【正文】 .539.421人才密度指數(shù).539.577科技支出占財政支出比重（%）.421.577每萬人擁有執(zhí)業(yè)醫(yī)師數(shù)量.477.739.519每千人擁有病床數(shù).575.719.769Correlation Matrix每萬人擁有執(zhí)業(yè)醫(yī)師數(shù)量每千人擁有病床數(shù)Correlation人均GDP(元/人).434.573人均全社會固定資產(chǎn)投資額.520.565人均城鎮(zhèn)固定資產(chǎn)投資額.733.761人均一般預(yù)算性財政收入.818.911第三產(chǎn)業(yè)占GDP比重(%).844.806人均社會消費品零售額.627.629人均實際利用外資額（萬美元/人）.795.784人均城鄉(xiāng)居民儲蓄存款.885.866農(nóng)民人均純收入.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比重（%）.519.769每萬人擁有執(zhí)業(yè)醫(yī)師數(shù)量.912每千人擁有病床數(shù).912（3）SPSS輸出結(jié)果的第四部分如下：KMO and Bartlett39。旋轉(zhuǎn)目的是為了簡化結(jié)構(gòu)，以幫助我們解釋因子。2 實現(xiàn)步驟【1】在“Analyze”菜單“Data Reduction”中選擇“Factor”命令，如下圖所示。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。各因子對各變量的貢獻的總和也發(fā)生了改變。因子旋轉(zhuǎn)的主要方法：正交旋轉(zhuǎn)、斜交旋轉(zhuǎn)。經(jīng)過主成分分析得到的公共因子/主成分Z1,Z2,…,Zm是對原有變量的綜合。求相關(guān)系數(shù)矩陣的特征根λi (λ1,λ2,…,λp0)和相應(yīng)的標(biāo)準(zhǔn)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。（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。其潛在的要求：原有變量之間要具有比較強的相關(guān)性。這就需要進行降維處理，即用較少幾個綜合指標(biāo)代替原來指標(biāo)，而且使這些綜合指標(biāo)既能盡量多地反映原來指標(biāo)所反映的信息，同時它們之間又是彼此獨立的。（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。因子分析因子分析一、 基礎(chǔ)理論知識1 概念因子分析（Factor analysis）：就是用少數(shù)幾個因子來描述許多指標(biāo)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。（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。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np階的地理數(shù)據(jù)矩陣 : 當(dāng)p較大時，在p維空間中考察問題比較麻煩。5分析步驟 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。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(rèn)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。主成分分析法（Principal ponent analysis）：該方法通過坐標(biāo)變換，將原有變量作線性變化，轉(zhuǎn)換為另外一組不相關(guān)的變量Zi（主成分）。 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。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。各因子間不再相互獨立，而是彼此相關(guān)。估計因子得分的方法主要有：回歸法、Bartlette法等。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?！?】單擊Factor Analysis對話框中的Rotation按鈕，彈出Factor Analysis: 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。這個是步驟3中選中Univariate descriptives項的輸出結(jié)果。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。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。經(jīng)過旋轉(zhuǎn)之后，第一個因子含義略加清楚，基本上放映了“每萬人擁有執(zhí)業(yè)醫(yī)師數(shù)量”、“第三產(chǎn)業(yè)占GDP比重(%)”、“人均實際利用外資額（萬美元/人）”；第二個因子基本上反映了“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”；第三個因子反映了“在崗職工平均工資”……Rotated Component MatrixaComponent123456每萬人擁有執(zhí)業(yè)醫(yī)師數(shù)量.877.278.182.163.181第三產(chǎn)業(yè)占GDP比重(%).861.299.185.184.261人均實際利用外資額（萬美元/人）.806.133.102.242.142人均城鄉(xiāng)居民儲蓄存款.767.255.306.239.174.311每千人擁有病床數(shù).718.316.284.477.165人均一般預(yù)算性財政收入.636.338.475.392.018.153人均全社會固定資產(chǎn)投資額.220.953.113.146.002人均城鎮(zhèn)固定資產(chǎn)投資額.500.772.239.123.096.177在崗職工平均工資.288.161.896.130.239.107人均GDP(元/人).198.386.559.290.429.246科技支出占財政支出比重（%）.340.166.154.895.127.077農(nóng)民人均純收入.187.063.972.105人均社會消費品零售額.498.101.285.156.396.663人才密度指數(shù).583.283.207.218.229.291Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.a. Rotation converged in 7 iterations.Rotated Component MatrixaComponent7891011每萬人擁有執(zhí)業(yè)醫(yī)師數(shù)量.105.089第三產(chǎn)業(yè)占GDP比重(%).030.069.033人均實際利用外資額（萬美元/人）.174.458.036.009人均城鄉(xiāng)居民儲蓄存款.175.072.031每千人擁有病床數(shù).036.197.015人均一般預(yù)算性財政收入.139.097.153.155人均全社會固定資產(chǎn)投資額.056.003人均城鎮(zhèn)固定資產(chǎn)投資額.114.100.048.044.117在崗職工平均工資.046.002.007人均GDP(元/人).255.099.310.001.009科技支出占財政支出比重（%）.084.046.018農(nóng)民人均純收入.049.004.003人均社會消費品零售額.189.056.027.013.006人才密度指數(shù).587.081.032.003.006Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.a. Rotation converged in 7 iterations.Rotated Component MatrixaComponent1213每萬人擁有執(zhí)業(yè)醫(yī)師數(shù)量第三產(chǎn)業(yè)占GDP比重(%).083人均實際利用外資額（萬美元/人）.003人均城鄉(xiāng)居民儲蓄存款.173每千人擁有病床數(shù).007人均一般預(yù)算性財政收入.036.015人均全社會固定資產(chǎn)投資額.000人均城鎮(zhèn)固定資產(chǎn)投資額.023.000在崗職工平均工資.000.000人均GDP(元/人).011科技支出占財政支出比重（%）.006.000農(nóng)民人均純收入.005.003人均社會消費品零售額人才密度指數(shù).006.000Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.a. Rotation converged in 7 iterations.（8）SPSS輸出的該部分的結(jié)果如下：該部分輸出的是因子轉(zhuǎn)換矩陣，表明了因子提取的方法是主成分分析，旋轉(zhuǎn)的方法是方法極大