spss 因子分析问题

1. spss 因子分析问题

2. spss因子分析问题

3. spss因子分析相关问题请高人指教，论文答辩在即，十分急，多谢

因子分析要小心使用的。
1.你在做问卷前，必须把可能的因子分类考虑清楚。
2.通过分析把因子分类好之后，需要把几个主因子逻辑分类，就是把主因子命名。
3.你所说的正负相关性，那就是你要考虑你的问卷结构的逻辑性。比如，抽烟越多，健康越差，运动越多，健康越好，因变量是抽烟和运动，一个是负相关，一个是正相关，你不能把两个因变量放到一起。
所以你要看看你的因子里面的逻辑结构会不会有错误，如果有，可以考虑删掉1-2个因子再分析，如果有问题，可以再提出来

4. spss进行单因子方差分析的时候因变量和因子怎么确定？

办法如下：
1、首先在自己的电脑上打开spss，之后再这个软件上依次点击“分析—一般线性模型——单变量”。

2、点击完单变量随后，这时候就出出现“单变量”窗口。将“卵泡刺激素FSH”放入“因变量”列表。

3、之后将“药剂”“阶段”放入“固定因子”列表，将“受试者编号”放入“随机因子”列表。

4、最后点击“选项”，选择“描述统计”、“参数估计值”，得到分析结果。

5. spss进行单因子方差分析的时候因变量和因子怎么确定

1、首先在自己的电脑上打开spss，之后再这个软件上依次点击“分析—一般线性模型——单变量”。

2、点击完单变量随后，这时候就出出现“单变量”窗口。将“卵泡刺激素FSH”放入“因变量”列表。

3、之后将“药剂”“阶段”放入“固定因子”列表，将“受试者编号”放入“随机因子”列表。

4、最后点击“选项”，选择“描述统计”、“参数估计值”，得到分析结果。

6. 如何解释spss因子分析的结果

1．KMO和Bartlett的检验结果：
首先是KMO的值为0．733，大于阈值0．5，所以说明了变量之间是存在相关性的，符合要求；然后是Bartlett球形检验的结果。
在这里只需要看Sig．这一项，其值为0．000，所以小于0．05。那么也就是说，这份数据是可以进行因子分析的。
2．公因子方差：
公因子方差表的意思就是，每一个变量都可以用公因子表示，而公因子究竟能表达多少呢，其表达的大小就是公因子方差表中的“提取”。
“提取”的值越大说明变量可以被公因子表达的越好，一般大于0.5即可以说是可以被表达，但是更好的是要求大于0.7才足以说明变量能被公因子表的很合理。
在本例中可以看到，“提取”的值都是大于0.7的，所以变量可以被表达的很不错。
3．解释的总方差和碎石图：
简单地说，解释地总方差就是看因子对于变量解释的贡献率（可以理解为究竟需要多少因子才能把变量表达为100％）。
这张表只需要看图中红框的一列，表示的就是贡献率，蓝框则代表四个因子就可以将变量表达到了91．151％，说明表达的还是不错的
都要表达到90％以上才可以，否则就要调整因子数据。再看碎石图，也确实就是四个因子之后折线就变得平缓了。
4．旋转成分矩阵：
这一张表是用来看哪些变量可以包含在哪些因子里，一列一列地看：第一列，最大的值为0．917和0．772，分别对应的是细颗粒物和可吸入颗粒物。
因此可以把因子归结为颗粒物。第二列，最大值为0．95对应着二氧化硫，因此可以把因子归结为硫化物。第三列，最大值为0．962，对应着臭氧。
因此可以把因子归结为臭氧。第四列，最大值为0．754和0．571，分别对应着二氧化氮和一氧化碳。

扩展资料
因子分析与主成分分析的区别：
主成分分析是试图寻找原有变量的一个线性组合。这个线性组合方差越大，那么该组合所携带的信息就越多。也就是说，主成分分析就是将原始数据的主要成分放大。
因子分析，它是假设原有变量的背后存在着一个个隐藏的因子，这个因子可以可以包括原有变量中的一个或者几个，因子分析并不是原有变量的线性组合。
因子分析还是非常好用的一种降维方式的，在SPSS中进行操作十分简单方便，结果一目了然。python也可以做因子分析，代码量也并不是很大。
但是，python做因子分析时会有一些功能需要自己根据算法写，比如说KMO检验。

7. spss经过主成分分析后，得出3个因子，怎么利用这几个因子进行后续的回归分析。

1、首先打开SPSSAU，右上角【上传数据】，点击或者拖拽原始数据文件上传。

2、选择【进阶方法】->【主成分】，选择需要分析的题目，拖拽到右侧。点击“开始主成分分析”。

3、可以自行设置好要输出的主成分个数，而不是让软件自动识别。

4、完成以上操作后，即可得到分析结果，结果如下：KMO 和 Bartlett 的检验，及智能分析。

8. spss因子分析得出三个因子，综合因子怎么算

SPSSAU默认可保存综合得分（以及因子得分等）；研究者可把综合得分的具体数据下载后使用。