因子分析实验报告

笔者在这里只是给读者提供一份因子分析实验框架，具体的实验目的、实验内容和实验步骤会根据不同的案例有所不同。下面的图表均加了水印只是想跟孩子们说一下，自己动手做，学到知识是最重要的。以后会不会用得着无从所知，但是自己亲手做一遍对期末复习是有好处的。

在做实验之前，我们要明白在市场细分中做因子分析的目的:数据信息压缩，形成细分关键变量。其基本思想是根据相关性大小把原始变量分组，使同组内的变量之间相关性较高，不同组的变量间相关性较低。

实验目的

实验内容

实验步骤

第一步，分析-降维-因子分析，将从 long distance last month开始的十个变量中，选中作为“变量”，操作如下所示：

因子分析

第二步，依次将“描述”、“抽取”、“旋转”、“得分”、“选项”中所需的项目选上，操作如下所示：

描述统计

抽取和旋转

因子得分

选项

实验结果

主要图表的结果分析如下所示:

KMO和Bartlett的检验

KMO检验是用于检查变量间的偏相关性的，KMO检验越接近1，变量间的偏相关性越强，因子分析的效果越好。由上表可知，KMO的值为0.575，表明数据不是特别好，勉强适合做因子分析。要提高因子分析的效果，可以采取重新设计变量的方法；Bartlett球形检验是用来判断资料是否存在多变量正态分布的，也可以用来检验相关系数矩阵是否符合做因子分析。该实验的Bartlett值为11703.901，P（Sig）=0.000<0.001,达到了显著水平，即变量间有较强的相关性，可进行因子分析。

解释的总方差

由解释的总方差表可知，只有前三个因子的特征值＞1，累积解释方差达到了80.377%。

碎石图

在碎石图中，横坐标为因子数目，纵坐标为特征值。从图中可以看出第一个因子的特征值很高，对解释原有变量的贡献率最大；第三个因子以后的特征值都比较小，对解释原有变量的贡献率最小，已经成为可以“忽略”不计的碎石。因此，提取前三个因子是合适的。

由于笔者当时没有做旋转成分矩阵表分析，所以在下面加上一份我们期末复习题目，虽与上案例不同，但是分析的方法都是一样的，希望能帮到大家。

旋转成分矩阵

该表表示在抽取的两个特征根＞1的因子中，各题项的因子载荷的大小。因子一包括独立思考、自己判断、独立性、别人影响、别人意见这五个题项；因子二包括意见意义、参考他人、干扰判断这三个题项。