消費(fèi)品結(jié)構(gòu)統(tǒng)計(jì)學(xué)spss因子分析論文(編輯修改稿)
2024-12-11 21:08 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 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 從相關(guān)系數(shù)矩陣得知：大部分的相關(guān)系數(shù)都比較高，各變量呈較強(qiáng)的線性關(guān)系，能夠從中提取公共因子，適合進(jìn)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 由圖可知：巴特利特球度檢驗(yàn)統(tǒng)計(jì)量的觀測(cè)值為 ，相應(yīng)的概率 P值接近 0。同時(shí)， KOM值為 ，根據(jù) KOM度量標(biāo)準(zhǔn)可知此數(shù)據(jù)適合做因子分析。 因子提取和因子載荷矩陣的求解 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，顯示了所有數(shù)據(jù)變量的共同度數(shù)據(jù)?？梢钥吹剑?XX X X X X X10等變量的絕大部分信息（大于 90%）可被因子解釋，這些變量的信息丟失較少。但 X X X7三個(gè)變量的信息丟失較為嚴(yán)重（近 32%）。因此，本次因子提取的總體效果并不理想。 重新制定提取特征根的標(biāo)準(zhǔn)，指定提取 3個(gè)因子，分析結(jié)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個(gè)特征根下的因子分析的初始解。由第二列可知：此時(shí)所有變量的共同度均較高，各個(gè) 變量的信息丟失都較少。因此，本次因子提取的總體效果較理想。 Total Variance Explained 因子解釋原有變量總方差的情況 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. 由方差解釋表可知特征值 1? =， 2? =， 3? =，????，相應(yīng)的方差貢獻(xiàn)的百分比為：第一公共因子： %，第二公共因子： %，第三公共因子 %，????，取前三個(gè)公共因子時(shí)的累計(jì)貢獻(xiàn)率已經(jīng)達(dá)到%，已經(jīng)達(dá)到 85%的要求，所以取三個(gè)公共因子。 Component Number10987654321Eigenvalue86420Scree Plot 由圖可知：橫坐標(biāo)為因子分析數(shù)目，縱坐標(biāo)為特征根。第一個(gè)因子的特征根值很高，對(duì)解釋原有變量的貢獻(xiàn)最大；第三個(gè)以后的因子特征根值都很小，對(duì) 解釋原有變量的貢獻(xiàn)很小，已經(jīng)成為可被忽略的，因此提取 3個(gè)因子是合適的 。 Component Matrix(a) 初始 因子載荷矩陣 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個(gè)變量在第一個(gè)因子的載荷值都很高。即說明他們與第一個(gè)因子的相關(guān)程度高，而第二，三個(gè)因子與原有變量的相關(guān)性均很差，對(duì)原有變量的解釋不顯著。無法進(jìn)行因子解釋。于是采用方差最大法對(duì)因子載荷矩陣實(shí)施正交旋轉(zhuǎn)。 使因子更具有命名可解釋性 Rotated Component Matrix(a) 旋轉(zhuǎn)后的因子載荷矩陣 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.
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1