正负1之间，这样可以避免数据差异的影响 
  
   问题九：实证一定要进行因子分析吗  实证是相对于理论而言的，凡是涉及到数据和统计分析的，都可以叫实证，而因子分析只是众多统计分析方法中的一个而已，自然就不是必须的了。（南心网SPSS实证分析） 
  
   问题十：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了

6. 什么是因子分析？

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。
共同度是指一个测验条目在所有因子上的因子载荷平方和，它代表了所有因子合起来对该条目的变异解释量，因子是用来代替繁多的条目的简化测量指标，那么共同度高即代表某个条目与其他条目相关性高，而共同度低则表明该条目与其他条目共通性很低，也就是说这个条目的独特性很强。

扩展资料：
主因子的权重就是其方差贡献率占这7个主因子的累计贡献率
各原始变量的权重是，先根据SPSS算出的L载荷矩阵，除以对应的特征根值，算出A矩阵。再用A矩阵中的x系数除以对应x的标准差，算出的是各个原始变量的系数。各个系数占所有系数之和的比例就是权重。
因子分析法确定指标权重
权重体系构建常见于企业财务竞争力体系，绩效权重体系或者管理者领导力权重体系模型等。
常用的权重研究分析方法中，AHP层次分析法，熵值法，组合赋值法均无法直接使用SPSS软件进行计算，因此在SPSS上利用因子分析法进行计算权重是一种常规做法。
参考资料来源：百度百科——因子分析

7. 为什么要进行因子分析?

问题一：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了 
  
   问题二：在因子分析中，为什么要对因子进行旋转  主成分分析不能旋转，因子分析才能。很多论文这个方面都误用了 统计专业，为您服务 
  
   问题三：为什么在做SPSS因子分析时要进行不止一次的因子的抽取  一次抽取过后，不合适的项目要删除。之后要再抽取，再删除项目。这样就多次了。 
  当然，如果数据、结构够好，一次也可以探索成良好结构 
  
   问题四：spss因子分析为什么要对因子进行旋转？  因子旋转是为了更有利于用现实语言来描述所得因子。正常因子分析得出的因子可能逻辑意义不明显，理解起来很困难。但旋转之后就可能得到有逻辑意义的因子。 
  
   问题五：进行因子分析的前提条件是各变量之间应该怎么做  本来想给你截图的，可是传不上来，我就简单说一下哈。 
  首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。 
  通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。 
  点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。 
  点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。 
  旋转里边选最大方差法，输出旋转解。继续。 
  得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。 
  确定。 
  然后就可以分析结果了。 
  先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。 
  如果这两个检验都合格的话，才可以去写因子模型。 
  为了便于描述，假设我们有两个因子f1，f2， 
  旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。 
  因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。 
  根据这个我们就能算出因子得分了。 
  因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量， 
  然后我们不是有一个公式吗 
  总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+... 
  根据这个公式计算一下就可以了。 
  用spss或者Excel都可以。 
  希望能对你有帮助哦。 
  ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。 
  
   问题六：因子分析后得到的几个成分做回归分析，为什么还要考虑多重共线性?  因为他不是用的因子得分，是线性计算的值 
  理论上用因子得分 
  
   问题七：请问 做相关分析前，一定要做因子分析吗？因子分析的目的是什么？ 谢谢！  主成分分析和因子分析的区别 :jok: 
  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 
  个变量的线性组合。 
  2，主成分分析的重点在于解释个变量的总方差，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，的主成分 
  一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。 
  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，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 
  总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前 
  ，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分 
  析一般很少单独使用：a，了解数据。(screening the data),b,和cluster *** ysis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份发对变量简化。（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 
  。 
  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 
  对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的 
  
   问题八：用SPSS作因子分析，数据为什么要标准化  不标准化 可能会由于不同列的数据本身的大小差异影响结果 
  比如一列重量数据的范围可能都是几g，数据都是个位数，然后一列数据的计量单位是m，但实际值都是0.0001起的，因为主成份分析时，只考虑数据，未把计量单位考虑进去，这样两列数据的大小差异很大，会影响结果，因此对数据进行一定的标准化处理，使所有列的数据范围都在正负1之间，这样可以避免数据差异的影响 
  
   问题九：实证一定要进行因子分析吗  实证是相对于理论而言的，凡是涉及到数据和统计分析的，都可以叫实证，而因子分析只是众多统计分析方法中的一个而已，自然就不是必须的了。（南心网SPSS实证分析） 
  
   问题十：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了

8. 什么叫“因子分析”

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。
共同度是指一个测验条目在所有因子上的因子载荷平方和，它代表了所有因子合起来对该条目的变异解释量，因子是用来代替繁多的条目的简化测量指标，那么共同度高即代表某个条目与其他条目相关性高，而共同度低则表明该条目与其他条目共通性很低，也就是说这个条目的独特性很强。

扩展资料：
主因子的权重就是其方差贡献率占这7个主因子的累计贡献率
各原始变量的权重是，先根据SPSS算出的L载荷矩阵，除以对应的特征根值，算出A矩阵。再用A矩阵中的x系数除以对应x的标准差，算出的是各个原始变量的系数。各个系数占所有系数之和的比例就是权重。
因子分析法确定指标权重
权重体系构建常见于企业财务竞争力体系，绩效权重体系或者管理者领导力权重体系模型等。
常用的权重研究分析方法中，AHP层次分析法，熵值法，组合赋值法均无法直接使用SPSS软件进行计算，因此在SPSS上利用因子分析法进行计算权重是一种常规做法。
参考资料来源：百度百科——因子分析