SPSS因子分析法比較的好.doc

1、實驗課：因子分析實驗?zāi)康睦斫庵鞒煞郑ㄒ蜃樱┓治龅幕驹?，熟悉并掌握SPSS中的主成分（因子）分析方法及其主要應(yīng)用。因子分析一、 基礎(chǔ)理論知識1 概念因子分析 （Factoranalysis）：就是用少數(shù)幾個因子來描述許多指標或因素之間的聯(lián)系，以較少幾個因子來反映原資料的大部分信息的統(tǒng)計學(xué)分析方法。從數(shù)學(xué)角度來看，主成分分析是一種化繁為簡的降維處理技術(shù)。主成分分析 （ Principalcomponentanalysis ）：是因子分析的一個特例，是使用最多的因子提取方法。它通過坐標變換手段，將原有的多個相關(guān)變量，做線性變化，轉(zhuǎn)換為另外一組不相關(guān)的變量。選取前面幾個方差最大的主成分，這樣達到了

2、因子分析較少變量個數(shù)的目的，同時又能與較少的變量反映原有變量的絕大部分的信息。兩者關(guān)系 ：主成分分析（ PCA）和因子分析（ FA）是兩種把變量維數(shù)降低以便于描述、理解和分析的方法，而實際上 主成分分析可以說是因子分析的一個特例 。2 特點（ 1）因子變量的 數(shù)量遠少于原有的指標變量的數(shù)量 ，因而對因子變量的分析能夠減少分析中的工作量。（ 2）因子變量不是對原始變量的取舍，而是根據(jù)原始變量的信息進行重新組構(gòu)，它能夠反映原有變量大部分的信息。（ 3）因子變量之間不存在顯著的線性相關(guān)關(guān)系，對變量的分析比較方便，但原始部分變量之間多存在較顯著的相關(guān)關(guān)系。（ 4）因子變量具有命名解釋 性，即該變量是對

3、某些原始變量信息的綜合和反映。在保證數(shù)據(jù)信息丟失最少的原則下，對高維變量空間進行降維處理（即通過因子分析或主成分分析）。顯然，在一個低維空間解釋系統(tǒng)要比在高維系統(tǒng)容易的多。3 類型根據(jù)研究對象的不同，把因子分析分為 R型和 Q型兩種 。當研究對象是變量時，屬于R 型因子分析；當研究對象是樣品時，屬于Q 型因子分析。但有的因子分析方法兼有R型和 Q型因子分析的一些特點，如因子分析中的對應(yīng)分析方法，有的學(xué)者稱之為雙重型因子分析，以示與其他兩類的區(qū)別。4 分析原理假定：有 n 個地理樣本，每個樣本共有p 個變量，構(gòu)成一個n p 階的地理數(shù)據(jù)矩陣 :當 p 較大時，在 p 維空間中考察問題比較麻煩。這

4、就需要進行降維處理，即用較少幾個綜合指標代替原來指標，而且使這些綜合指標既能盡量多地反映原來指標所反映的信息，同時它們之間又是彼此獨立的。線性組合： 記 x1， x2， xP 為原變量指標 ，z1 ，z2 ， zm（mp）為新變量指標 （主成分），則其線性組合為:Lij是原變量在各主成分上的載荷無論是哪一種因子分析方法，其相應(yīng)的因子解都不是唯一的，主因子解僅僅是無數(shù)因子解中之一。zi 與 zj 相互無關(guān)；z1 是 x1， x2， xp 的一切線性組合中方差最大者， z2 是與 z1 不相關(guān)的 x1， x2，的所有線性組合中方差最大者。則，新變量指標z1，z2，分別稱為原變量指標的第一，第二，主

5、成分。Z 為因子變量或公共因子，可以理解為在高維空間中互相垂直的m個坐標軸。主成分分析實質(zhì)就是確定原來變量xj （ j=1 ， 2， p）在各主成分zi （i=1 ， 2， m）上的荷載lij。從數(shù)學(xué)上容易知道，從數(shù)學(xué)上也可以證明，它們分別是相關(guān)矩陣的m個較大的特征值所對應(yīng)的特征向量。5 分析步驟5.1 確定待分析的原有若干變量是否適合進行因子分析( 第一步 )因子分析是 從眾多的原始變量中重構(gòu)少數(shù)幾個具有代表意義的因子變量的過程。 其潛在的要求：原有變量之間要具有比較強的相關(guān)性。因此，因子分析需要先進行相關(guān)分析，計算原始變量之間的相關(guān)系數(shù)矩陣。如果相關(guān)系數(shù)矩陣在進行統(tǒng)計檢驗時，大部分相關(guān)系數(shù)

6、均小于 0.3 且未通過檢驗，則這些原始變量就不太適合進行因子分析。進行原始變量的相關(guān)分析之前， 需要對輸入的原始數(shù)據(jù)進行標準化計算（ 一般采用標準差標準化方法，標準化后的數(shù)據(jù)均值為0，方差為1） 。SPSS在因子分析中還提供了幾種判定是否適合因子分析的檢驗方法。主要有以下 3 種：巴特利特球形檢驗（BartlettTestofSphericity）反映象相關(guān)矩陣檢驗（Anti-imagecorrelationmatrix）KMO（ Kaiser-Meyer-Olkin）檢驗（ 1）巴特利特球形檢驗該檢驗以變量的相關(guān)系數(shù)矩陣作為出發(fā)點，它的零假設(shè)H0為相關(guān)系數(shù)矩陣是一個單位陣，即相關(guān)系數(shù)矩陣對

7、角線上的所有元素都為1，而所有非對角線上的元素都為0，也即原始變量兩兩之間不相關(guān)。巴特利特球形檢驗的統(tǒng)計量是根據(jù)相關(guān)系數(shù)矩陣的行列式得到。如果該值較大，且其對應(yīng)的相伴概率值小于用戶指定的顯著性水平，那么就應(yīng)拒絕零假設(shè)H0，認為相關(guān)系數(shù)不可能是單位陣，也即原始變量間存在相關(guān)性。（ 2）反映象相關(guān)矩陣檢驗該檢驗以變量的偏相關(guān)系數(shù)矩陣作為出發(fā)點，將偏相關(guān)系數(shù)矩陣的每個元素取反，得到反映象相關(guān)矩陣。偏相關(guān)系數(shù)是在控制了其他變量影響的條件下計算出來的相關(guān)系數(shù)，如果變量之間存在較多的重疊影響，那么偏相關(guān)系數(shù)就會較小，這些變量越適合進行因子分析。（ 3） KMO（Kaiser-Meyer-Olkin ）檢驗

8、該檢驗的統(tǒng)計量用于比較變量之間的簡單相關(guān)和偏相關(guān)系數(shù)。KMO值介于 0-1 ，越接近 1，表明所有變量之間簡單相關(guān)系數(shù)平方和遠大于偏相關(guān)系數(shù)平方和，越適合因子分析。其中， Kaiser 給出一個 KMO檢驗標準： KMO0.9，非常適合；0.8KMO0.9，適合； 0.7KMO0.8，一般； 0.6KMO0.7，不太適合；KMO0) 和相應(yīng)的標準正交的特征向量li ；根據(jù)相關(guān)系數(shù)矩陣的特征根，即公共因子 Zj 的方差貢獻（等于因子載荷矩陣L 中第 j 列各元素的平方和） ，計算公共因子Zj 的方差貢獻率與累積貢獻率。主成分分析是在一個多維坐標軸中，將原始變量組成的坐標系進行平移變換，使得新的坐

9、標原點和數(shù)據(jù)群點的重心重合。新坐標第一軸與數(shù)據(jù)變化最大方向?qū)?yīng)。通過計算特征根（方差貢獻）和方差貢獻率與累積方差貢獻率等指標，來判斷選取公共因子的數(shù)量和公共因子（主成分）所能代表的原始變量信息。公共因子個數(shù)的確定準則：1）根據(jù)特征值的大小來確定，一般取大于 1 的特征值對應(yīng)的幾個公共因子 / 主成分。 2）根據(jù)因子的累積方差貢獻率來確定，一般取累計貢獻率達 85-95%的特征值所對應(yīng)的第一、第二、第 m（ m p）個主成分。也有學(xué)者認為累積方差貢獻率應(yīng)在80以上。5.3 因子變量的命名解釋因子變量的命名解釋是因子分析的另一個核心問題 。經(jīng)過主成分分析得到的公共因子 / 主成分 Z1,Z2, ,

10、Zm 是對原有變量的綜合。原有變量是有物理含義的變量，對它們進行線性變換后，得到的新的綜合變量的物理含義到底是什么？在實際的應(yīng)用分析中，主要通過對載荷矩陣進行分析，得到因子變量和原有變量之間的關(guān)系，從而對新的因子變量進行命名。利用因子旋轉(zhuǎn)方法能使因子變量更具有可解釋性。計算主成分載荷，構(gòu)建載荷矩陣A。計算主成分載荷，構(gòu)建載荷矩陣A。載荷矩陣A 中某一行表示原有變量 Xi 與公共因子 / 因子變量的相關(guān)關(guān)系。載荷矩陣A 中某一列表示某一個公共因子 / 因子變量能夠解釋的原有變量Xi 的信息量。有時 因子載荷矩陣的解釋性不太好，通常需要進行因子旋轉(zhuǎn)，使原有因子變量更具有可解釋性。因子旋轉(zhuǎn)的主要方法

11、：正交旋轉(zhuǎn)、斜交旋轉(zhuǎn)。正交旋轉(zhuǎn)和斜交旋轉(zhuǎn)是因子旋轉(zhuǎn)的兩類方法。前者由于保持了坐標軸的正交性，因此使用最多。正交旋轉(zhuǎn)的方法很多，其中以方差最大化法最為常用。方差最大正交旋轉(zhuǎn)（varimaxorthogonalrotation）基本思想：使公共因子的相對負荷的方差之和最大，且保持原公共因子的正交性和公共方差總和不變?？墒姑總€因子上的具有最大載荷的變量數(shù)最小，因此可以簡化對因子的解釋。斜交旋轉(zhuǎn)（ obliquerotation ）因子斜交旋轉(zhuǎn)后，各因子負荷發(fā)生了變化，出現(xiàn)了兩極分化。各因子間不再相互獨立，而是彼此相關(guān)。各因子對各變量的貢獻的總和也發(fā)生了改變。斜交旋轉(zhuǎn)因為因子間的相關(guān)性而不受歡迎。但如

12、果總體中各因子間存在明顯的相關(guān)關(guān)系則應(yīng)該考慮斜交旋轉(zhuǎn)。適用于大數(shù)據(jù)集的因子分析。無論是正交旋轉(zhuǎn)還是斜交旋轉(zhuǎn)，因子旋轉(zhuǎn)的目的：是使因子負荷兩極分化，要么接近于 0，要么接近于 1。從而使原有因子變量更具有可解釋性。5.4 計算因子變量得分因子變量確定以后，對于每一個樣本數(shù)據(jù)，我們希望得到它們在不同因子上的具體數(shù)據(jù)值，即因子得分。估 計因子得分的方法主要有：回歸法、 Bartlette 法等。 計算因子得分應(yīng)首先將因子變量表示為原始變量的線性組合。即：回歸法，即Thomson法：得分是由貝葉斯Bayes 思想導(dǎo)出的，得到的因子得分是有偏的，但計算結(jié)果誤差較小。貝葉斯（BAYES）判別思想是根據(jù)先驗

13、概率求出后驗概率，并依據(jù)后驗概率分布作出統(tǒng)計推斷。Bartlett法： Bartlett因子得分是極大似然估計，也是加權(quán)最小二乘回歸，得到的因子得分是無偏的，但計算結(jié)果誤差較大。因子得分可用于模型診斷，也可用作進一步分析如聚類分析、回歸分析等的原始資料。關(guān)于因子得分的進一步應(yīng)用將在案例介紹一節(jié)分析。5.5 結(jié)果的分析解釋此部分詳細見案例分析二、案例分析1 研究問題石家莊 18 個縣市 14 個指標因子，具體來說有人均GDP(元 / 人 ) 、人均全社會固定資產(chǎn)投資額、人均城鎮(zhèn)固定資產(chǎn)投資額、人均一般預(yù)算性財政收入、第三產(chǎn)業(yè)占 GDP比重 (%)、人均社會消費品零售額、人均實際利用外資額（萬美元

14、 / 人）、人均城鄉(xiāng)居民儲蓄存款、農(nóng)民人均純收入、在崗職工平均工資、人才密度指數(shù)、科技支出占財政支出比重（ %）、每萬人擁有執(zhí)業(yè)醫(yī)師數(shù)量、每千人擁有病床數(shù)。要求根據(jù)這14 項內(nèi)容進行因子分析，得到維度較少的幾個因子。2 實現(xiàn)步驟【 1】在“ Analyze ”菜單“ DataReduction ”中選擇“ Factor ”命令，如下圖所示。【 2】在彈出的下圖所示的 FactorAnalysis 對話框中，從對話框左側(cè)的變量列表中選擇這14 個變量，使之添加到Variables框中。【 3】點擊“ Descriptives ”按鈕，彈出“ FactorAnalysis ：Descriptive

15、s”對話框，如圖所示。Statistics框用于選擇哪些相關(guān)的統(tǒng)計量，其中：Univariatedescriptives（變量描述）： 輸出變量均值、標準差；Initialsolution（初始結(jié)果）CorrelationMatrix框中提供了幾種檢驗變量是否適合做引子分析的檢驗方法， 其中：Coefficients（相關(guān)系數(shù)矩陣）Significanceleves（顯著性水平）Determinant （相關(guān)系數(shù)矩陣的行列式）Inverse （相關(guān)系數(shù)矩陣的逆矩陣）Reproduced（再生相關(guān)矩陣，原始相關(guān)與再生相關(guān)的差值）Anti-image （反影像相關(guān)矩陣檢驗）KMOandBartle

16、tt stestofsphericity（ KMO檢驗和巴特利特球形檢驗）本例中，選中該對話框中所有選項，單擊Continue 按鈕返回FactorAnalysis對話框?！?4】單擊“ Extraction”按鈕，彈出“ FactorAnalysis： Extraction”對話框，選擇因子提取方法，如下圖所示：因子提取方法在Method 下拉框中選取， SPSS共提供了 7 種方法：PrincipleComponentsAnalysis（主成分分析）Unweightedleastsquares（未加權(quán)最小平方法）Generalizedleastsquares（綜合最小平方法）Maximum

17、likelihood（最大似然估價法）Principalaxisfactoring（主軸因子法）Alphafactoring（因子）Imagefactoring（影像因子）Analyze 框中用于選擇 提取變量依據(jù)，其中：Correlationmatrix（相關(guān)系數(shù)矩陣）Covariancematrix（協(xié)方差矩陣）Extract框用于指定因子個數(shù)的標準，其中：Eigenvaluseover（大于特征值）Numberoffactors（因子個數(shù)）Display框用于選擇輸出哪些與因子提取有關(guān)的信息，其中：Unrotatedfactorsolution（未經(jīng)旋轉(zhuǎn)的因子載荷矩陣）Screenplo

18、t （特征值排列圖）MaximuninterationsforConvergence框用于指定因子分析收斂的最大迭代次數(shù) ，系統(tǒng)默認的最大迭代次數(shù)為25。本例選用 Principalcomponents方法，選擇相關(guān)系數(shù)矩陣作為提取因子變量的依據(jù)，選中Unrotatedfactorsolution和 Screeplot項，輸出未經(jīng)過旋轉(zhuǎn)的因子載荷矩陣與其特征值的碎石圖；選擇Eigenvaluseover項，在該選項后面可以輸入1，指定提取特征值大于1 的因子。單擊 Continue 按鈕返回 FactorAnalysis對話框?！?5】單擊 FactorAnalysis 對話框中的 Rotat

19、ion 按鈕，彈出FactorAnalysis:Rotation對話框，如下圖所示：該對話框用于選擇因子載荷矩陣的旋轉(zhuǎn)方法。旋轉(zhuǎn)目的是為了簡化結(jié)構(gòu)，以幫助我們解釋因子。SPSS默認不進行旋轉(zhuǎn)（None）。Method 框用于選擇因子旋轉(zhuǎn)方法，其中：None（不旋轉(zhuǎn)）Varimax （正交旋轉(zhuǎn)）DirectOblimin（直接斜交旋轉(zhuǎn)）Quanlimax （四分最大正交旋轉(zhuǎn)）Equamax（平均正交旋轉(zhuǎn)）Promax（斜交旋轉(zhuǎn)）Display框用于選擇輸出哪些與因子旋轉(zhuǎn)有關(guān)的信息，其中：Rotatedsolution（輸出旋轉(zhuǎn)后的因子載荷矩陣）Loadingplots（輸出載荷散點圖）本例選擇方

20、差極大法旋轉(zhuǎn)Varimax ，并選中 Rotatedsolution和Loadingplot項，表示輸出旋轉(zhuǎn)后的因子載荷矩陣和載荷散點圖，單擊Continue 按鈕返回 FactorAnalysis對話框?！?6】單擊 FactorAnalysis 對話框中的 Scores 按鈕，彈出FactorAnalysis:Scores對話框，如下圖所示：該對話框用以選擇對因子得分進行設(shè)置，其中：Regression （回歸法）： 因子得分均值為 0，采用多元相關(guān)平方； Bartlett （巴特利法）：因子得分均值為 0，采用超出變量范圍各因子平方和被最小化；Anderson-Rubin （安德森 -

21、洛賓法）：因子得分均值為0，標準差 1，彼此不相關(guān)；Displayfactorscorecoefficientmatrix：選擇此項將在輸出窗口中顯示因子得分系數(shù)矩陣?！?7】單擊 FactorAnalysis 對話框中的 Options 按鈕，彈出FactorAnalysis:Options對話框，如下圖所示：該對話框可以指定其他因子分析的結(jié)果，并選擇對缺失數(shù)據(jù)的處理方法，其中：MissingValues框用于選擇缺失值處理方法：Excludecaseslistwise：去除所有缺失值的個案Excludecasespairwise：含有缺失值的變量，去掉該案例Replacewithmean

22、：用平均值代替缺失值CofficientDisplayFormat框用于選擇載荷系數(shù)的顯示格式：Sortedbysize：載荷系數(shù)按照數(shù)值大小排列Suppressabsolutevalueslessthan：不顯示絕對值小于指定值的載荷量本例選中 Excludecaseslistwise項，單擊 Continue 按鈕返回FactorAnalysis對話框，完成設(shè)置。單擊OK，完成計算。3 結(jié)果與討論（ 1） SPSS輸出的第一部分如下：第一個表格中列出了18 個原始變量的統(tǒng)計結(jié)果，包括平均值、標準差和分析的個案數(shù)。這個是步驟 3 中選中 Univariatedescriptives項的輸出結(jié)

23、果 。DescriptiveStatisticsStd.DeviatAnalysisMeanionN人均 GDP(元/ 人 )22600.5218410.55464181人均全社會固定資產(chǎn)15190.9515289.1449918投資額5人均城鎮(zhèn)固定資產(chǎn)投10270.3644874.1461618資額2人均一般預(yù)算性財政585.1712550.4565918收入第三產(chǎn)業(yè)占 GDP比重29.06129.4685818(%)人均社會消費品零售6567.25663068.7546318額人均實際利用外資額23.566740.3136118（萬美元 / 人）人均城鄉(xiāng)居民儲蓄存12061.2387363

24、.0865918款4農(nóng)民人均純收入4852.55561202.5297018在崗職工平均工資18110.3882374.05754189人才密度指數(shù)8.15485.3755218科技支出占財政支出1.3494.5019318比重（ %）每萬人擁有執(zhí)業(yè)醫(yī)師12.68838.8869118數(shù)量每千人擁有病床數(shù)2.36081.1607718（ 2） SPSS輸出結(jié)果文件中的第二部分如下：該表格給出的 是 18 個原始變量的相關(guān)矩陣CorrelationMatrix人均全社會人均城鎮(zhèn)固人均 GDP(元 固定資產(chǎn)投定資產(chǎn)投資/ 人 )資額額Correlat 人均 GDP(元 / 人 )1.000.503

25、.707ion人均全社會固定資產(chǎn).5031.000.883投資額人均城鎮(zhèn)固定資產(chǎn)投.707.8831.000資額人均一般預(yù)算性財政.776.571.821收入第三產(chǎn)業(yè)占 GDP比重.567.507.759(%)人均社會消費品零售.737.247.600額人均實際利用外資額.454.356.648（萬美元 / 人）人均城鄉(xiāng)居民儲蓄存.707.480.780款農(nóng)民人均純收入.559-.073.130在崗職工平均工資.789.325.544人才密度指數(shù).741.470.737科技支出占財政支出.582.378.486比重（ %）每萬人擁有執(zhí)業(yè)醫(yī)師.434.520.733數(shù)量每千人擁有病床數(shù).573.

26、565.761CorrelationMatrix人均一般預(yù)算性財政收第三產(chǎn)業(yè)占人均社會消入GDP比重 (%) 費品零售額Correlation人均 GDP(元 / 人 ).776.567.737人均全社會固定資產(chǎn).571.507.247投資額人均城鎮(zhèn)固定資產(chǎn)投.821.759.600資額人均一般預(yù)算性財政1.000.830.693收入第三產(chǎn)業(yè)占 GDP比重.8301.000.646(%)人均社會消費品零售.693.6461.000額人均實際利用外資額.797.822.616（萬美元 / 人）人均城鄉(xiāng)居民儲蓄存.907.882.839款農(nóng)民人均純收入.132.278.516在崗職工平均工資.73

27、6.548.609人才密度指數(shù).795.745.812科技支出占財政支出.729.575.490比重（ %）Correlation每萬人擁有執(zhí)業(yè)醫(yī)師.818.844.627數(shù)量每千人擁有病床數(shù).911.806.629CorrelationMatrix人均實際利用外資額（萬美元 /人均城鄉(xiāng)居農(nóng)民人均純?nèi)耍┟駜π畲婵钍杖肴司?GDP(元 / 人 ).454.707.559人均全社會固定資產(chǎn).356.480-.073投資額人均城鎮(zhèn)固定資產(chǎn)投.648.780.130資額人均一般預(yù)算性財政.797.907.132收入第三產(chǎn)業(yè)占 GDP比重.822.882.278(%)人均社會消費品零售.616.839.

28、516額Correlation人均實際利用外資額1.000.792-.007（萬美元 / 人）人均城鄉(xiāng)居民儲蓄存.7921.000.264款農(nóng)民人均純收入-.007.2641.000在崗職工平均工資.388.647.411人才密度指數(shù).752.868.315科技支出占財政支出.570.626.210比重（ %）每萬人擁有執(zhí)業(yè)醫(yī)師.795.885-.075數(shù)量每千人擁有病床數(shù).784.866.000CorrelationMatrix科技支出占在崗職工平人才密度指財政支出比均工資數(shù)重（%）人均 GDP(元 / 人 ).789.741.582人均全社會固定資產(chǎn).325.470.378投資額人均城鎮(zhèn)固

29、定資產(chǎn)投.544.737.486資額人均一般預(yù)算性財政.736.795.729收入第三產(chǎn)業(yè)占 GDP比重.548.745.575(%)人均社會消費品零售.609.812.490額人均實際利用外資額.388.752.570（萬美元 / 人）人均城鄉(xiāng)居民儲蓄存.647.868.626款農(nóng)民人均純收入.411.315.210在崗職工平均工資1.000.539.421人才密度指數(shù).5391.000.577科技支出占財政支出.421.5771.000比重（ %）每萬人擁有執(zhí)業(yè)醫(yī)師.477.739.519數(shù)量每千人擁有病床數(shù).575.719.769CorrelationCorrelationMatrix每

30、萬人擁有執(zhí)業(yè)醫(yī)師數(shù)每千人擁有量病床數(shù)人均 GDP(元 / 人 ).434.573人均全社會固定資產(chǎn).520.565投資額人均城鎮(zhèn)固定資產(chǎn)投.733.761資額人均一般預(yù)算性財政.818.911收入第三產(chǎn)業(yè)占 GDP比重.844.806(%)人均社會消費品零售.627.629額人均實際利用外資額.795.784（萬美元 / 人）人均城鄉(xiāng)居民儲蓄存.885.866款農(nóng)民人均純收入-.075.000在崗職工平均工資.477.575人才密度指數(shù).739.719科技支出占財政支出.519.769比重（ %）每萬人擁有執(zhí)業(yè)醫(yī)師1.000.912數(shù)量每千人擁有病床數(shù).9121.000（ 3） SPSS輸出結(jié)

31、果的第四部分如下：KMOandBartlettsTestKaiser-Meyer-Olkin.551MeasureofSamplingAdequacy.BartlettsTestofSpApprox.Chi-Square324.227hericitydf91Sig.000該部分給出了 KMO檢驗和 Bartlett 球度檢驗結(jié)果。其中 KMO值為 0.551 ，根據(jù)統(tǒng)計學(xué)家 Kaiser 給出的標準， KMO取值小于 0.6 ，不太適合因子分析。Bartlett球度檢驗給出的相伴概率為0.00 ，小于顯著性水平0.05 ，因此拒絕 Bartlett球度檢驗的零假設(shè)，認為適合于因子分析。（ 4）

32、 SPSS輸出結(jié)果文件中的第六部分如下：CommunalitiesExtractInitialion人均 GDP(元 / 人)1.0001.000人均全社會固定資產(chǎn)1.0001.000投資額人均城鎮(zhèn)固定資產(chǎn)投1.0001.000資額人均一般預(yù)算性財政1.0001.000收入第三產(chǎn)業(yè)占 GDP比重1.0001.000(%)人均社會消費品零售1.0001.000額人均實際利用外資額1.0001.000（萬美元 / 人）人均城鄉(xiāng)居民儲蓄存1.0001.000款農(nóng)民人均純收入1.0001.000在崗職工平均工資1.0001.000人才密度指數(shù)1.0001.000科技支出占財政支出1.0001.000比

33、重（ %）每萬人擁有執(zhí)業(yè)醫(yī)師1.0001.000數(shù)量每千人擁有病床數(shù)1.0001.000ExtractionMethod:PrincipalComponentAnalysis.這是因子分析初始結(jié)果，該表格的第一列列出了18 個原始變量名；第二列是根據(jù)因子分析初始解計算出的變量共同度。利用主成分分析方法得到 18 個特征值，它們是銀子分析的初始解，可利用這18 個出世界和對應(yīng)的特征向量計算出銀子載荷矩陣。由于每個原始變量的所有方差都能被因子變量解釋掉，因此每個變量的共同度為1；第三列是根據(jù)因子分析最終解計算出的變量共同度。根據(jù)最終提取的m個特征值和對應(yīng)的特征向量計算出因子載荷矩陣。（此處由于軟件

34、的原因有點小問題）這時由于因子變量個數(shù)少于原始變量的個數(shù)，因此每個變量的共同度必然小于 1。（ 5）輸出結(jié)果第六部分為TotalVarianceExplained表格TotalVarianceExplainedCompoInitialEigenvaluesnent%ofVariancCumulativeTotale%19.13965.27921.71812.26931.0147.2404.6594.7065.5363.8276.3612.5777.2581.8448.133.9529.077.54910.049.34911.031.22412.020.14013.005.03814.001.0

35、05100.000ExtractionMethod:PrincipalComponentAnalysis.TotalVarianceExplainedInitialEigExtractionSumsofSquaredLoadingenvaluessCompoCumulative%ofVariancCumulativenent%Totale%165.2799.13965.27965.279277.5481.71812.26977.548384.7881.0147.24084.788489.494.6594.70689.494593.321.5363.82793.321695.898.3612.5

36、7795.898797.743.2581.84497.743898.695.133.95298.695999.244.077.54999.2441099.593.049.34999.5931199.817.031.22499.8171299.958.020.14099.9581399.995.005.03899.995ExtractionMethod:PrincipalComponentAnalysis.TotalVarianceExplainedCompo RotationSumsofSquaredLoadingsnent%ofVariancCumulativeTotale%14.79434

37、.24234.24222.26216.15850.40031.84613.18863.58741.57111.22274.80951.54811.06085.8696.8446.02891.8987.5674.04895.9468.2731.94897.8949.131.93898.83210.068.48299.31411.046.32999.64312.035.25299.89513.014.10099.995ExtractionMethod:PrincipalComponentAnalysis.該表格是因子分析后因子提取和銀子旋轉(zhuǎn)的結(jié)果。其中， Component列和 InitialEi

38、genvalues列（第一列到第四列）描述了因子分析初始解對原有變量總體描述情況。第一列是因子分析13 個初始解序號。 第二列是因子變量的方差貢獻（特征值），它是衡量因子重要程度的指標，例如第一行的特征值為9.139 ，后面描述因子的方差依次減少。第三列是各因子變量的方差貢獻率（%ofVariance ），表示該因子描述的方差占原有變量總方差的比例。第四列是因子變量的累計方差貢獻率，表示前m個因子描述的總方差占原有變量的總方差的比例。第五列和第七列則是從初始解中按照一定標準（在前面的分析中是設(shè)定了提取因子的標準是特征值大于 1）提取了 3 個公共因子后對原變量總體的描述情況。各列數(shù)據(jù)的含義和前

39、面第二列到第四列相同，可見提取了 5 個因子后，它們反映了原變量的大部分信息。第八列到第十列是旋轉(zhuǎn)以后得到的因子對原變量總體的刻畫情況。各列的含義和第五列到第七列是一樣的。（ 6） SPSS輸出的該部分的結(jié)果如下：ComponentMatrix aComponent123456人均一般預(yù)算性財政.959-.075.015.158-.140-.023收入人均城鄉(xiāng)居民儲蓄存.959.008-.154-.107-.039.001款每千人擁有病床數(shù).910-.272-.089.204-.051.040第三產(chǎn)業(yè)占 GDP比重.890-.087-.137-.141.067.373(%)人才密度指數(shù).886

40、.098-.098-.179.151-.259人均城鎮(zhèn)固定資產(chǎn)投.868-.162.404-.183.078.006資額每萬人擁有執(zhí)業(yè)醫(yī)師.861-.362-.183-.137-.115.069數(shù)量人均實際利用外資額.815-.271-.346-.079.064-.012（萬美元 / 人）人均社會消費品零售.805.370-.218-.203.026-.223額人均 GDP(元/ 人).797.458.282.099-.029-.163科技支出占財政支出.712.000-.097.621.302-.008比重（ %）在崗職工平均工資.706.386.158.145-.531.080農(nóng)民人均純收

41、入.271.887-.002-.088.245.253人均全社會固定資產(chǎn).611-.328.690-.074.163.028投資額ExtractionMethod:PrincipalComponentAnalysis.a.13componentsextracted.該表格是最終的因子載荷矩陣A，對應(yīng)前面的因子分析的數(shù)學(xué)模型部分。根據(jù)該表格可以得到如下因子模型：X=AF+ax1=0.959F 1 -0.075F 2+0.015F 3+0.158F4-0.140F 5 -0.023F 6-0.096F 7+0.017F 8-0.117F 9+0.004F 10 -0.062F 11 -0.040 F 12+0.021 F 13ComponentMatrix aComponent7891011人均一般預(yù)算性財政-.096.017-.117.004-.062收入人均城鄉(xiāng)居民儲蓄存.109-.02