当前位置：文档之家 › spss因子分析实例

spss因子分析实例

  • 格式：doc
  • 大小：389.50 KB
  • 文档页数：9

一．研究目的：为了研究农民收入，我们选取了其中7种主要影响因素，包括 财政用于农业的支出的比重（%），第二、三产业从业人数占全社会从业人数的比重（%），非农村人口比重，乡村从业人员占农村人口的比重（%），农业总产值占农林牧总产值的比重（%），农作物播种面积（千公顷），农村用电量（亿千瓦时）。（数据见最后一页） 二．研究变量：在经济生活中，根据以上分析，我们在影响农民收入因素中引入7个变量。即设置变量:x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人口的比重，x5-农业总产值占农林牧总产值的比重，x6-农作物播种面积，x7—

农村用电量。

一、研究方法：SPSS中的因子分析。 具体操作步骤 （1）定义变量：x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人口的比重，x5-农业总产值占农林牧总产值的比重，x6-农作物播种面积，x7—农村用电量。 （2）导入数据： file-open-data

（3）变量标准化Analyze-Descriptive Statistics-Descriptives 勾选Save standardized values as variables保存变量，再点击ok，就完成了对变量的标准化。 （3）因子分析 Analyze—Dimension Reduction—Faction 点击右侧的Description选项，选择Statistics选项组中的initial solution，勾选Correlation Matrix选项组中的Coefficients和KMO and Bartlelts test of sphericity，点击Continue。

点击右侧Extraction选项，其中Method选Principal components，Analyze选择Correlation matrix，Display中选择Unrotated factor solution，Extract如图，点击Continue. 点击右侧Rotation选项，勾选Method选项组中的Varimax，Display中的两个选项都勾选，点击Continue。 点击右侧Scores，如图勾选，点击点击Continue。 最后点击options，默认

（4）结果分析 1.KMO and Bartlett's的检验结果图 KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .725 Bartlett's Test of Sphericity Approx. Chi-Square 255.159 df 21 Sig. .000 可以从此表中看出KMO统计量为0.725，大于最低标准，说明适合做因子分析，Bartlet球形检验，p<0.001，适合做因子分析。 2.主成分列表 Total Variance Explained

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 5.920 84.572 84.572 5.920 84.572 84.572 3.308 47.261 47.261

2 .653 9.330 93.902 .653 9.330 93.902 3.265 46.641 93.902 3 .249 3.559 97.462 4 .126 1.798 99.259 5 .042 .595 99.854 6 .008 .108 99.962 7 .003 .038 100.000 Extraction Method: Principal Component Analysis. 可以从此表中看出前2个主成分特征值较大，它们的累积贡献率达到了93.902%，故选择前2个公共因子。

3.公因子方差比结果图 Communalities Initial Extraction Zscore(财政用于农业的支出的比重) 1.000 .906

Zscore: 第二、三产业从业人数占全社会从业人数的比重(%)

1.000 .940

Zscore: 非农村人口比重(%) 1.000 .979

Zscore(乡村从业人员占农村人口的比重) 1.000 .977

Zscore(农业总产值占农林牧总产值的比重) 1.000 .943

Zscore: 农作物播种面积(千公顷) 1.000 .909

Zscore: 农村用电量(亿千瓦时) 1.000 .918

Extraction Method: Principal Component Analysis. 结果显示，每一个指标变量的共性方差都在0.9以上，说明这2个公共因子能够很好地反应原始各项指标变量的绝大部分内容。 4.载荷散点图

从载荷散点图可以看出，第一公共因子能很好解释变量x1-财政用于农业的支出的比重，变量x5-农业总产值占农林牧总产值的比重，第二公共因子能很好地解释变量x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人口的比重，x6-农作物播种面积，x7—农村用电量。 5.旋转后的因子载荷图 Component Score Coefficient Matrix Component 1 2 Zscore(财政用于农业的支出的比重) .507 -.697

Zscore: 第二、三产业从业人数占全社会从业人数的比重(%)

.120 .112

Zscore: 非农村人口比重(%) .170 .066

Zscore(乡村从业人员占农村人口的比重) .072 .164

Zscore(农业总产值占农林牧总产值的比重) .026 -.257

Zscore: 农作物播种面积(千公顷) .691 -.510

Zscore: 农村用电量(亿千瓦时) .247 -.022

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Component Scores. 经过旋转后，农作物播种面积(千公顷)、农村用电量(亿千瓦时)在因子一上有较

大载荷，财政用于农业的支出的比重、农业总产值占农林牧总产值的比重咋因子二上有较大载荷。故因子一可称为农业基本发展条件，因子二可称为政府支持情况。

6.历年农民收入总得分降序表 其中F=f1*84.572/93.902+f2*9.330/93.902

年份 f1 f2 总分F 2004 1.46067 0.23231 1.338621494 2005 1.24137 1.08005 1.225341421 1998 1.44755 -1.0258 1.20180065 1999 0.88995 -0.04301 0.797252115 2000 0.83304 0.28099 0.778188916 2001 0.79886 0.42652 0.761864705 2002 0.56754 0.85163 0.595766872 2003 0.29613 1.3662 0.402450985 1997 0.35599 0.15899 0.336416295 1996 0.141 0.023 0.129275649 1986 0.0712 -2.97824 -0.231789023 1991 -0.35654 -0.496 -0.370396593 1995 -0.53681 0.53338 -0.430477092 1992 -0.46086 -0.24669 -0.439580303 1994 -0.68793 0.39726 -0.580106709 1990 -0.70907 -0.29782 -0.66820865 1993 -0.78235 0.24344 -0.680428628 1987 -0.88133 -1.73639 -0.966287826 1989 -1.23195 0.22253 -1.087434458 1988 -2.45646 1.00764 -2.112270813

数据： 年份 财政用于农业的支出的比重 第二、三产业从业人数占全社会从业人数的比重(%) 非农村人口比重(%) 乡村从业人员占农村人口的比重 农业总产值占农林牧总产值的比重 农作物播种面积(千公顷) 农村用电量(亿千瓦时)

1986 13.43 29.5 17.92 36.01 79.99 150104.07 253.1 1987 12.2 31.3 19.39 38.62 75.63 146379.53 320.8 1988 7.66 37.6 23.71 45.9 69.25 143625.87 508.9 1989 9.42 39.9 26.21 49.23 62.75 146553.93 790.5 1990 9.98 39.9 26.41 49.93 64.66 148362.27 844.5 1991 10.26 40.3 26.94 50.92 63.09 149585.8 963.2 1992 10.05 41.5 27.46 51.53 61.51 149007.1 1106.9 1993 9.49 43.6 27.99 51.86 60.07 147740.7 1244.9 1994 9.2 45.7 28.51 52.12 58.22 148240.6 1473.9 1995 8.43 47.8 29.04 52.41 58.43 149879.3 1655.7 1996 8.82 49.5 30.48 53.23 60.57 152380.6 1812.7 1997 8.3 50.1 31.91 54.93 58.23 153969.2 1980.1 1998 10.69 50.2 33.35 55.84 58.03 155705.7 2042.2 1999 8.23 49.9 34.78 57.16 57.53 156372.81 2173.45 2000 7.75 50 36.22 59.33 55.68 156299.85 2421.3 2001 7.71 50 37.66 60.62 55.24 155707.86 2610.78 2002 7.17 50 39.09 62.02 54.51 154635.51 2993.4 2003 7.12 50.9 40.53 63.72 50.08 152414.96 3432.92 2004 9.67 53.1 41.76 65.64 50.05 153552.55 3933.03

合集下载

spss讲义-4c因子分析

spss讲义-4c因子分析


SPSS暑期教师特训班
2
60
自变量1
50
40
2.0
2.2
2.4
2.6
2.8
3.0
3.2
3.4
3.6
自变量2
SPSS暑期教师特训班
3
主成分分析
概述
在主成分分析中，提取出的每个主成分都是 原来多个指标的线性组合 如有两个原始变量x1和x2，则一共可提取出 两个主成分如下：
• z1=b11x1+b21x2 • z2=b12x1+b22x2
SPSS暑期教师特训班
17
因子分析实例
分析实例
奥林匹克资料：olymp88.sav
• 因子旋转 • 因子负荷的排序和禁止输出 • 因子计算公式的生成
SPSS暑期教师特训班
18
SPSS暑期教师特训班
5
主成分分析
有关概念
因子负荷
• 即表达式中各因子的系数值，用于反映因子和各
个变量间的密切程度，其实质是两者间的相关系 数
公因子方差比（Communalities）
• 指的是提取公因子后，各变量中信息分别被提取
出的比例，或者说原变量的方差中由公因子决定 的比例
SPSS暑期教师特训班
SPSS暑期教师特训班
4
主成分分析
概述
原则上如果有n个变量，则最多可以提取出n 个主成分，但如果将它们全部提取出来就失 去了该方法简化数据的实际意义。多数情况 下提取出前2~3个主成分已包含了90%以上 的信息，其他的可以忽略不计。 提取出的主成分能包含主要信息即可，不一 定非要有准确的实际含义。
SPSS暑期教师特训班
14
因子分析
标准分析步骤
SPSS统计分析(第6版)(高级版)教学课件SPSS 第4 章 因子与对应分析

SPSS统计分析(第6版)(高级版)教学课件SPSS 第4 章 因子与对应分析

返回
对应分析过程
对原始数据加权对话框
对应分析的主对话框
返回
对应分析过程
模型选项对话框
统计量对话框
返回
对应分析过程
图形对话框
返回
对应分析实例
【例5】 通过对应分析研究我国部分省份的农村居民 人均消费支出结构。数据资料来源于《中国统计年鉴（ 1997）》。
数据文件data4-03中共有3个变量，分别为province（ 省份：1山西、2内蒙古、3辽宁、4吉林、5黑龙江、6海南 、7四川、8贵州、9甘肃、10青海）（名义变量）， consumption（消费支出分类：1食品、2衣着、3居住、4家 庭设备及服务、5医疗保健、6交通通信、7文教娱乐）（ 名义变量），proportion（各种消费支出比例）（尺度变量 ）。
经济/总资产 样品点为：北京、上海、天津、江苏、浙江、海南。 三类：变量点为：国有经济/总资产、集体经济/总资产 样品点为：除上述省市以外的其它省份。 从我国各地经济发展的实际情况来看，这样的分类还是比较符合实
际的。在第一类中，样品点为：福建、广东，属东南沿海省份， 港澳台华侨较多，所以港澳台经济占主导。在第二类中，样品点 为：北京、上海、天津、江苏、浙江、海南，这些省市经济发达 ，开放程度高，所以，联营经济、股份制经济和外商投资经济占 主导。第三类是其它省份，由于这些省份受传统因素的影响较大 ，所以国有经济和集体经济仍占主导。
第4章 因子与对应分析
返回
因子分析与对应分析过程
返回
目录
主成分分析与因子分析 对应分析 习题及参考答案 结束
返回
主成分分析与因子分析
返回
主成分分析与因子分析概述
主成分分析就是考虑各指标间的相互关 系，利用降维的思想把多个指标转换成较 少的几个互不相关的综合指标，从而使进 一步研究变得简单的一种统计方法。
如何利用SPSS进行因子分析(九)

如何利用SPSS进行因子分析(九)

SPSS（Statistical Package for the Social Sciences）是一种专业的统计软件，广泛应用于各种学术研究和商业分析中。

其中的因子分析是一种常用的数据分析方法，用于发现数据中的潜在因子结构。

本文将介绍如何利用SPSS进行因子分析，并且探讨因子分析的一些相关概念和技巧。

1. 数据准备在进行因子分析之前，首先需要进行数据准备。

这包括数据的清洗、变量的选择和数据的标准化。

清洗数据是为了去除异常值和缺失值，以保证数据的质量。

选择变量是为了确定需要进行因子分析的变量，通常选择相关性较高的变量。

标准化数据是为了使不同变量之间的数值具有可比性，通常采用z-score标准化方法。

2. 进行因子分析在SPSS中进行因子分析非常简单。

首先打开SPSS软件，导入需要进行因子分析的数据文件。

然后依次点击“分析”→“数据降维”→“因子”，在弹出的对话框中选择需要进行因子分析的变量，设置因子提取方法和旋转方法，最后点击“确定”按钮即可进行因子分析。

3. 因子提取与旋转在因子分析中，因子提取是指从原始变量中提取出潜在因子，常用的方法有主成分分析和最大方差法。

而因子旋转是为了使因子更易于理解和解释，常用的旋转方法有方差最大旋转和极大似然旋转。

在SPSS中，可以根据具体的研究目的选择不同的因子提取和旋转方法。

4. 结果解释进行因子分析后，SPSS会输出一些统计指标和结果数据，如特征值、因子载荷矩阵等。

特征值是衡量因子解释变量方差的指标，通常选择特征值大于1的因子作为潜在因子。

因子载荷矩阵则显示了每个变量对于每个因子的贡献程度，可以根据载荷大小解释因子的含义。

5. 结果验证进行因子分析后，还需要对结果进行验证。

通常可以采用内部一致性分析、重测信度分析和因子有效性分析等方法进行结果验证。

在SPSS中，可以利用内部一致性分析来检验因子的稳定性和一致性，重测信度分析可用来检验因子的可靠性，因子有效性分析可用来检验因子的有效性。

用SPSS做探索性因子分析

用SPSS做探索性因子分析

用SPSS做探索性因子分析
今天要一起玩一个特别有趣的游戏，就像探索宝藏一样，我们要用一个神奇的工具——SPSS，来探索水果口味里藏着的神秘因子！
想象一下，你面前摆着好多好多水果，有红彤彤的苹果，咬一口，脆脆甜甜的，那甜甜的味道就像糖果一样在嘴里散开；还有弯弯的香蕉，吃起来软软糯糯的，带着一点点淡淡的香甜；还有那一颗颗像小灯笼似的橘子，剥开皮，一股清新的香味扑鼻而来，放进嘴里，酸酸甜甜的果汁就在嘴里爆开！
那这些水果的口味到底是由什么决定的？这时候，SPSS就像一个超级侦探，要帮我们找出答案！
比如说，我们想知道苹果的口味因子。

我们把好多不同品种的苹果都收集起来，有的苹果可能特别甜，就像加了好多好多蜂蜜一样；有的苹果可能有点酸，酸得让你忍不住皱皱眉头。

我们把这些苹果的各种信息，像大小、颜色、甜度、酸度这些，都告诉SPSS这个“侦探”。

SPSS，就会像一个聪明的小脑袋，开始分析这些信息。

它会发现，原来苹果的甜度可能和它生长的地方、接受阳光的多少有关系。

就像住在阳光充足的地方的苹果，就像每天都在晒太阳做运动一样，变得特别甜；而那些没有得到太多阳光的苹果，可能就没那么甜。

再比如说橘子，SPSS通过分析会发现，橘子的酸度可能和它的品种、成熟度有关系。

有的品种的橘子天生就比较酸，就像一个调皮的小娃娃，总是有点小任性；而成熟度高的橘子，就会更甜一些，就像长大了变得懂事。

通过SPSS这个神奇的“侦探”，我们就能慢慢发现水果口味背后的秘密因子，是不是特别有趣？以后我们再吃水果的时候，就可以知道为什么这个水果是这个味道！。