主成分、因子分析步驟-文庫吧資料
2025-06-29 14:32本頁面
【正文】 球形度檢驗】：檢驗原始變量是否適合作主成分分析。 元件評分。（7）因子得分協(xié)方差矩陣元件評分共變異數(shù)矩陣元件121.0002.000擷取方法：主體元件分析。 轉(zhuǎn)軸方法：具有 Kaiser 正規(guī)化的最大變異法。因子得分系數(shù)矩陣給出了因子與各變量的線性組合系數(shù)。 轉(zhuǎn)軸方法：具有 Kaiser 正規(guī)化的最大變異法。如味道與飯量關于因子1的負荷量高，所以聚成因子1，稱為飲食因子；等待時間、衛(wèi)生、親切關于因子2的負荷量高，所以聚成因子2，又可以稱為服務因子。此表顯示旋轉(zhuǎn)后原始的所有變量與新生的2個公因子之間的相關程度。（4） 成分矩陣與旋轉(zhuǎn)成分矩陣成分矩陣是未旋轉(zhuǎn)前的因子矩陣，從該表中并無法清楚地看出每個變量到底應歸屬于哪個因子。%，%，%，%的信息，因而因子取二維比較顯著。第四列：累積百分比也稱因子累積貢獻率第二列統(tǒng)計的值是各因子的特征值，即各因子能解釋的方差，一般的，特征值在1以上就是重要的因子；第三列%是各因子的特征值與所有因子的特征值總和的比，也稱因子貢獻率；第四列是因子累計貢獻率。第二列：各因子的統(tǒng)計值第三列：各因子特征值與全體特征值總和之比的百分比。一般的基準是，這時變量在分析中去掉比較好。Communalities（稱共同度）表示公因子對各個變量能說明的程度，每個變量的初始公因子方差都為1，共同度越大，公因子對該變量說明的程度越大，也就是該變量對公因子的依賴程度越大。根據(jù)Kaiser的觀點，當KMO＞（很棒）、KMO＞（很好）、KMO＞（中等）、KMO＞（普通）、KMO＞（粗劣）、KMO＜（不能接受）。（5） 選項（Options）對話框設置2 結(jié)果分析（1）KMO及Bartlett’s檢驗KMO 和 Bartlett 的檢驗取樣足夠度的 KaiserMeyerOlkin 度量。“輸出”框中的“旋轉(zhuǎn)解”。主成分分析一定要
環(huán)評公示相關推薦
鄂ICP備17016276號-1