因子分析报告模版.docx
- 文档编号:4703604
- 上传时间:2022-12-07
- 格式:DOCX
- 页数:22
- 大小:467.33KB
因子分析报告模版.docx
《因子分析报告模版.docx》由会员分享,可在线阅读,更多相关《因子分析报告模版.docx(22页珍藏版)》请在冰豆网上搜索。
因子分析报告模版
实验名称:
因子分分析
一、实验目的和要求
通过上机操作,完成spss软件的因子分析
二、实验容和步骤
7.7
R型聚类
如下图选择
将6个变量选入变量框中
分别点击descriptiverotation选项,进展以下操作
点击extraction
点击options
结果如下所示
CorrelationMatrixa
数学
物理
化学
语文
历史
英语
Correlation
数学
1.000
.426
.527
-.464
-.356
-.296
物理
.426
1.000
.345
-.307
-.285
-.235
化学
.527
.345
1.000
-.391
-.290
-.136
语文
-.464
-.307
-.391
1.000
.778
.810
历史
-.356
-.285
-.290
.778
1.000
.820
英语
-.296
-.235
-.136
.810
.820
1.000
Sig.(1-tailed)
数学
.009
.001
.005
.027
.056
物理
.009
.031
.050
.064
.105
化学
.001
.031
.016
.060
.237
语文
.005
.050
.016
.000
.000
历史
.027
.064
.060
.000
.000
英语
.056
.105
.237
.000
.000
a.Determinant=.037
上表为相关矩阵,给出了6个变量之间的相关系数。
主对角线系数都为1,从表中我们可知,变量与变量之间有的会高度相关,有的相关性比拟低,语文与历史,语文与英语,英语与历史都是高度相关的,其他的相关度较低。
KMOandBartlett'sTest
Kaiser-Meyer-OlkinMeasureofSamplingAdequacy.
.755
Bartlett'sTestofSphericity
Approx.Chi-Square
86.576
df
15
Sig.
.000
上表为KMO和Bartlett检验表,KMO检验是对变量是否适合做因子分析的检验,根据Kaiser常用度量标准,由于KMO=0.755,说明此时一般适合做因子分析。
Communalities
Initial
Extraction
数学
1.000
.812
物理
1.000
.876
化学
1.000
.670
语文
1.000
.886
历史
1.000
.876
英语
1.000
.897
ExtractionMethod:
PrincipalComponentAnalysis.
上表为公因子方差,给出了该次分析中从每个原始变量中提取的信息,从表中可以看出除了化学外,主成分几乎都包含了其余各个变量至少80%的信息。
TotalVarianceExplained
Component
InitialEigenvalues
ExtractionSumsofSquaredLoadings
RotationSumsofSquaredLoadings
Total
%ofVariance
Cumulative%
Total
%ofVariance
Cumulative%
Total
%ofVariance
Cumulative%
1
3.238
53.972
53.972
3.238
53.972
53.972
2.572
42.861
42.861
2
1.277
21.288
75.260
1.277
21.288
75.260
1.944
32.400
75.260
3
.681
11.346
86.607
4
.458
7.634
94.240
5
.212
3.526
97.767
6
.134
2.233
100.000
ExtractionMethod:
PrincipalComponentAnalysis.
上表为特征根于方差奉献表,给出了个主成分解释原始变量总方差的情况,从表中可以看出,本例中保存了2个主成分,集中了原始变量总信息的75.260%
上图为碎石土,分析碎石土看出因子1与因子2的特征值差值比拟大,而其他特征值比拟小,可以出保存2个因子能概括绝大局部信息。
ComponentMatrixa
Component
1
2
语文
.900
.233
历史
.857
.357
英语
.816
.498
数学
-.662
.503
物理
-.530
.478
化学
-.555
.605
ExtractionMethod:
PrincipalComponentAnalysis.
a.2componentsextracted.
从因子载荷矩阵表中可以看出,需要对因子载荷阵进展旋转,
RotatedComponentMatrixa
Component
1
2
英语
.953
-.072
历史
.904
-.209
语文
.867
-.335
化学
-.099
.815
数学
-.245
.795
物理
-.152
.698
经过旋转后的载荷系数已经明显地两极分化了。
第一个公共因子在前三个指标上有较大载荷,说明这三个指标有较强的相关性,可以归为一类,所以把英语,历史,语文作为属于文科学习能力的指标;第二个公共因子在后三个指标上有较大载荷,所以化学,数学,物理属于理科学习能力的指标。
以上是因子载荷图,可以看出因子的聚集性,理科的指标聚集在一起,文科的指标也聚集在一起,分类效果非常好。
ComponentScoreCoefficientMatrix
Component
1
2
数学
.064
.439
物理
.085
.400
化学
.137
.484
语文
.332
-.014
历史
.378
.073
英语
.432
.169
由上表可知
所以可以把每个学生的六门成绩分别代入F1、F2,比拟两者的大小,F1大的适合学文科,F2大的适合学理科。
计算结果为学号是1、16、24的学生适合学文,其余均适合学理
Q型聚类
如下图进展选择,
结果如下
相关性矩阵是主对角线为1的矩阵,可以看出因子之间相关性不是特别的大。
Communalities
起始
擷取
1
1.000
1.000
2
1.000
1.000
3
1.000
1.000
4
1.000
1.000
5
1.000
1.000
6
1.000
1.000
7
1.000
1.000
8
1.000
1.000
9
1.000
1.000
10
1.000
1.000
11
1.000
1.000
12
1.000
1.000
13
1.000
1.000
14
1.000
1.000
15
1.000
1.000
16
1.000
1.000
17
1.000
1.000
18
1.000
1.000
19
1.000
1.000
20
1.000
1.000
21
1.000
1.000
22
1.000
1.000
23
1.000
1.000
24
1.000
1.000
25
1.000
1.000
26
1.000
1.000
27
1.000
1.000
28
1.000
1.000
29
1.000
1.000
30
1.000
1.000
擷取方法:
主體元件分析。
上表反映了公因子方差,每个同学原始变量提取到达1,因子提取到达1.
說明的變異數總計
元件
起始特徵值
擷取平方和載入
循環平方和載入
總計
變異的%
累加%
總計
變異的%
累加%
總計
變異的%
累加%
1
15.656
52.188
52.188
15.656
52.188
52.188
15.010
50.032
50.032
2
6.140
20.467
72.655
6.140
20.467
72.655
4.487
14.955
64.987
3
3.603
12.009
84.664
3.603
12.009
84.664
4.432
14.773
79.760
4
2.899
9.664
94.328
2.899
9.664
94.328
3.860
12.865
92.625
5
1.701
5.672
100.000
1.701
5.672
100.000
2.212
7.375
100.000
6
1.625E-15
5.417E-15
100.000
7
1.071E-15
3.569E-15
100.000
8
7.463E-16
2.488E-15
100.000
9
6.575E-16
2.192E-15
100.000
10
5.756E-16
1.919E-15
100.000
11
4.492E-16
1.497E-15
100.000
12
2.806E-16
9.352E-16
100.000
13
2.696E-16
8.987E-16
100.000
14
2.481E-16
8.269E-16
100.000
15
2.011E-16
6.702E-16
100.000
16
7.887E-17
2.629E-16
100.000
17
1.698E-17
5.659E-17
100.000
18
-3.651E-17
-1.217E-16
100.000
19
-6.866E-17
-2.289E-16
100.000
20
-8.735E-17
-2.912E-16
100.000
21
-1.586E-16
-5.288E-16
100.000
22
-2.424E-16
-8.079E-16
100.000
23
-3.196E-16
-1.065E-15
100.000
24
-3.541E-16
-1.180E-15
100.000
25
-3.776E-16
-1.259E-15
100.000
26
-4.307E-16
-1.436E-15
100.000
27
-5.209E-16
-1.736E-15
100.000
28
-5.615E-16
-1.872E-15
100.000
29
-1.061E-15
-3.538E-15
100.000
30
-2.511E-15
-8.369E-15
100.000
擷取方法:
主體元件分析。
上表为特征根与方差奉献率表,本例主要保存了2个主成分,集中了原始变量信息的100%,
以上是碎石图,可以发现因子1与因子2、3、4、5的特征值差值较大。
保存5个因子可以概括大局部信息。
〔5〕
元件矩陣a
元件
1
2
3
4
5
10
.995
-.033
-.071
.046
-.046
27
.958
.240
.082
.019
.132
29
.956
.003
.060
-.277
.070
24
-.947
-.202
.119
.201
-.089
30
.946
.190
-.242
.101
-.033
9
.917
-.334
.122
.112
.139
6
.906
-.373
.157
.069
.100
11
.903
.204
-.094
.359
-.079
7
.889
-.181
.207
.274
.243
2
.877
-.112
.365
.046
-.288
25
.873
.299
.015
.362
-.130
1
-.868
.416
.059
.219
-.149
21
.860
.477
.063
-.169
-.028
17
.855
-.415
-.081
.067
-.295
28
.832
-.265
-.379
.257
.165
14
.820
.525
-.067
.126
-.178
18
.730
.326
.442
-.375
.157
13
.703
.229
.579
-.343
-.030
16
-.665
.414
.490
.255
.287
12
.384
-.872
.259
.110
.114
26
.336
.802
.229
.437
.021
22
-.156
-.787
.152
.577
-.003
23
.209
.687
-.127
-.212
.650
15
.335
-.656
.219
.637
-.057
8
-.397
-.320
.801
-.011
.313
3
-.298
-.551
.737
-.253
-.023
20
-.265
.508
.692
.386
.210
4
.397
.283
.652
-.306
-.493
19
-.213
.595
-.017
.764
.130
5
-.476
.551
.248
.228
-.596
擷取方法:
主體元件分析。
a.擷取5個元件。
从因子载荷矩阵表中可以看出,每个因子在不同原始变量上的载荷没有明显的差异,为了便于对因子进展命名,需要对因子载荷阵进展旋转,
旋轉元件矩陣a
元件
1
2
3
4
5
27
.979
-.138
.068
-.122
-.058
10
.948
.096
-.175
-.248
-.021
29
.943
-.155
-.295
-.002
-.028
24
-.917
.271
.177
.221
.075
7
.915
.316
.058
.062
-.235
9
.902
.331
-.199
.046
-.189
2
.896
.252
-.107
.076
.341
6
.891
.342
-.246
.088
-.144
30
.886
-.050
-.050
-.455
-.053
21
.883
-.400
.063
-.178
.156
11
.876
.137
.178
-.426
.015
25
.874
.095
.269
-.374
.123
18
.832
-.430
.020
.326
.127
14
.816
-.222
.220
-.435
.217
13
.811
-.285
-.006
.399
.319
1
-.805
-.144
.522
-.035
.241
17
.759
.427
-.427
-.217
.112
28
.728
.309
-.212
-.412
-.399
22
-.176
.950
-.019
.181
-.184
15
.323
.937
.037
.082
-.101
23
.281
-.776
.336
-.046
-.452
12
.364
.709
-.405
.388
-.223
19
-.136
.046
.926
-.339
-.079
20
-.051
-.079
.887
.428
.143
26
.449
-.241
.812
-.216
.184
16
-.486
-.156
.750
.420
.003
8
-.227
.229
.196
.925
-.042
3
-.193
.301
-.212
.885
.210
4
.498
-.201
.029
.334
.774
5
-.409
-.097
.523
-.130
.730
擷取方法:
主體元件分析。
轉軸方法:
具有Kaiser正規化的最大變異法。
a.在15疊代中收斂循環。
明显与整体不同
以上是因子载荷图,可以看出因子的聚集性不是很理想
元件評分係數矩陣
元件
1
2
3
4
5
1
-.050
.021
.088
-.048
.091
2
.061
.075
-.010
.019
.181
3
.013
.032
-.043
.221
.079
4
.041
-.016
-.044
.073
.348
5
-.034
.073
.063
-.102
.349
6
.065
.053
-.003
.054
-.054
7
.077
.061
.086
.063
-.126
8
.030
.019
.083
.264
-.092
9
.066
.052
.012
.047
-.079
10
.056
.020
-.015
-.040
.012
11
.052
.068
.076
-.095
.022
12
.032
.120
-.027
.104
-.070
13
.076
-.080
-.012
.148
.097
14
.047
-.009
.045
-.096
.099
15
.026
.236
.092
-.005
.001
16
.006
-.012
.187
.129
-.095
17
.030
.101
-.078
-.074
.127
18
.079
-.127
.000
.151
-.010
19
.005
.088
.251
-.087
-.081
20
.041
.024
.233
.138
-.036
21
.061
-.085
.003
-.003
.045
22
-.008
.227
.070
.008
-.036
23
.043
-.215
.084
.087
-.320
24
-.058
.082
.036
.007
.044
25
.056
.068
.090
-.084
.064
26
.048
.013
.201
-.030
.023
27
.073
-.035
.043
.021
-.054
28
.036
.057
.009
-.081
-.148
29
.064
-.068
-.059
.047
-.020
30
.047
.000
.006
-.092
-.006
擷取方法:
主體元件分析。
轉軸方法:
具有Kaiser正規化的最大變異法。
元件評分。
由系数可以求出F1至F5,将30个学生带入,比拟大小
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 因子分析 报告 模版
![提示](https://static.bdocx.com/images/bang_tan.gif)