当前位置:   article > 正文

SPSS数据分析 因子分析的步骤,包括碎石图的制作。

碎石图

因子分析的基本步骤

  • (1)判断因子分析的前提条件是否满足

    • 通常有以下几种方法:
    • 计算原有变量的相关系数矩阵
      • 一般小于0.3就不适合作因子分析
    • 计算反映像相关矩阵
    • 巴特利特球度检验
      • “近似卡方”分布统计量的观测值,对应的概率P值小于给定的显著性水平α,则拒绝原假设原有变量,适合作因子分析;反之,不拒绝原假设,不适合作因子分析。
    • KMO检验
      • 比较变量间简单相关系数和偏相关系数的指标;
      • KMO值越接近1,变量间相关性越强,原有变量越适合作因子分析;
      • KMO值越接近0,变量间相关性越弱,原有变量越不适合作因子分析;
      • KMO值在0.9以上表示非常适合作因子分析,0.8表示适合,0.7表示一般,0.6表示不适合,0.5以下表示极不适合。
  • (2)因子提取(构造因子变量)和因子载荷矩阵的求解

    • 因子分析的关键是根据样本数据求解因子载荷矩阵。因子载荷矩阵的求解方法有:基于主成分模型的主成分分析法、基于因子分析模型的主轴因子法,等等。
    • 使用最广泛的是主成分分析法
    • 主成分法的主要问题是确定因子变量个数
      • 通常有两个标准,来确定k个因子变量
      • 根据特征值λi确定因子数:取特征值大于1的特征根
      • 根据累计贡献率:通常选取方差累计贡献率大于0.85的特征值个数为因子个数k。
      • 因子分析的碎石图:确定因子变量的个数。横坐标为特征值编号,纵坐标为各特征值。第1个特征值较大,像陡峭的山坡;第二个特征值次之;第三个以后的特征值都很小,好像是高山脚下的碎石。

  • (3)使因子具有命名解释性(利用旋转方法使因子变量具有可解释性)

    • 发现:aij的绝对值可能在某一行的多个列上都有较大的取值(通常大于0.5),或aij的绝对值可能在某一列的许多行上都有较大的取值。
    • 表明:某个原有变量xi可能同时与多个因子都有比较大的相关关系,也就是说,某个原有变量xi的信息需要由若干个因子变量来共同解释;同时,虽然一个因子变量可能能够解释许多变量的信息,但它却只能解释某个变量的一少部分信息,不是任何一个变量的典型代表。
    • 结论:因子变量的实际含义不清楚。
    • 为了解决因子的实际含义模糊不清的情况,通过因子旋转使:
      • 每个变量在尽可能少的因子上有比较高的载荷,即:在立项状态下,让某个变量在某个因子的载荷趋于1,而在其他因子上的载荷趋于0.
    • 这样:一个因子变量就能够成为某个变量的典型代表,它的实际含义也就清楚了。
    • 因子旋转的目的是通过改变坐标轴的位置,重新分配各个因子所解释的方差比例,使因子结构更简单。
    • 因子旋转不改变模型对数据的拟合程度,不改变每个变量的方差共同度。

  • (4)计算各观测(样本)的因子变量得分。

    • 因子得分是因子变量构造的最终体现,应给出因子对应每个样本上的值。
    • 基本思想:是将因子表示为原有变量的线性组合,即通过因子得分函数计算因子得分
    • 某样本的因子得分可看作各观测变量值的加权平均,权数的大小表示了变量对因子的重要程度。

 

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/代码探险家/article/detail/754338
推荐阅读
相关标签
  

闽ICP备14008679号