下载文档原格式
如何用SPSS软件计算因子分析应用结果一、概述因子分析是一种在社会科学、心理学、经济学和许多其他领域广泛使用的统计分析方法。
这种方法的核心目的是简化数据集，通过找出潜在的结构或模式，将多个变量归纳为少数几个综合因子。
这些因子通常代表某种潜在的、不可直接观测的变量或特质，它们可以解释原始数据中的大部分变异。
SPSS，作为世界上最流行的统计分析软件之一，提供了强大的因子分析功能。
使用SPSS进行因子分析，研究者可以方便地得到因子载荷、因子得分、解释方差比例等关键信息，从而更深入地理解数据的内在结构和变量之间的关系。
本文将详细介绍如何使用SPSS软件进行因子分析，并解读分析结果。
我们将从数据准备开始，逐步讲解因子分析的步骤，包括选择适当的因子提取方法、旋转方法，以及如何解释和分析结果。
通过本文的学习，读者将能够掌握因子分析的基本方法，并能够独立运用SPSS软件进行有效的因子分析。
1. 简要介绍因子分析的概念及其在数据分析中的应用。
因子分析是一种在多元统计分析中广泛应用的技术，其主要目的是通过对大量变量间关系的研究，找出这些变量之间的潜在结构，或者说找出潜在的公共因子。
这些公共因子能够反映原始变量的大部分信息，并且彼此之间互不相关。
通过因子分析，研究者可以在减少变量数量的同时，保留原始数据中的关键信息，从而简化数据结构，方便后续的分析和解释。
在数据分析中，因子分析的应用非常广泛。
例如，在社会科学领域，研究者可能需要对大量的社会指标进行分析，以了解社会现象的本质。
这时，因子分析可以帮助他们找出这些指标背后的潜在结构，从而更深入地理解社会现象。
在市场营销领域，因子分析可以帮助研究者识别出消费者对不同产品的偏好模式，从而指导产品设计和市场定位。
在生物医学领域，因子分析可以用于基因表达数据的分析，帮助研究者找出影响特定生物过程的基因群。
在SPSS软件中，因子分析的实现相对简单，用户只需按照软件的操作步骤进行操作即可完成分析。
如何利用SPSS做因子分析等分析SPSS是一款强大的统计分析软件，可以用于各种数据分析任务，包括因子分析。
因子分析是一种用于探究观测变量之间关系的统计方法，它可以帮助我们理解数据集中不同变量之间的相关性和结构。
下面是一个简要的关于如何利用SPSS进行因子分析的步骤：1.准备数据首先，需要确保将数据整理成适合因子分析的格式。
确保数据集中的变量是连续型变量，并且不存在缺失值。
如果存在缺失值，需要进行数据处理或进行数据填充。
2.导入数据打开SPSS软件，然后依次选择“File”、“Open”来导入数据文件。
选择正确的文件路径和文件名，然后点击“打开”按钮。
3.创建因子分析模型选择“Analyze”菜单下的“Dimension Reduction”子菜单，然后选择“Factor”。
将需要进行因子分析的变量移至右侧的“Variables”框中，然后点击“OK”按钮。
4.选择因子提取方法5.设置因子提取参数出现因子提取对话框后，可以选择提取的因子数目和提取标准。
默认情况下，SPSS会提取所有可能的因子。
也可以根据实际需要进行调整。
完成设置后，点击“Continue”按钮。
6.选择因子旋转方法因子旋转可帮助我们更好地理解因子结构。
在因子分析向导的旋转选项中，可以选择旋转方法，如正交旋转和斜交旋转等。
选择一个适合你的需求的旋转方法，然后点击“Rotation”按钮。
7.设置旋转参数出现旋转参数对话框后，可以选择旋转的方法和旋转的标准。
默认情况下，SPSS会选择最大方差法和标准负荷量，但你可以根据需要进行调整。
完成设置后，点击“Continue”按钮。
8.检查结果在因子分析向导的“Descriptives”选项中，可以查看因子提取和旋转后的结果。
这些结果包括因子载荷矩阵、公因子方差和解释方差等信息。
仔细检查结果，确保它们符合你的预期。
9.解释结果在进行因子分析后，需要解释因子载荷矩阵以及其他统计结果。
因子载荷矩阵可以告诉你每个变量与每个因子之间的关系。
SPSS操作过程因子分析SPSS因子分析操作步骤：第一步：将EXCEL数据导入到SPSS中，选择file→open第二步：从菜单上依次选择analysis→dimension reduction→factor命令，打开factor analysis主对话框第三步：指定参与因子分析的变量。
在factor analysis 主对话框中，从左侧选择参与因子分析的变量，单击向右的箭头按钮，使之添加到右边的variables框中，本例中选择的是除了地区以外的剩下的8个变量。
第四步：单击descriptives按钮，打开descriptives子对话框，指定输出结果，如下图第五步：单击extraction按钮，打开extraction对话框，选择因子提取的方法。
本例中在method框选择主成分法（principle components）提取公共因子；analysis框中选择correlation matrix 项，从相关系数矩阵出发提取公共因子；display 框选择unrotated factor solutin和scree plot 项；extract框选择的是base on eigenvalue,这里我们选择系统根据单位根来提取。
如下图：第六步：单击rotation按钮，打开rotation框，选择因子旋转方法。
本例中选择方差极大旋转法varimax ，并选择rotated solution 和scree plot项，输出旋转后的因子载荷矩阵和载荷散点图，单击continue按钮，返回factor analysis对话框单击scores按钮进入factor scores 对话框，选择计算因子得分的方法。
本例中选择regression(回归因子得分)，并选择方差极大旋转法varimax；并选中display factor scores coefficient matrix 输出因子得分系数矩阵；选择save as variables 把因子得分作为新变量保存在数据编辑窗口，单击continue按钮，返回factor anaysis对话框。
《SPSS数据分析教程》——因子分析因子分析（Factor Analysis）是一种常用的统计分析方法，用于研究多个变量之间的相关性和结构关系。
它通过将众多变量转化为相对较少的几个潜在因子，帮助研究者理解和解释数据的结构。
因子分析的目标是通过寻找潜在因子来解释观察到的变量之间的关系。
在因子分析中，变量被假设为由若干个潜在因子和测量误差所决定。
潜在因子是无法直接观测到的，只能通过观测到的变量来推断。
通过因子分析，可以提取出影响变量的潜在因子，从而简化数据分析和数据呈现的复杂度。
因子分析的步骤主要包括：1.设计研究目的和问题。
确定要分析的变量和研究的目标，为分析奠定基础。
2.收集和准备数据。
收集包含需要分析的变量的数据，确保数据的质量，如缺失值处理、异常值处理等。
3.进行初步分析。
对数据进行描述性统计分析，了解各个变量的基本情况，以及变量之间的相关性。
4.进行因子提取。
通过因子提取方法，提取出能够解释大部分变量方差的因子。
常用的因子提取方法有主成分分析法和极大似然估计法等。
5.进行因子旋转。
提取出的因子通常是不易解释和理解的，需要通过因子旋转方法，将因子转化为更容易解释的形式。
常用的因子旋转方法有正交旋转和斜交旋转等。
6.解释因子载荷。
因子载荷表示变量与因子之间的相关性，可以用于解释因子的含义和影响变量的程度。
7.因子得分计算和解释。
通过因子得分计算，可以将观测变量转化为因子得分，从而进一步分析观测变量之间的关系。
8.检验模型合理性。
通过适当的统计方法，检验因子分析模型的合理性和拟合度。
9.解释结果和报告。
根据因子分析的结果，解释潜在因子的含义和变量之间的关系，并撰写报告。
因子分析在很多领域都有广泛的应用，如心理学、教育学、社会学等。
在心理学中，因子分析可以用于构建心理测量量表，如人格特质量表、情绪测量量表等；在市场研究中，可以用于分析消费者的购买动机和偏好等；在教育学中，可以用于分析学生的学习行为和学习成绩等。
SPSS因子分析结果解释引言SPSS（Statistical Package for the Social Sciences，社会科学统计软件）是一款功能强大的统计分析软件，被广泛应用于社会科学研究领域。
其中，因子分析是一种常用的统计方法，用于研究观测数据中的潜在因素结构。
本文将围绕SPSS中的因子分析结果进行解释和分析。
方法在进行因子分析之前，我们需要确保满足以下前提条件: 1. 样本的合适性：样本应满足多变量正态分布，如果违反了这个假设，可能会影响因子分析结果的准确性。
2. 样本的适度：样本的目标样本量应该足够大，以确保因子分析结果的稳定性和可靠性。
3. 变量间的相关性：样本中的变量应该存在一定的相关性，以便进行因子分析。
如果变量之间的相关性较低，那么因子分析解释的可行性将会受到限制。
在SPSS中执行因子分析的步骤如下： 1. 打开SPSS软件并加载数据集。
2. 从菜单中选择“分析”->“降维”->“因子”。
3. 在因子分析对话框中，选择需要进行因子分析的变量，并进行其他设置，如提取方法、旋转方法等。
4. 点击“确定”按钮进行分析。
5. 分析结果将在输出窗口中显示，包括因子载荷矩阵、因子方差解释比例等。
结果解释因子载荷矩阵因子载荷矩阵是因子分析的重要结果之一。
它展示了每个观测变量与因子之间的关系强度。
载荷矩阵的每一列代表一个因子，每一行代表一个观测变量。
数值越高，表示观测变量与因子之间的关系越密切。
根据载荷矩阵，我们可以对因子进行命名和解释。
通常，我们会根据变量与因子之间的相关性，将相关系数大于0.4或0.5的变量与因子关联起来。
通过这种方式，我们可以识别出反映潜在因素结构的变量，并为这些因子提供定义和解释。
因子方差解释比例因子方差解释比例是衡量因子分析解释能力的重要指标之一。
它表示因子能够解释原始变量的方差的比例。
该指标越高，表示因子解释了更多的方差，也就说明因子分析结果的可信度和有效性越高。
因子分析SPSS操作因子分析是一种多变量统计方法，旨在发现潜在的结构和相关性，以便简化数据集并解释变量之间的关系。
SPSS（统计软件包社会科学）是一种广泛使用的统计软件，可以帮助研究人员进行因子分析。
在SPSS中进行因子分析的步骤如下：1.数据准备：-确保数据集已经导入到SPSS中。
-检查和清洗数据，确保数据完整、准确，并且符合因子分析的前提条件。
2.因子分析模型：- 打开SPSS软件并选择“Analyze”菜单。
- 从下拉菜单中选择“Dimension Reduction”>“Factor Analysis”。
3.变量选择：- 从左侧的变量列表中选择要进行因子分析的变量，并将它们移动到右侧的“Variables”框中。
-这些变量应该是连续变量，而非分类变量。
4.因子提取：- 在“Factor Analysis”对话框的“Extraction”选项卡中选择因子提取方法。
- 确定要提取的因子数量。
可以使用Kaiser标准（主成分分析时为特征值大于1）或Scree Plot来指导因子数量的选择。
5.因子旋转：- 进入“Rotation”选项卡，选择适当的因子旋转方法。
- 常用的方法包括Varimax、Promax、Quartimax等。
-因子旋转的目标是最大化因子载荷的简单性和解释性。
6.结果解释：-在因子分析的结果中，可以查看各个变量的因子载荷矩阵，它描述了每个变量在每个因子上的影响程度。
-可以选择将因子载荷阈值设置为一定值，以便筛选出具有较高负载的变量。
-查看每个因子的解释方差，以了解它们对原始变量的解释程度。
7.结果可视化：-可以使用SPSS的图表功能来可视化因子分析结果。
-比如，可以绘制因子载荷矩阵的热图，用不同颜色表示不同的负载水平。
-还可以绘制因子解释方差的条形图，以比较每个因子的贡献程度。
需要注意的是，因子分析在使用时需要考虑以下几点：-样本量必须足够大，一般建议至少大于观测变量数的10倍。
使用SPSS软件进行因子分析和聚类分析的方法使用SPSS软件进行因子分析和聚类分析的方法随着统计分析软件的发展，SPSS（Statistical Package for the Social Sciences）软件作为一款功能强大、易于使用的统计分析工具受到广泛欢迎。
它能帮助研究人员进行各种统计分析，其中包括因子分析和聚类分析。
本文将介绍如何使用SPSS软件进行因子分析和聚类分析，并针对每个分析方法提供详细步骤和操作示例。
一、因子分析因子分析是一种常用的统计方法，在数据维度缩减和相关变量结构分析方面具有广泛的应用。
以下是使用SPSS软件进行因子分析的步骤：1. 数据准备首先，需要将原始数据导入SPSS软件中。
可以通过选择“文件”>“打开”>“数据”，然后选择合适的数据文件进行导入。
确保数据是以矩阵的形式存储，每个变量占据一列，每个观察单位占据一行。
2. 因子分析设置在SPSS软件中，选择“分析”>“数据准备”>“特殊分析”>“因子”。
在弹出的对话框中，选择需要进行因子分析的变量，将它们移动到“因子”框中。
然后，选择所需的因子提取方法（如主成分分析或因子分析），并指定所需的因子个数。
可以选择默认值，也可以根据实际需求进行调整。
3. 统计输出完成因子分析设置后，点击“确定”按钮开始分析。
SPSS软件将生成一个因子分析结果报告。
报告中将包含因子载荷矩阵、特征值、解释的方差比例等统计指标。
通过这些指标，可以对变量和因子之间的关系、每个因子的解释能力进行分析。
4. 结果解读对于因子载荷矩阵，可以根据因子载荷的大小来判断变量与因子之间的关系。
一般来说，载荷绝对值大于0.3的变量与因子之间具有显著关联。
解释的方差比例表示每个因子能够解释变量总方差的比例，一般来说，越大越好。
在解读结果时，需要综合考虑因子载荷和解释的方差比例。
二、聚类分析聚类分析是一种用于数据分类的统计方法。
它根据观测值之间的相似性将数据对象分组到不同的类别中。
实验课：因子分析实验目的理解主成分〔因子〕分析的根本原理，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、根底理论知识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局部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 ponent 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，这样到达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局部的信息。
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展重新组构，它能够反映原有变量大局部的信息。
〔3〕因子变量之间不存在显著的线性相关关系，对变量的分析比拟方便，但原始局部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。
在保证数据信息丧失最少的原那么下，对高维变量空间进展降维处理〔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拟麻烦。
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；
2. 点【描述】，打开“描述统计”子窗口，勾选【统计量】下的“单变量描述性”、“原始分析结果”，【相关矩阵】下的“系数”、“再生”、“KMO和Bartlett的球形度检验”；点【继续】；
3. 点【抽取】，打开“抽取”子窗口，【方法】选“主成份”，【分析】选“相关性矩阵”，【输出】勾选“未旋转因子解”、“碎石图”，【抽取】选“基于特征值：特征值大于‘1’”；点【继续】；
注1：提取公因子方法有（1）主成份法（默认），假设变量是各因子的线性组合，从解释变量的变异除非，尽量是变量的方差能被主成分所解释，适合大多数情况；
（2）未加权的最小平方法：使相关矩阵和再生相关矩阵之差的平方和达到最小；
（3）综合最小平方法：同（2），并用单值的倒数对相关系数加权；
（4）最大似然法：要求数据服从多变量正态分布，此时生成的参数估计最接近观察到相关矩阵，适宜样本量较大情况；
（5）主轴因子分解法：从原始变量的相关性出发，使变量间的相关程度尽可能地被公因子解释，但对变量方差的解释不太重视；
（6）α因子分解法：将变量看出从潜在的变量空间中抽取出的样本，计算时尽量使得变量的α信度达到最大，适合不好的数据；
（7）映像因子分解法：把一个变量看作是其它变量的多元回归，
提取公因子。
注2：计算特征值和特征向量时，可选择相关矩阵（不受量纲影响）或协方差矩阵（受量纲影响较大，需先进行变量标准化）计算主成分。
但SPSS做因子分析时，已经包含了变量标准化过程。
二者结果有差异，但在对因子解释和方差贡献率的解释上是一致的。
4. 点【旋转】，打开“旋转”子窗口，【方法】选“最大方差法”，【输出】勾选“旋转解”、“载荷图”；点【继续】；
注：（1）最大方差法：最常用，使各因子保持正交前提下的方差差异（相对载荷平方和）达到最大，方便对公因子解释；
（2）最大四次方值法：各因子方差差异化更强，并减少和每个变量有关联的因子数，简化对原变量的解释；
（3）最大平衡值法：介于方差最大正交旋转与4次方最大正交旋转之间；
（4）直接Oblimin法：斜交旋转方法，需先指定一个因子映像
的自相关范围；
（5）Promax：最常用的斜交旋转法，在方差最大正交旋转的基础上再进行斜交旋转，旋转后允许因子间存在相关，适合有具体的结果倾向时选用。
5. 用主成分法提取公因子，用回归法对因子进行估计。
点【得分】，打开“因子得分”子窗口，勾选“保存为变量”方法选“回归”、“显示因子得分系数矩阵”；点【继续】；
另外，若在【选项】子窗口，将【系数显示格式】勾选“按大小排序”，将按载荷从大到小排列变量。
点【确定】得到（部分与主成份分析结果相同，略）
KMO检验变量间的偏相关是否较大，该值越大越适合做因子分析，以上因子分析效果较好，以下不适合做因子分析。
KMO值=<说明
变量间的重叠可能不是特别高。
Bartlett球形度检验判断相关系数矩阵是否是单位阵，原假设H0：各变量相互独立。
P值<<, 故拒绝原假设，即变量间有较强的相关性。
公因子方差，表示各变量中所含原始信息能被提取的公因子所表示的程度。
基本都在以上，表示提取的公因子对各变量有较强的解释能力。
【初始特征值】表示初步提取共同因素的结果：“合计”列为每一个主成分的特征值，其值越大表示该主成分在解释8个变量的变异时越重要；“方差的%”列为每个提取因素可以解释的变异百分比；“累积%”列为解释的变异的累积百分比；8个变量（初始特征值=1）总特征值为8，第一个特征值=, 8 = %即第一个“方差的%”值，累积百分比最终是100%.
【提取平方和载入】给出了旋转前的特征值、解释变异量、累积解释变异量；主成分法默认只提取≥1的特征值，共3个即3个公因子（3个是否合适借助碎石图判断），它们共可解释%的变异。
【旋转平方和载入】给出了旋转后的特征值、解释变异量、累积解释变异量；旋转后，共同因素的特征值会改变，但总的特征值之和不变（解释的变异的累积百分比相同）；共同性也不会改变，但每个变量在其共同因素中的负荷系数会改变。
碎石图，可以帮助决定公因子的数目。
碎石图将每个公因子的特征值（重要程度）从高到低排序绘制成一条坡度线，横轴为公因子数目。
其判断标准是：取坡度线急剧下降的部分，去掉坡度线平坦的部分，从图中看选取4个共同因素是合适的。
另外，也要参考选取的合理性：选择的公因子包含的变量数不能太少。
正常情况下需要将【抽取】的公因子数设为4重新做因子分析：在原窗口点【抽取】，打开“抽取”子窗口，选择【抽取】下的“因子的固定数量”，在【要提取的因子】框输入“4”；点【继续】；
但由于本例中变量数较少，故保持原来的3个公因子。
旋转前（实际上是主成分分析的结果），8个变量在3个公因子上的载荷矩阵，载荷值越大表示该变量与其共同因素的关联越大。
由该矩阵可以计算每个变量的共同性、每个公因子的特征值、再生相关矩阵。
公因子结构表达式（因子模型，前3项为共同因素，εi为特殊因子）：
Z x1 = *F1 + *F2 + *F3 + ε1
……
Z x8 = *F1 + *F2 + *F3 + ε8
其中，Z xi为x i的标准化变量，Fi的表达式同【第30篇：主成份分析】中的表示。
共同性为每个变量在各公因子上载荷的平方和，如变量“固定资产投资”的共同性为： + + =
公因子的特征值是该公因子上所有载荷的平方和，如公因子1的特征值为（注意这些特征值是从大到小排列）：
+ + + …+ 2=
采用方差最大正交旋转法旋转后的公因子载荷矩阵，旋转的目的是为了让载荷大的越大、小的越小（载荷平方和不变），从而更容易区分各变量的归属。
由于是正交转轴，故表中系数可视为变量与共同因素的相关系数矩阵（因素结构或加权矩阵），等于旋转前的公因子载荷矩阵乘以成份转换矩阵。
标准定为选择载荷大于的变量，可看出
公因子1包含变量：GDP、工业总产值、固定资产投资、货物周转量；从而，可命名为总量因子；
公因子2包含变量：职工平均工资、居民消费水平；从而，可命名为消费因子；
公因子3包含变量：居民消费价格指数、商品价格指数；从而，可命名为价格因子。
成分得分矩阵给出了各主成分在每个变量上的载荷，从而得到计算公式：
F1= Z x1+ Z x2+ Z x4+ Z x5
+ Z x6+ Z x7+ Z x8
F2= Z x1+ Z x2+ Z x3+ Z x5
+ Z x7+ Z x8
F3= Z x1++ Z x3+ Z x5
+ Z x6++ Z x8
注：该计算公式本质上与利用“旋转成分矩阵”得到的主成分计算公式是等价的，区别是前者的标准差是1.
各公因子的得分保存为新变量（默认为）：FAC1_1~FAC3_1
这3个公因子分别从三个不同方面反映了各地经济发展状况，若要用1个综合得分来综合评价各省市经济发展，可以按各公因子对应的方差贡献率的比例为权重计算综合得分：
Score = *FAC1_1+*FAC2_1+*FAC3_1
注：上述数值来自前文“解释的总方差”表。
【计算变量】，【排序个案】，
得到
注意：若有反向变量，需要先转化为正向。
