消费品结构统计学spss因子分析论文

消费品结构统计学spss因子分析论文内容摘要：

6 .614 .874 .875 .935 X3 .883 .972 .594 .767 .673 .884 .915 .967 X4 .607 .577 .594 .125 .658 .416 .651 .636 .556 X5 .125 .111 .306 .120 X6 .799 .706 .767 .658 .111 .634 .761 .777 .737 X7 .661 .614 .673 .416 .306 .634 .737 .629 .706 X8 .804 .874 .884 .651 .120 .761 .737 .739 .845 X9 .840 .875 .915 .636 .777 .629 .739 .933 X10 .847 .935 .967 .556 .737 .706 .845 .933 从相关系数矩阵得知：大部分的相关系数都比较高，各变量呈较强的线性关系，能够从中提取公共因子，适合进行因子分析。 KMO and Bartlett39。 s Test KaiserMeyerOlkin Measure of Sampling Adequacy. .849 Bartlett39。 s Test of Sphericity Approx. ChiSquare df 45 Sig. .000 由图可知：巴特利特球度检验统计量的观测值为 ，相应的概率 P值接近 0。 同时， KOM值为 ，根据 KOM度量标准可知此数据适合做因子分析。 因子提取和因子载荷矩阵的求解 Communalities 因子分析的初始解一 Initial Extraction X1 .860 X2 .912 X3 .953 X4 .522 X5 .937 X6 .753 X7 .722 X8 .861 X9 .892 X10 .923 Extraction Method: Principal Component Analysis. 是因子分析的初始解，显示了所有数据变量的共同度数据。 可以看到： XX X X X X X10等变量的绝大部分信息（大于 90%）可被因子解释，这些变量的信息丢失较少。 但 X X X7三个变量的信息丢失较为严重（近 32%）。 因此，本次因子提取的总体效果并不理想。 重新制定提取特征根的标准，指定提取 3个因子，分析结果如下： Communalities因子分析的初始解二 Initial Extraction X1 .860 X2 .919 X3 .962 X4 .944 X5 .938 X6 .786 X7 .854 X8 .862 X9 .893 X10 .947 Extraction Method: Principal Component Analysis. 是指定提取 3个特征根下的因子分析的初始解。 由第二列可知：此时所有变量的共同度均较高，各个 变量的信息丢失都较少。 因此，本次因子提取的总体效果较理想。 Total Variance Explained 因子解释原有变量总方差的情况 Component Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 2 3 .632 .632 4 .325 5 .256 6 .227 7 .142 8 .041 .414 9 .027 .268 10 .015 .155 0 Extraction Method: Principal Component Analysis. 由方差解释表可知特征值 1 =， 2 =， 3 =，„„„„，相应的方差贡献的百分比为：第一公共因子： %，第二公共因子： %，第三公共因子 %，„„„„，取前三个公共因子时的累计贡献率已经达到%，已经达到 85%的要求，所以取三个公共因子。 Component Number10987654321Eigenvalue86420Scree Plot 由图可知：横坐标为因子分析数目，纵坐标为特征根。 第一个因子的特征根值很高，对解释原有变量的贡献最大；第三个以后的因子特征根值都很小，对 解释原有变量的贡献很小，已经成为可被忽略的，因此提取 3个因子是合适的。 Component Matrix(a) 初始 因子载荷矩阵 Component 1 2 3 X3 .969 X10 .953 X2 .939 X9 .927 X1 .921 X8 .918 .137 X6 .856 .140 .181 X7 .758 .384 X4 .703 .168 .650 X5 .968 Extraction Method: Principal Component Analysis. a 3 ponents extracted. 可知， 10个变量在第一个因子的载荷值都很高。 即说明他们与第一个因子的相关程度高，而第二，三个因子与原有变量的相关性均很差，对原有变量的解释不显著。 无法进行因子解释。 于是采用方差最大法对因子载荷矩阵实施正交旋转。 使因子更具有命名可解释性 Rotated Component Matrix(a) 旋转后的因子载荷矩阵 Component 1 2 3 X10 .940 .247 X3 .929 .310 X2 .903 .299 X9 .847 .395 X1 .845 .376 X8 .832 .369 .181 X7 .797 .466 X6 .686 .542 .149 X4 .350 .901 .101 X5 .961 Extraction Method: Principal Component Analysis.。