SPSS软件功能中英文对照
Absolute deviation, 绝对离差
Absolute number, 绝对数
Absolute residuals, 绝对残差
Acceleration array, 加速度立体阵
Acceleration in an arbitrary direction, 任意方向上的加速度Acceleration normal, 法向加速度
Acceleration space dimension, 加速度空间的维数Acceleration tangential, 切向加速度
Acceleration vector, 加速度向量
Acceptable hypothesis, 可接受假设
Accumulation, 累积
Accuracy, 准确度
Actual frequency, 实际频数
Adaptive estimator, 自适应估计量
Addition, 相加
Addition theorem, 加法定理
Additivity, 可加性
Adjusted rate, 调整率
Adjusted value, 校正值
Admissible error, 容许误差
Aggregation, 聚集性
Alternative hypothesis, 备择假设
Among groups, 组间
Amounts, 总量
Analysis of correlation, 相关分析
Analysis of covariance, 协方差分析
Analysis of regression, 回归分析
Analysis of time series, 时间序列分析
Analysis of variance, 方差分析
Angular transformation, 角转换
ANOVA （analysis of variance）, 方差分析
ANOVA Models, 方差分析模型
Arcing, 弧/弧旋
Arcsine transformation, 反正弦变换
Area under the curve, 曲线面积
AREG , 评估从一个时间点到下一个时间点回归相关时的误差ARIMA, 季节和非季节性单变量模型的极大似然估计Arithmetic grid paper, 算术格纸
Arithmetic mean, 算术平均数
Arrhenius relation, 艾恩尼斯关系
Assessing fit, 拟合的评估
Associative laws, 结合律
Asymmetric distribution, 非对称分布
Asymptotic bias, 渐近偏倚
Asymptotic efficiency, 渐近效率
Asymptotic variance, 渐近方差
Attributable risk, 归因危险度
Attribute data, 属性资料
Attribution, 属性
Autocorrelation, 自相关
Autocorrelation of residuals, 残差的自相关Average, 平均数
Average confidence interval length, 平均置信区间长度Average growth rate, 平均增长率
Bar chart, 条形图
Bar graph, 条形图
Base period, 基期
Bayes' theorem , Bayes定理
Bell-shaped curve, 钟形曲线
Bernoulli distribution, 伯努力分布
Best-trim estimator, 最好切尾估计量
Bias, 偏性
Binary logistic regression, 二元逻辑斯蒂回归Binomial distribution, 二项分布
Bisquare, 双平方
Bivariate Correlate, 二变量相关
Bivariate normal distribution, 双变量正态分布
Bivariate normal population, 双变量正态总体
Biweight interval, 双权区间
Biweight M-estimator, 双权M估计量
Block, 区组/配伍组
BMDP(Biomedical computer programs), BMDP统计软件包Boxplots, 箱线图/箱尾图
Breakdown bound, 崩溃界/崩溃点Canonical correlation, 典型相关
Caption, 纵标目
Case-control study, 病例对照研究
Categorical variable, 分类变量
Catenary, 悬链线
Cauchy distribution, 柯西分布
Cause-and-effect relationship, 因果关系
Cell, 单元
Censoring, 终检
Center of symmetry, 对称中心
Centering and scaling, 中心化和定标
Central tendency, 集中趋势
Central value, 中心值
CHAID -χ2 Automatic Interaction Detector, 卡方自动交互检测Chance, 机遇
Chance error, 随机误差
Chance variable, 随机变量
Characteristic equation, 特征方程
Characteristic root, 特征根
Characteristic vector, 特征向量
Chebshev criterion of fit, 拟合的切比雪夫准则
Chernoff faces, 切尔诺夫脸谱图
Chi-square test, 卡方检验/χ2检验
Choleskey decomposition, 乔洛斯基分解
Circle chart, 圆图
Class interval, 组距
Class mid-value, 组中值
Class upper limit, 组上限
Classified variable, 分类变量
Cluster analysis, 聚类分析
Cluster sampling, 整群抽样
Code, 代码
Coded data, 编码数据
Coding, 编码
Coefficient of contingency, 列联系数
Coefficient of determination, 决定系数
Coefficient of multiple correlation, 多重相关系数Coefficient of partial correlation, 偏相关系数
Coefficient of production-moment correlation, 积差相关系数Coefficient of rank correlation, 等级相关系数
Coefficient of regression, 回归系数
Coefficient of skewness, 偏度系数
Coefficient of variation, 变异系数
Cohort study, 队列研究
Column, 列
Column effect, 列效应
Column factor, 列因素
Combination pool, 合并
Combinative table, 组合表
Common factor, 共性因子
Common regression coefficient, 公共回归系数
Common value, 共同值
Common variance, 公共方差
Common variation, 公共变异
Communality variance, 共性方差
Comparability, 可比性
Comparison of bathes, 批比较
Comparison value, 比较值
Compartment model, 分部模型Compassion, 伸缩
Complement of an event, 补事件
Complete association, 完全正相关
Complete dissociation, 完全不相关Complete statistics, 完备统计量
Completely randomized design, 完全随机化设计Composite event, 联合事件
Composite events, 复合事件
Concavity, 凹性
Conditional expectation, 条件期望Conditional likelihood, 条件似然
Conditional probability, 条件概率Conditionally linear, 依条件线性
Confidence interval, 置信区间
Confidence limit, 置信限
Confidence lower limit, 置信下限Confidence upper limit, 置信上限Confirmatory Factor Analysis , 验证性因子分析Confirmatory research, 证实性实验研究
Confounding factor, 混杂因素
Conjoint, 联合分析
Consistency, 相合性
Consistency check, 一致性检验
Consistent asymptotically normal estimate, 相合渐近正态估计Consistent estimate, 相合估计
Constrained nonlinear regression, 受约束非线性回归Constraint, 约束
Contaminated distribution, 污染分布
Contaminated Gausssian, 污染高斯分布
Contaminated normal distribution, 污染正态分布Contamination, 污染
Contamination model, 污染模型
Contingency table, 列联表
Contour, 边界线
Contribution rate, 贡献率
Control, 对照
Controlled experiments, 对照实验
Conventional depth, 常规深度
Convolution, 卷积
Corrected factor, 校正因子
Corrected mean, 校正均值
Correction coefficient, 校正系数Correctness, 正确性
Correlation coefficient, 相关系数Correlation index, 相关指数Correspondence, 对应
Counting, 计数
Counts, 计数/频数
Covariance, 协方差
Covariant, 共变
Cox Regression, Cox回归
Criteria for fitting, 拟合准则
Criteria of least squares, 最小二乘准则Critical ratio, 临界比
Critical region, 拒绝域
Critical value, 临界值
Cross-over design, 交叉设计
Cross-section analysis, 横断面分析
Cross-section survey, 横断面调查Crosstabs , 交叉表
Cross-tabulation table, 复合表
Cube root, 立方根
Cumulative distribution function, 分布函数
Cumulative probability, 累计概率Curvature, 曲率/弯曲Curvature, 曲率
Curve fit , 曲线拟和
Curve fitting, 曲线拟合Curvilinear regression, 曲线回归Curvilinear relation, 曲线关系Cut-and-try method, 尝试法Cycle, 周期
Cyclist, 周期性
D test, D检验
Data acquisition, 资料收集Data bank, 数据库
Data capacity, 数据容量
Data deficiencies, 数据缺乏Data handling, 数据处理
Data manipulation, 数据处理Data processing, 数据处理Data reduction, 数据缩减
Data set, 数据集
Data sources, 数据来源
Data transformation, 数据变换
Data validity, 数据有效性
Data-in, 数据输入
Data-out, 数据输出
Dead time, 停滞期
Degree of freedom, 自由度
Degree of precision, 精密度
Degree of reliability, 可靠性程度Degression, 递减
Density function, 密度函数
Density of data points, 数据点的密度Dependent variable, 应变量/依变量/因变量Dependent variable, 因变量
Depth, 深度
Derivative matrix, 导数矩阵
Derivative-free methods, 无导数方法Design, 设计
Determinacy, 确定性
Determinant, 行列式
Determinant, 决定因素
Deviation, 离差
Deviation from average, 离均差Diagnostic plot, 诊断图
Dichotomous variable, 二分变量
Differential equation, 微分方程
Direct standardization, 直接标准化法
Discrete variable, 离散型变量
DISCRIMINANT, 判断
Discriminant analysis, 判别分析
Discriminant coefficient, 判别系数
Discriminant function, 判别值
Dispersion, 散布/分散度
Disproportional, 不成比例的
Disproportionate sub-class numbers, 不成比例次级组含量Distribution free, 分布无关性/免分布
Distribution shape, 分布形状
Distribution-free method, 任意分布法
Distributive laws, 分配律
Disturbance, 随机扰动项
Dose response curve, 剂量反应曲线
Double blind method, 双盲法
Double blind trial, 双盲试验
Double exponential distribution, 双指数分布
Double logarithmic, 双对数
Downward rank, 降秩
Dual-space plot, 对偶空间图
DUD, 无导数方法
Duncan's new multiple range method, 新复极差法/Duncan新法
Effect, 实验效应
Eigenvalue, 特征值
Eigenvector, 特征向量
Ellipse, 椭圆
Empirical distribution, 经验分布
Empirical probability, 经验概率单位
Enumeration data, 计数资料
Equal sun-class number, 相等次级组含量
Equally likely, 等可能
Equivariance, 同变性
Error, 误差/错误
Error of estimate, 估计误差
Error type I, 第一类错误
Error type II, 第二类错误
Estimand, 被估量
Estimated error mean squares, 估计误差均方
Estimated error sum of squares, 估计误差平方和
Euclidean distance, 欧式距离
Event, 事件
Event, 事件
Exceptional data point, 异常数据点Expectation plane, 期望平面Expectation surface, 期望曲面
Expected values, 期望值
Experiment, 实验
Experimental sampling, 试验抽样Experimental unit, 试验单位Explanatory variable, 说明变量Exploratory data analysis, 探索性数据分析Explore Summarize, 探索-摘要Exponential curve, 指数曲线Exponential growth, 指数式增长EXSMOOTH, 指数平滑方法
Extended fit, 扩充拟合
Extra parameter, 附加参数Extrapolation, 外推法
Extreme observation, 末端观测值Extremes, 极端值/极值F distribution, F分布F test, F检验
Factor, 因素/因子
Factor analysis, 因子分析
Factor Analysis, 因子分析
Factor score, 因子得分
Factorial, 阶乘
Factorial design, 析因试验设计
False negative, 假阴性
False negative error, 假阴性错误Family of distributions, 分布族Family of estimators, 估计量族Fanning, 扇面
Fatality rate, 病死率
Field investigation, 现场调查
Field survey, 现场调查
Finite population, 有限总体
Finite-sample, 有限样本
First derivative, 一阶导数
First principal component, 第一主成分First quartile, 第一四分位数
Fisher information, 费雪信息量Fitted value, 拟合值
Fitting a curve, 曲线拟合
Fixed base, 定基
Fluctuation, 随机起伏
Forecast, 预测
Four fold table, 四格表
Fourth, 四分点
Fraction blow, 左侧比率
Fractional error, 相对误差
Frequency, 频率
Frequency polygon, 频数多边图
Frontier point, 界限点
Function relationship, 泛函关系
Gamma distribution, 伽玛分布
Gauss increment, 高斯增量
Gaussian distribution, 高斯分布/正态分布
Gauss-Newton increment, 高斯-牛顿增量General census, 全面普查
GENLOG (Generalized liner models), 广义线性模型Geometric mean, 几何平均数
Gini's mean difference, 基尼均差
GLM (General liner models), 一般线性模型Goodness of fit, 拟和优度/配合度
Gradient of determinant, 行列式的梯度
Graeco-Latin square, 希腊拉丁方
Grand mean, 总均值
Gross errors, 重大错误
Gross-error sensitivity, 大错敏感度
Group averages, 分组平均
Grouped data, 分组资料
Guessed mean, 假定平均数
Half-life, 半衰期
Hampel M-estimators, 汉佩尔M估计量Happenstance, 偶然事件
Harmonic mean, 调和均数
Hazard function, 风险均数
Hazard rate, 风险率
Heading, 标目
Heavy-tailed distribution, 重尾分布Hessian array, 海森立体阵Heterogeneity, 不同质
Heterogeneity of variance, 方差不齐Hierarchical classification, 组内分组Hierarchical clustering method, 系统聚类法High-leverage point, 高杠杆率点HILOGLINEAR, 多维列联表的层次对数线性模型Hinge, 折叶点
Histogram, 直方图
Historical cohort study, 历史性队列研究Holes, 空洞
HOMALS, 多重响应分析Homogeneity of variance, 方差齐性Homogeneity test, 齐性检验
Huber M-estimators, 休伯M估计量Hyperbola, 双曲线
Hypothesis testing, 假设检验Hypothetical universe, 假设总体Impossible event, 不可能事件Independence, 独立性Independent variable, 自变量Index, 指标/指数
Indirect standardization, 间接标准化法Individual, 个体
Inference band, 推断带
Infinite population, 无限总体Infinitely great, 无穷大
Infinitely small, 无穷小
Influence curve, 影响曲线Information capacity, 信息容量
Initial condition, 初始条件
Initial estimate, 初始估计值
Initial level, 最初水平
Interaction, 交互作用
Interaction terms, 交互作用项Intercept, 截距
Interpolation, 内插法
Interquartile range, 四分位距
Interval estimation, 区间估计
Intervals of equal probability, 等概率区间Intrinsic curvature, 固有曲率Invariance, 不变性
Inverse matrix, 逆矩阵
Inverse probability, 逆概率
Inverse sine transformation, 反正弦变换Iteration, 迭代
Jacobian determinant, 雅可比行列式
Joint distribution function, 分布函数Joint probability, 联合概率
Joint probability distribution, 联合概率分布K means method, 逐步聚类法
Kaplan-Meier, 评估事件的时间长度
Kaplan-Merier chart, Kaplan-Merier图
Kendall's rank correlation, Kendall等级相关
Kinetic, 动力学
Kolmogorov-Smirnove test, 柯尔莫哥洛夫-斯米尔诺夫检验Kruskal and Wallis test, Kruskal及Wallis检验/多样本的秩和检验/H检验
Kurtosis, 峰度
Lack of fit, 失拟
Ladder of powers, 幂阶梯
Lag, 滞后
Large sample, 大样本
Large sample test, 大样本检验
Latin square, 拉丁方
Latin square design, 拉丁方设计
Leakage, 泄漏
Least favorable configuration, 最不利构形
Least favorable distribution, 最不利分布
Least significant difference, 最小显著差法
Least square method, 最小二乘法
Least-absolute-residuals estimates, 最小绝对残差估计
Least-absolute-residuals fit, 最小绝对残差拟合
Least-absolute-residuals line, 最小绝对残差线
现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示： 问题 题项 从未使用 很少使用 有时使用 经常使用 总是使用 1 2 3 4 5 a1 电脑 a2 录音磁带 a3 录像带 a4 网上资料 a5 校园网或因特网 a6 电子邮件 a7 电子讨论网 a8 CAI 课件 a9 视频会议 a10 视听会议 一．因子分析的定义 在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。 因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。 二．数学模型 i m im i i i i U F F F F Z +++++=αααα · · · 332211 i Z 为第i 个变量的标准化分数；（标准分是一种由原始分推导出来的相对地位量数，它是用来说明原始分在所属的 那批分数中的相对位置的。） m F 为共同因子； m 为所有变量共同因子的数目； i U 为变量i Z 的唯一因素； im α为因子负荷。（也叫因子载荷，统计意义就是第i 个变量与第m 个公共因子的相关系数,它反映了第i 个变量在 第m 个公共因子上的相对重要性也就是第m 个共同因子对第i 个变量的解释程度。） 因子分析的理想情况，在于个别因子负荷im α不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则i U 彼此间不能有关联存在。 所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷im α就是第i 个原有变量和第m 个因子变量间的相关系数，也就是i Z 在第m 个共同因子变量上的相
因子分析 ? 因子分析（Factor analysis ）：用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis ）：是因子分析一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA ）和因子分析（FA ）是两种把变量维数降低以便于描述、理解和分析的方法。 ? 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 ? 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 ? 分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : 当p 较大时，在p 维空间中考察问题比较麻烦。这就需要进行降维处理，即用较少几个综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。 线性组合：记x1，x2，…，xP 为原变量指标，z1，z2，…，zm （m ≤p ）为??????????????=np n n p p x x x x x x x x x X 212222111211
因子分析作业： 全国30个省市的8项经济指标如下： 要求：先对数据做标准化处理，然后基于标准化数据进行以下操作 1、给出原始变量的相关系数矩阵； 2、用主成分法求公因子，公因子的提取按照默认提取（即特征值大于1），给出公因子的方差贡献度表； 3、给出共同度表，并进行解释； 4、给出因子载荷矩阵，据之分析提取的公因子的实际意义。如果不好解释，请用因子旋转（采用正交旋转中最大方差法）给出旋转后的因子载荷矩阵，然后分析旋转之后的公因子，要求给各个公因子赋予实际含义； 5、先利用提取的每个公因子分别对各省市进行排名并作简单分析。最后构造一个综合因子，计算各省市的综合因子的分值，并进行排序并作简单分析。 1、输入数据，依次点选分析描述统计描述，将变量x1到x8选入右边变量下面，点选“将标
准化得分另存为变量”，点确定即可的标准化的数据。 依次点选分析降维因子分析，打开因子分析窗口，将标准化的8个变量选入右边变量下面，点选描述相关矩阵下选中系数及KMO和Bartlett的检验，点继续，确定，就可得出8个变量的相关系数矩阵如下图。 由表中数据可以看出大部分数据的绝对值都在以上，说明变量间有较强的相关性。 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.621 Bartlett 的球形度检验近似卡方 df28 Sig..000 由上图看出，sig.值为0，所以拒绝相关系数为0（变量相互独立）的原假设，即说明变量间存 在相关性。 2、依次点选在因子分析窗口点选抽取方法：主成分；分析：相关性矩阵；输出：未旋转的因子解，碎石图；抽取：基于特征值（特征值大于1）；继续，确定，输出结果如下3个图。 解释的总方差 成份 初始特征值提取平方和载入 合计方差的 %累积 %合计方差的 %累积 % 1 2 3 4.403
因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在： 计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解
因子分析的基本概念与步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量,以期望能对问题有比较全面、完整的把握与认识。例如,对高等学校科研状况的评价研究,可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标;再例如,学生综合评价研究中,可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力,虽然它们能够较为全面精确地描述事物,但在实际数据建模时,这些变量未必能真正发挥预期的作用,“投入”与“产出”并非呈合理的正比,反而会给统计分析带来很多问题,可以表现在: 计算量的问题 由于收集的变量较多,如果这些变量都参与数据建模,无疑会增加分析过程中的计算工作量。虽然,现在的计算技术已得到了迅猛发展,但高维变量与海量数据仍就是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如,高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性;学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠与高度相关会给统计方法的应用带来许多障碍。例如,多元线性回归分析中,如果众多解释变量之间存在较强的相关性,即存在高度的多重共线性,那么会给回归方程的参数估计带来许多麻烦,致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题,最简单与最直接的解决方案就是削减变量的个数,但这必然又会导致信息丢失与信息不完整等问题的产生。为此,人们希望探索一种更为有效的解决方法,它既能大大减少参与数据建模的变量个数,同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数,并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson与Charles Spearmen等人关于智力测验的统计分析。目前,因子分析已成功应用于心理学、医学、气象、地址、经济学等领域,并因此促进了理论的不断丰富与完善。 因子分析以最少的信息丢失为前提,将众多的原有变量综合成较少几个综合指标,名为因子。通常,因子有以下几个特点: ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后,因子将可以替代原有变量参与数据建模,这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不就是原有变量的简单取舍,而就是原有变量重组后的结果,因此不会造成原有变量信息的大量丢失,并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱,因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常,因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解释
SPSS因子分析实例操作步骤 实验目的： 引入2003~2013年全国的农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业7个产业的投资值作为变量，来研究其对全国总固定投资的影响。 实验变量： 以年份，合计（单位：千亿元），农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业作为变量。 实验方法：因子分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open； 2. Opening excel data source——OK.
第二步： 1.数据标准化：在最上面菜单里面选中Analyze——Descriptive Statistics——OK （变量选择除年份、合计以外的所有变量）. 2.降维：在最上面菜单里面选中Analyze——Dimension Reduction——Factor ，变量选择标准化后的数据.
3.点击右侧Descriptive，勾选Correlation Matrix选项组中的Coefficients和 KMO and Bartlett’s text of sphericity,点击Continue. 4.点击右侧Extraction,勾选Scree Plot和fixed number with factors，默认3个，点击Continue.
5.点击右侧Rotation，勾选Method选项组中的Varimax；勾选Display选项组中的Loding Plot(s)；点击Continue. 6.点击右侧Scores，勾选Method选项组中的Regression；勾选Display factor score coefficient matrix；点击Continue.
S P S S探索性因子分析的 过程 Company Document number：WUUT-WUUY-WBBGB-BWYTT-1982GT
现要对远程学习者对教育技术资源和使用情况进行了解，设计一个李克特量表，如下图所示： 一．因子分析的定义 在现实研究过程中，往往需要对所反映事物、现象从多个角度进行观测。因此研究者往往设计出多个观测变量，从多个变量收集大量数据以便进行分析寻找规律。多变量大样本虽然会为我们的科学研究提供丰富的信息，但却增加了数据采集和处理的难度。更重要的是许多变量之间存在一定的相关关系，导致了信息的重叠现象，从而增加了问题分析的复杂性。 因子分析是将现实生活中众多相关、重叠的信息进行合并和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标，以利于分析判定。用较少的综合指标分析存在于各变量中的各类信息，而各综合指标之间彼此是不相关的，代表各类信息的综合指标成为因子。因子分析就是用少数几个因子来描述许多指标之间的联系，以较少几个因子反应原资料的大部分信息的统计方法。 二．数学模型 Z为第i个变量的标准化分数；（标准分是一种由原始分出来的，它是用来说明原始分i 在所属的那批分数中的相对位置的。）
m F 为共同因子； m 为所有变量共同因子的数目； i U 为变量i Z 的唯一因素； im α为因子负荷。（也叫因子载荷，统计意义就是第i 个变量与第m 个公共因子的相关 系数,它反映了第i 个变量在第m 个公共因子上的相对重要性也就是第m 个共同因子对第i 个变量的解释程度。） 因子分析的理想情况，在于个别因子负荷im α不是很大就是很小，这样每个变量才能与较少的共同因子产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则i U 彼此间不能有关联存在。 所谓的因子负荷就是因子结构中原始变量与因子分析时抽取出共同因子的相关，即在各个因子变量不相关的情况下，因子负荷im α就是第i 个原有变量和第m 个因子变量间的相关系数，也就是i Z 在第m 个共同因子变量上的相对重要性，因此，im α绝对值越大则公共因子和原有变量关系越强。在因子分析中有两个重要指针：一为“共同性”，二为“特征值”。 所为共同性，也称变量共同度或者公共方差，就是每个变量在每个共同因子的负荷量的平方总和（一横列中所有因子负荷的的平方和），也就是个别变量可以被共同因子解释的变异量百分比，这个值是个别变量与共同因子间多元相关的平方。从共同性的大小可以判断这个原始变量与共同因子间的关系程度。如果大部分变量的共同度都高于，则说明提取出的共同因子已经基本反映了各原始变量80%以上的信息，仅有较少的信息丢失，因子分析效果较好。而各变量的唯一因素就是1减掉该变量共同性的值，就是原有变量不能被因子变量所能解释的部分。 所谓特征值，是每个变量在某一共同因子的因子负荷的平方总和（一直行所有因子
实验课：因子分析 实验目的 理解主成分（因子）分析的基本原理，熟悉并掌握SPSS中的主成分（因子）分析方法及其主要应用。 因子分析 一、基础理论知识 1 概念 因子分析（Factor analysis）：就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis）：是因子分析的一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA）和因子分析（FA）是两种把变量维数降低以便于描述、理解和分析的方法，而实际上主成分分析可以说是因子分析的一个特例。 2 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。
3 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 4分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : 当p 较大时，在p 维空间中考察问题比较麻烦。这就需要进行降维处理，即用较少几个 综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。 线性组合：记x1，x2，…，xP 为原变量指标，z1，z2，…，zm （m ≤p ）为新变量指标（主成分），则其线性组合为: Lij 是原变量在各主成分上的载荷 无论是哪一种因子分析方法，其相应的因子解都不是唯一的，主因子解仅仅是无数因子解中之一。 zi 与zj 相互无关； z1是x1，x2，…，xp 的一切线性组合中方差最大者，z2是与z1不相关的x1，x2，…的所有线性组合中方差最大者。则，新变量指标z1，z2，…分别称为原变量指标的第一，第二，…主成分。 Z 为因子变量或公共因子，可以理解为在高维空间中互相垂直的m 个坐标轴。 主成分分析实质就是确定原来变量xj （j=1，2 ，…，p ）在各主成分zi （i=1，2，…，m ）上的荷载 lij 。 从数学上容易知道，从数学上也可以证明，它们分别是相关矩阵的m 个较大的特征值所对应的特征向量。 ?? ? ??? ????? ???=np n n p p x x x x x x x x x X 2 1 222 21 11211?? ? ?? ? ?+++=+++=+++=p mp m m m p p p p x l x l x l z x l x l x l z x l x l x l z 22112222121212121111?? ? ?? ? ?+++=+++=+++=p mp m m m p p p p x l x l x l z x l x l x l z x l x l x l z 22112222121212121111
使用S P S S进行探索式因素分析的教程
第4章探索式因素分析 在社会与行为科学研究中，研究者经常会搜集实证性的量化资料來做验证，而要证明这些资料的可靠性与正确性，则必须依靠测量或调查工具的信度或效度（杨国枢等，2002b）。一份好的量表应该要能够将欲研究的主题构念（Construct，它是心理学上的一种理论构想或特质，无法直接观测得到）清楚且正确的呈现出来，而且还需具有「效度」，即能真正衡量到我们欲量测的特性，此外还有「信度」，即该量表所衡量的结果应具有一致性、稳定性，因此为达成「良好之衡量」的目标，必须有以下两个步骤：第一个步骤是针对量表的题项作项目分析，以判定各项目的区别效果好坏；第二步骤则是建立量表的信度与效度。量表之项目分析、信度检验已于第2、3章有所说明，本章将探讨量表之效度问题。 4-1 效度 效度即为正确性，也就是测量工具确实能测出其所欲测量的特质或功能之程度。一般的研究中最常使用「内容效度」（Content Validity）与「建构效度」（Construct Validity）来检视该份研究之效度。 所谓「内容效度」，是指该衡量工具能足够涵盖主题的程度，此程度可从量表内容的代表性或取样的适切性来加以评估。若测量内容涵盖所有研究计划所要探讨的架构及内容，就可说是具有优良的内容效度。在一般论文中，常使用如下的描述来「交代」内容效度： 而所谓「建构效度」系指测量工具的内容，即各问项是否能够测量到理论上的构念或特质的程度。建构效度包含收敛效度（Convergent Validity）与区别效度（Discriminant Validity），收敛效度主要测试以一个变量（构念）发展出的多项问项，最后是否会收敛于一个因素中（同一构念不同题目相关性很高）；而区别效度为判别问项可以与其它构念之问项区别的程度（不
31. 因子分析 一、基本原理 因子分析，是用少数起根本作用、相互独立、易于解释通常又是不可观察的因子来概括和描述数据，表达一组相互关联的变量。通常情况下，这些相关因素并不能直观观测。 因子分析是从研究相关系数矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。简言之，即用少数不可观测的隐变量来解释原始变量之间的相关性或协方差关系。 因子分析的作用是减少变量个数，根据原始变量的信息进行重组，能反映原有变量大部分的信息；原始部分变量之间多存在较显著的相关关系，重组变量（因子变量）之间相互独立；因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 主成分分析是因子分析的特例。主成份分析的目标是降维，而因子分析的目标是找出公共因素及特有因素，即公共因子与特殊因子。 因子分析模型在形式上与线性回归模型相似，但两者有着本质的区别：回归模型中的自变量是可观测到的，而因子模型中的各公因子是不可观测的隐变量，而且两个模型的参数意义也不相同。 得到估计的因子模型后，还必须对得到的公因子进行解释。即对每个公共因子给出一种意义明确的名称，用来反映在预测每个可观察变量中这个公因子的重要性。该公因子的重要程度就是在因子模型矩
阵中相应于这个因子的系数。 由于因子载荷阵不惟一，故可对因子载荷阵进行旋转。目的是使因子载荷阵的结构简化，使载荷矩阵每列或行的元素平方值向0和1两极分化，这样的因子便于解释和命名。 每个样本都可以计算其在各个公因子上的得分，利用因子得分以及该公因子的方差贡献比例，又可以计算每个样本的综合得分。 二、因子分析实例 例1（综合评价问题）对我国30个省市经济发展的8个指标进行分析和排序。数据文件如下： x1=GDP；x2=居民消费水平；x3=固定资产投资； x4=职工平均工资；x5=货物周转量；x6=居民消费价格； x7=商品价格指数；x8=工业总产值。 1. 【分析】——【降维】——【因子分析】，打开“因子分析”窗口，将变量“x1-x8”选入【变量】框；
实验课:因子分析 实验目的 理解主成分(因子)分析的基本原理,熟悉并掌握SPSS中的主成分(因子)分析方法及其主要应用。 因子分析 一、基础理论知识 1 概念 因子分析(Factor analysis):就就是用少数几个因子来描述许多指标或因素之间的联系,以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来瞧,主成分分析就是一种化繁为简的降维处理技术。 主成分分析(Principal component analysis):就是因子分析的一个特例,就是使用最多的因子提取方法。它通过坐标变换手段,将原有的多个相关变量,做线性变化,转换为另外一组不相关的变量。选取前面几个方差最大的主成分,这样达到了因子分析较少变量个数的目的,同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系:主成分分析(PCA)与因子分析(FA)就是两种把变量维数降低以便于描述、理解与分析的方法,而实际上主成分分析可以说就是因子分析的一个特例。 2 特点 (1)因子变量的数量远少于原有的指标变量的数量,因而对因子变量的分析能够减少分析中的工作量。 (2)因子变量不就是对原始变量的取舍,而就是根据原始变量的信息进行重新组构,它能够反映原有变量大部分的信息。 (3)因子变量之间不存在显著的线性相关关系,对变量的分析比较方便,但原始部分变量之间多存在较显著的相关关系。 (4)因子变量具有命名解释性,即该变量就是对某些原始变量信息的综合与反映。 在保证数据信息丢失最少的原则下,对高维变量空间进行降维处理(即通过因子分析或主成分分析)。显然,在一个低维空间解释系统要比在高维系统容易的多。
我就以我的数据为例来做示范，仅供参考 一、信度分析（即可靠度分析） 1.分析——度量——可靠度分析 图 1 2.然后就会弹出上图1的 框框。在这里，你可以对 所有的问题进行可靠度分 析，如果是这样，那你只 需要选中所有的问题到右 边这个白色的框框，然后 点击“统计量”，按照右 边这个图进行打钩。然后 点“继续”。之后就点“确 定”图2 3.接着去“输出1”这个框看分析结果，你就 会看到很多分析结果，其中有一个就是右图，
那第一个0.808就是你所选择进行分析的数据的信度。如果你想把每一个维度的数据进行独立的信度分析，那道理也是一样的。 二、因子分析 在做因子分析之前首先要判断这些数据是否适合做因子分析，那这里就需要进行效度检验，不过总共效度检验是和因子分析的操作同步的，意思就是说你在做因子分析的时候也可以做效度检验。具体示范如下： 1.分析——降维——因子分析 图 2 一般来说，咱们做因子分析的时候是为了把那些具有共同属性的因子归类成一类，说的简单点就是要验证咱们所选取的每一个维度下面的题目是属于这个维度，而非其他维度的。那一般来说，因子分析做出来的结果就是你原本有几个维度，最终分析结果就会归类成几个公因子。 2.一般来说，自变量的题目和因变量的题目是要独立分析的。我的课题是“店
面形象对顾客购买意愿的影响”那自变量就是店面形象的那些维度，因变量就是顾客购买意愿。 3.将要做分析的题目选择到右边的白框之后，就如下图打钩： “抽取”和“选项”两个不用管他。然后就点 “确定” 4.按照上述步骤操作下来 之后，就可以去“输出1” 看分析结果。首先看效 度检验的结果：这里要 看第一行和最后一行的数据，第一行数据为0.756，表明效度较高，sig为 0.000，这两个结果显示这份数据完全可以做因子分析。那就去看因子分析的