因子分析的因子应用

1. 因子分析的因子应用

在市场调研中，研究人员关心的是一些研究指标的集成或者组合，这些概念通常是通过等级评分问题来测量的，如利用李克特量表取得的变量。每一个指标的集合（或一组相关联的指标）就是一个因子，指标概念等级得分就是因子得分。因子分析在市场调研中有着广泛的应用，主要包括：（1）消费者习惯和态度研究（U&A）（2） 品牌形象和特性研究（3）服务质量调查（4） 个性测试（5）形象调查（6） 市场划分识别（7）顾客、产品和行为分类在实际应用中，通过因子得分可以得出不同因子的重要性指标，而管理者则可根据这些指标的重要性来决定首先要解决的市场问题或产品问题。

2. 什么是因子分析因子分析的应用

　　因子分析是指研究从变量群中提取共性因子的统计技术。那么你对因子分析了解多少呢?以下是由我整理关于什么是因子分析的内容，希望大家喜欢!
   
      
       　　因子分析的简介   
    　　因子分析的  方法  约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，采用不同的共同性□2估值。在社会学研究中，因子分析常采用以主成分分析为基础的反覆法。
   
    　　主成分分析为基础的反覆法　主成分分析的目的与因子分析不同，它不是抽取变量群中的共性因子，而是将变量□1，□2，…,□□进行线性组合，成为互为正交的新变量□1，□2，…,□□，以确保新变量具有最大的方差：
   
    　　在求解中，正如因子分析一样,要用到相关系数矩阵或协方差矩阵。其特征值□1，□2，…，□□,正是□1，□2,…，□□的方差，对应的标准化特征向量，正是方程中的系数□，□，…，□。如果□1>□2,…，□□，则对应的□1，□2，…，□□分别称作第一主成分,第二主成分，……,直至第□主成分。如果信息无需保留100%，则可依次保留一部分主成分□1，□2，…，□□(□<□)。
   
    　　当根据主成分分析，决定保留□个主成分之后，接着求□个特征向量的行平方和，作为共同性□：
   
    　　□并将此值代替相关数矩阵对角线之值，形成约相关矩阵。根据约相关系数矩阵，可进一步通过反复求特征值和特征向量方法确定因子数目和因子的系数。
   
    　　因子旋转为了确定因子的实际内容,还须进一步旋转因子，使每一个变量尽量只负荷于一个因子之上。这就是简单的结构准则。常用的旋转有直角旋转法和斜角旋转法。作直角旋转时，各因素仍保持相对独立。在作斜角旋转时，允许因素间存在一定关系。
   
    　　Q型因子分析 上述从变量群中提取共性因子的方法，又称R型因子分析和R型主要成分分析。但如果研究个案群的共性因子，则称Q型因子分析和Q型主成分分析。这时只须把调查的□个方案，当作□个变量，其分析方法与R型因子分析完全相同。
   
    　　因子分析是社会研究的一种有力工具，但不能肯定地说一项研究中含有几个因子，当研究中选择的变量变化时，因子的数量也要变化。此外对每个因子实际含意的解释也不是绝对的。
       　　因子分析的应用   
    　　在市场调研中，研究人员关心的是一些研究指标的集成或者组合，这些概念通常是通过等级评分问题来测量的，如利用李克特量表取得的变量。每一个指标的集合(或一组相关联的指标)就是一个因子，指标概念等级得分就是因子得分。
   
    　　因子分析在市场调研中有着广泛的应用，主要包括：
   
    　　(1)消费者习惯和态度研究(U&A)
   
    　　(2) 品牌形象和特性研究
   
    　　(3)服务质量调查
   
    　　(4) 个性测试
   
    　　(5)形象调查
   
    　　(6) 市场划分识别
   
    　　(7)顾客、产品和行为分类
   
    　　在实际应用中，通过因子得分可以得出不同因子的重要性指标，而管理者则可根据这些指标的重要性来决定首先要解决的市场问题或产品问题。
       　　因子分析的描述   
    　　验证性因子分析的强项正是在于它允许研究者明确描述一个理论模型中的细节。那么一个研究者想描述什么呢?我们曾经提到因为测量误差的存在，研究者需要使用多个测度项。当使用多个测度项之后，我们就有测度项的“质量”问题，即有效性检验。而有效性检验就是要看一个测度项是否与其所设计的因子有显著的载荷，并与其不相干的因子没有显著的载荷。当然，我们可能进一步检验一个测度项工具中是否存在单一方法偏差，一些测度项之间是否存在“子因子”。这些测试都要求研究者明确描述测度项、因子、残差之间的关系。对这种关系的描述又叫测度模型 (measurement model)。对测度模型的质量检验是假设检验之前的必要步骤。

3. 因子分析方法

因子分析是一种多变量化简技术，目的是分解原始变量，从中归纳出潜在的“类别”，相关性较强的指标归为一类，不同类间变量的相关性较低，每一类变量代表了一个“共同因子”，即一种内在结构，因子分析就是要寻找该结构。其分析方法有很多种，最常用的有两种：一是主成分分析方法；另外一种是一般因子分析法。通常所说的因子分析指的就是一般因子分析法，它通过原始变量的方差去构造因子，一般情况下，因子的数量总是要少于变量的数量。所以对于一般因子分析而言，如何正确解释因子将会比主成分分析更困难。
因子分析一般可以分成四步：
考察变量之间的相关性，判断是否要进行因子分析；
进行分析，按一定的标准确定提取的因子数目，一般要求特征值大于1；
考察因子的可解释性，并在必要时进行因子旋转，以寻求最佳解释方式；
计算出因子得分等中间指标，供进一步分析使用。
利用因子分析，可以把搜集到的比较杂乱的原始数据进行压缩，找出最重要的因子，并对其按照成因归类、整理，从中找出几条主线，帮助分析充满度的主要控制因素。
本研究中共统计岩性圈闭354个，参与统计分析和计算的圈闭有249个。由于其中的落空圈闭无法参与因子分析及充满度预测模型的建立，因此实际参与分析和预测的岩性油气藏为222个。初步地质分析后，选取平均孔隙度，%；平均渗透率，10-3μm2；排烃强度，104t/km2；与排烃中心的平面距离，km；与排烃中心的垂直距离，m；地层压力系数；砂体厚度，m；砂体面积，km2；有机质丰度，%；围岩厚度，m；平均埋深，m；共11个地质参数进行因子分析。
本研究按不同的成藏体系进行，建立其充满度预测模型并进行回代验证。同一成藏体系内的岩性油气藏的生、储、盖、圈、运、保等成藏条件相互影响、相互制约，关系密切，将同一成藏体系中的岩性油气藏又分别划分为构造－岩性、透镜体油气藏进行预测。

4. 因子分析方法

问题一：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 
  
   问题二：主成分分析和因子分析有什么区别？  因子分析与主成分分析的异同点: 
  都对原始数据进行标准化处理; 都消除了原始指标的相关性对综合评价所造成的信息重复的影响; 构造综合评价时所涉及的权数具有客观性; 在信息损失不大的前提下，减少了评价工作量 
  公共因子比主成分更容易被解释; 因子分析的评价结果没有主成分分析准确; 因子分析比主成分分析的计算工作量大 
  主成分分析仅仅是变量变换，而因子分析需要构造因子模型。 
  主成分分析:原始变量的线性组合表示新的综合变量，即主成分； 
  因子分析：潜在的假想变量和随机影响变量的线性组合表示原始变量。 
  
   问题三：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。 
  
   问题四：因子分析到底有什么用处？  问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：传统上所谈的因素分析）factor *** ysis)指的是探索性因素分析）exploratory factor *** ysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor *** ysis，EFA)及验证性因素分析）confirmatory factor *** ysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解......>> 
  
   问题五：因子分析法是什么？  因子分析 
  1输入数据。 
  2点Analyze 下拉菜单，选Data Reduction 下的Factor 。 
  3打开Factor Analysis后,将数据变量逐个选中进入Variables 对话框中。 
  4单击主对话框中的Descriptive按扭，打开Factor Analysis: Descriptives子对话框，在Statistics栏中选择Univariate Descriptives项要求输出个变量的均值与标准差，在Correlation Matrix 栏内选择Coefficients项，要求计算相关系数矩阵，单击Continue按钮返回Factor Analysis主对话框。 
  5单击主对话框中的Extraction 按钮，打开如下图所示的Factor Analysis: Extraction 子对话框。在Method列表中选择默认因子抽取方法――Principal ponents，在Analyze 栏中选择默认的Correlation Matrix 项要求从相关系数矩阵出发求解主成分，在Exact 栏中选择Number of Factors;6， 要求显示所有主成分的得分和所能解释的方差。单击Continue按钮返回Factor Analysis主对话框。 
  6单击主对话框中的OK 按钮，输出结果。 
  统计专业研究生工作室原创，请勿复杂粘贴 
  
   问题六：怎么判断样本能不能因子分析？  基本指标层面的因子分析检验 
  在对数据进行因子分析前首先要对其进行检验，来判断是否适合做因子分析，检验所采用的方法为巴特利特球度检验(BartlettTestofSphericity)和KMO(Kaiser-Meyer-Olkin)检验。 
  巴特利特球度检(BartlettTestofSphericity)是假设相关系数矩阵是一个单位阵，如果统计量值比较大，且其相对应的相伴概率值小于用户指定的显著性水平，拒绝原假设，认为适合作因子分析。反之，接受原假设，不适合作因子分析。 
  
   问题七：因子分析法和数据包络分析法 有何区别？ 100分 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。 
  数据包络分析方法(DataEnvelopmentAnalysis,DEA)是运筹学、管理科学与数理经济学交叉研究的一个新领域。它是根据多项投入指标和多项产出指标,利用线性规划的方法，对具有可比性的同类型单位进行相对有效性评价的一种数量分析方法。DEA方法及其模型自1978年由美国著名运筹学家A.Charnes和W.W.Cooper提出以来，已广泛应用于不同行业及部门，并且在处理多指标投入和多指标产出方面，体现了其得天独厚的优势。 
  
   问题八：因子分析法的优缺点  ・ 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，认供系统的内核。 ・ 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。 
  
   问题九：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。 
  
   问题十：什么是因子分析，该方法可以解决哪些问题  可以将变量或指标划分为若干维度，以便进一步做更高级的统计分析。南心网SPSS。

5. 16种常用的数据分析方法-因子分析

 
                                           
     
   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。 
     
   是一种旨在寻找隐藏在多变量数据中、无法直接观察到却影响或支配可测变量的潜在因子、并估计潜在因子对可测变量的影响程度以及潜在因子之间的相关性的一种多元统计分析方法
     
     
     
    基本思想 
     
   根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构一即公共因子。
     
     
     
    为什么做因子分析 
     
   举例说明：在实际门店问题中，往往我们会选择潜力最大的门店作为领航店，以此为样板，实现业绩和利润的突破及未来新店的标杆。选择领航店过程中我们要注重很多因素，比如：
     
   ↘所在小区的房价
   ↘总面积
   ↘户主年龄分布
   ↘小区户数
   ↘门店面积
   ↘2公里范围内竞争门店数量等
     
   收集到所有的这些数据虽然能够全面、精准的确定领航店的入选标准，但实际建模时这些变量未必能够发挥出预期的作用。主要体现两方面：计算量的问题；变量间的相关性问题。
     
   这时，最简单直接的方案就是削减变量个数，确定主要变量，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少数的综合指标。
     
     
     
    因子分析特点 
     
   因子个数远小于变量个数；
     
   能够反应原变量的绝大数信息；
     
   因子之间的线性关系不显著；
     
   因子具有命名解释性
     
     
     
    因子分析步骤 
     
   1.原有变量是否能够进行因子分析；
   
   2.提取因子；
     
   3.因子的命名解释；
     
   4.计算因子得分；五、综合评价
     
     
     
    因子与主成分分析的区别 
     
   相同：都能够起到处理多个原始变量内在结构关系的作用
     
   不同：主成分分析重在综合原始变适的信息.而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法
     
   因子分析可以看做是优化后的主成分分析，两种方法有很多共通的地方，但应用方面各有侧重。
     
     
     
    因子分析应用场景 
     
     
   因子分析方法主要用于三种场景，分别是：  
     
   l 信息浓缩 ：将多个分析项浓缩成几个关键概括性指标。比如将多个问卷题浓缩成几个指标。如果偏重信息浓缩且关注指标与分析项对应关系，使用因子分析更为适合。
     
   l 权重计算 ：利用方差解释率值计算各概括性指标的权重。在信息浓缩的基础上，可进一步计算每个主成分/因子的权重，构建指标权重体系。
     
   l 综合竞争力 ：利用成分得分和方差解释率这两项指标，计算得到综合得分，用于综合竞争力对比（综合得分值越高意味着竞争力越强）。此类应用常见于经济、管理类研究，比如上市公司的竞争实力对比。
     
     
     
    因子分析案例 
     
   现在有 12 个地区的 5 个经济指标调查数据（总人口、学校校龄、总雇员、专业服务、中等房价），为对这 12 个地区进行综合评价，请确定出这 12 个地区的综合评价指标。（ 综合竞争力应用场景 ）
     同一指标在不同地区是不同的，用单一某一个指标难以对12个地区进行准确的评价，单一指标只能反映地区的某一方面。所以，有必要确定综合评价指标，便于对比。因子分析方法就可以应用在这个案例中。
     
   5 个指标即为我们分析的对象，我们希望从这5个可观测指标中寻找出潜在的因素，用这些具有综合信息的因素对各地区进行评价。
     
   下图spss因子分析的操作界面主要包括5方面的选项，变量区只能选择数值型变量，分类型变量不能进入该模型。
     
   spss软件为了消除不同变量间量纲和数量级对结果的影响，在该过程中默认自动进行标准化处理，因此不需要对这些变量提前进行标准化处理。
    
   
                                           
     
     
    描述统计选项卡 
     
   希望看到各变量的描述统计信息，要对比因子提取前后的方差变化，选定“单变量描述性”和“原始分析结果”；
     
   现在是基于相关矩阵提取因子，所以，选定相关矩阵的“系数和显著性水平“，
     
   另外，比较重要的还有 KMO 和球形检验，通过KMO值，我们可以初步判断该数据集是否适合采用因子分析方法，kmo结果有时并不会出现，这主要与变量个数和样本量大小有关。
    
   
                                           
    
     
     
    抽取选项卡:在该选项卡中设置如何提取因子 
     
   提取因子的方法有很多，最常用的就是主成分法。
     
   因为参与分析的变量测度单位不同，所以选择“相关矩阵”，如果参与分析的变量测度单位相同，则考虑选用协方差矩阵。
     
   经常用到碎石图对于判断因子的个数很有帮助，一般都会选择该项。关于特征值，一般spss默认只提取特征值大于1的因子。收敛次数比较重要，可以从首次结果反馈的信息进行调整。
    
   
                                           
    
     
    因子旋转选项卡 
     
   因子分析要求对因子给予命名和解释，是否对因子旋转取决于因子的解释。
     
   旋转就是坐标变换，使得因子系数向1 和 0 靠近，对公因子的命名和解释更加容易。旋转方法一般采用”最大方差法“即可，输出旋转后的因子矩阵和载荷图，对于结果的解释非常有帮助。
     
   如果不经旋转因子已经很好解释，那么没有必要旋转，否则，应该旋转。
    
   
                                           
    
     
    保存因子得分 
     
   要计算因子得分就要先写出因子的表达式。因子是不能直接观察到的，是潜在的。但是可以通过可观测到的变量获得。
     
   因子分析模型是原始变量为因子的线性组合，现在我们可以根据回归的方法将模型倒过来，用原始变量也就是参与分析的变量来表示因子。从而得到因子得分。因子得分作为变量保存，对于以后深入分析很有用处。
    
   
                                           
     
     
     
    结果解读：验证数据是否适合做因子分析 
     
   参考kmo结果，一般认为大于0.5，即可接受。同时还可以参考相关系数，一般认为分析变量的相关系数多数大于 0.3，则适合做因子分析；
     
   KMO=0.575 检验来看，不是特别适合因子分析，基本可以通过。
     
    
   
                                           
    
     
     
    结果解读：因子方差表 
     
   提取因子后因子方差的值均很高，表明提取的因子能很好的描述这 5 个指标。
     
   方差分解表表明，默认提取的前两个因子能够解释 5 个指标的 93.4%。碎石图表明，从第三个因子开始，特征值差异很小。综上，提取前两个因子。
     
    
   
                                           
    
    
   
                                           
    
     
     
    结果解读：因子矩阵 
     
   旋转因子矩阵可以看出，经旋转后，因子便于命名和解释。
     
   因子 1主要解释的是中等房价、专业服务项目、中等校平均校龄，可以命名为社会福利因子；
     
   因子 2 主要解释的是其余两个指标，总人口和总雇员。可以命名为人口因子。
     
   因子分析要求最后得到的因子之间相互独立，没有相关性，而因子转换矩阵显示，两个因子相关性较低。可见，对因子进行旋转是完全有必要的。
     
    
   
                                                                                   
     
     
    结果解读：因子系数 
     
   因子得分就是根据这个系数和标准化后的分析变量得到的。在数据视图中可以看到因子得分变量。
     
     
    结论 
     
   经过因子分析实现了目的，找到了两个综合评价指标，人口因子和福利因子。
     
   从原来的 5 个指标挖掘出 2 个潜在的综合因子。可以对12 个地区给出客观评价。
    
   
                                           
    
   
                                           
    
   可以根据因子1或因子2得分，对这12个地区进行从大到小排序，得分高者被认为在这个维度上有较好表现。
     
     

6. 探索性因子分析法的运用

1、顾客满意度调查。2、服务质量调查。3、个性测试。4、形象调查。5、市场划分识别。6、顾客、产品及行为分类。

7. 阐述因子分析的基本原理,及两种分析方法的本质区别

亲亲您好，1.因子分析法基本原理在对某一个问题进行论证分析时，采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而，这种方法不仅需要巨大的工作量，并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。这样我们就可以对原始的数据进行分类归并，将相关比较密切的变量分别归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。【摘要】
阐述因子分析的基本原理,及两种分析方法的本质区别【提问】
亲亲您好，1.因子分析法基本原理在对某一个问题进行论证分析时，采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而，这种方法不仅需要巨大的工作量，并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。这样我们就可以对原始的数据进行分类归并，将相关比较密切的变量分别归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。【回答】

8. 因子分析的分析描述

验证性因子分析(confirmatory factor analysis) 的强项正是在于它允许研究者明确描述一个理论模型中的细节。那么一个研究者想描述什么呢？我们曾经提到因为测量误差的存在，研究者需要使用多个测度项。当使用多个测度项之后，我们就有测度项的“质量”问题，即有效性检验。而有效性检验就是要看一个测度项是否与其所设计的因子有显著的载荷，并与其不相干的因子没有显著的载荷。当然，我们可能进一步检验一个测度项工具中是否存在单一方法偏差，一些测度项之间是否存在“子因子”。这些测试都要求研究者明确描述测度项、因子、残差之间的关系。对这种关系的描述又叫测度模型 (measurement model)。对测度模型的质量检验是假设检验之前的必要步骤。验证性因子分析往往用极大似然估计法求解。它往往与结构方程的方法连用。具体的使用过程与原理可以参看扩展阅读中的《社会调查研究方法》。