spss因子剖析是干嘛的,因子剖析是用来提取公共因子,当研讨问题的变量比较多时,经过spss因子剖析可用较少变量去概括解说原有的多个变量。本文会以实践的比如演示spss因子剖析具体过程,以及进行成果的解读。
一、spss因子剖析是干嘛的
spss因子剖析的用处很大,因子剖析是降维剖析中的重要剖析方法,在处理杂乱的多变量研讨问题中,因子剖析能有效地削减所需研讨的变量,简化问题,让数据的搜集变得更加简略,特别适用于研讨人群细分、顾客情绪、心理学问题等多维度剖析问题中。
因子剖析能将原本影响研讨问题的多个杂乱要素简化为概括的几个要素,这将有利于在数据搜集阶段,比如问卷调研部分,削减被访者所需回答的问题以及数据的处理,以及在后续的相关剖析、回归剖析环节,也能进一步削减数据剖析的难度,防止存在多重的共线性、相关性。
常用的spss因子剖析碎石图,可从特征根的下降起伏快速得知主要奉献信息的因子数量,然后确认研讨问题应抽取的公共因子的数量。
因子剖析碎石图因子剖析碎石图
二、spss因子剖析具体过程
接下来,咱们运用一个实践的比如,具体演示下spss因子剖析具体过程。
第一步,准备数据,确认研讨问题。
本例需求研讨的是一些影响销售额的要素,包含人流量、促销费用、推广费用、广告费用等,因为影响销售额的要素比较多,咱们希望经过因子剖析将多个要素概括为少数几个要素。
样本量为15个,因子剖析适用于样本量比较少的状况。
样本数据样本数据
第二步,运用spss降维剖析中的因子剖析。
因子剖析实践上是一种降维剖析法,如图3所示,顺次单击spss剖析-降维-因子剖析即可。
因子剖析因子剖析
1.确认因子剖析的变量
如图4所示,将一切需求提取公共因子的变量都选入到“变量”列表框。
变量设置变量设置
2.设置KMO与球形查验
因子剖析的前提是要素间具有相关性,如果要素间不具有相关性,那么,提取的公因子代表性就比较差,无法奉献较多的信息,无法起到代表大部分要素的效果。变量间的相关性可经过KMO与球形查验得出。
描述统计量描述统计量
3.设置碎石图
碎石图是利用特征根的下降趋势来判别因子的信息奉献水平下降起伏,当特征根的下降变缓后,阐明前面的因子可奉献大部分的信息,可得出因抽取的公因子数量。
提取因子提取因子
4.设置因子得分
因子得分是因子剖析后概括而得的新变量数据,可将其保存为变量用于其他的剖析,比如相关剖析、回归剖析等,构建模型运用。
完成以上设置后,单击“确认”,进行spss运算。
因子得分因子得分
三、spss因子剖析成果怎么看
spss因子剖析成果包含碎石图、总方差解说、成分得分系数矩阵、因子得分等,可应用的数据比较多,接下来,咱们一起来了解下这些成果该怎么看。
首先是检查KMO和巴特利特查验成果,以了解因子间的相关性,判别数据是否适合用于因子剖析。
能够看到,本例的KMO值(取值为0-1,数值越挨近1,相关性越强;数值越挨近于0,相关性越弱)为0.77,数值挨近1,阐明要素间的相关性比较强,适合用于因子剖析。而从球形查验也能够看到,其显著性P值为0.038<0.05,阐明要素间具有相关性。
KMO数值KMO数值
得到要素间有相关性的成果后,检查“总方差解说”,如图9所示,前两个成分的累积奉献为65%,超越60%,阐明前两个因子可奉献超越半数的信息。
成分累积奉献成分累积奉献
而从碎石图也能观察到,前两个因子的特征根下降起伏大,而从第三个因子开端,下降起伏变小,阐明其增加的信息越来越少。
碎石图碎石图
根据碎石图与总方差成果,可将因子归总为两个公共因子,从“成分得分系数矩阵”的数据来看,成分1中的“人流量”、“广告费用”、“地推费用”数值较大,可归总为第一类因子;而成分2中的“促销费用”、“推广费用”、“促销人员费用”数值较多,可归总为第二类因子。
成分得分系数矩阵成分得分系数矩阵
除了可得到得分系数矩阵成果外,spss因子剖析还可核算新的因子得分变量,该变量可经过核算旋转载荷平方和等数值构建方程,然后得到总的得分,也能够结合其他剖析方法,如聚类、回归等,进行进一步的剖析,此处将不赘述,大家可参考spss中文网站的相关文章。
因子得分因子得分
四、小结
以上就是关于spss因子剖析是干嘛的,spss因子剖析具体过程的相关内容。spss因子剖析可得到碎石图、总方差解说、因子得分等成果,既能够对现有要素进行概括总结,也能够利用因子得分作进一步的剖析。

spss

spss因子分析详细步骤结果解读

一、实践使用
在市场调研中,研讨人员关怀的是一些研讨目标的集成或者组合,这些概念通常是经过等级评分问题来测量的,如使用李克特量表获得的变量。每一个目标的集合(或一组相关联的目标)便是一个因子,目标概念等级得分便是因子得分。
因子剖析在市场调研中有着广泛的使用,首要包括:
(1)顾客习惯和态度研讨(U&A)
(2)品牌形象和特性研讨
(3)服务质量查询
(4)个性测试
(5)形象查询
(6)市场划分辨认
(7)顾客、产品和行为分类在实践使用中,经过因子得分能够得出不同因子的重要性目标,而管理者则可根据这些目标的重要性来决定首先要处理的市场问题或产品问题。
二、理论思维
因子剖析(FactorAnalysis)是一种数据简化的技术。它经过研讨众多变量之间的内部依赖联络,探求观测数据中的根本结构,并用少量几个独立的不行观测变量来表明其根本的数据结构。这几个假想变量能够反映原本众多变量的首要信息。原始的变量是可观测的显式变量,而假想变量是不行观测的潜在变量,称为因子。
主成分剖析使用的是“降维”的思维,使用原始变量的线性组合组成主成分。在信息损失较小的前提下,把多个目标转化为几个互补相关的归纳目标。
因子剖析是主成分剖析的扩展和推行,经过对原始变量的相联络数矩阵内部结构的研讨,导出能操控所有变量的少量几个不行观测的归纳变量,经过这少量几个归纳变量去描述原始的多个变量之间的相关联络。
因子剖析的数学模型能够表明为Xp×1=Ap×m·Fm×1+ep×1,其中X为可实测的p维随机向量,它的每个重量代表一个目标或变量。
F=(F1,F2,…,Fm)T为不行观测的m维随机向量,它的各个重量将出现在每个变量之中,所以称它们为公共因子。矩阵A称为因子载荷矩阵,矩阵中的每一个元素称为因子载荷,表明第i个变量在第j个公共因子上的载荷,它们需要由屡次观测X所得到的样原本估计。
向量e称为特殊因子,其中包括随机误差,它们满意条件:
(1)Cov(F,e)=0,即F与e不相关。
(2)Cov(Fi,Fj)=0,i≠j,Var(Fi)=Cov(Fi,Fj)=I,即向量F的协方差矩阵为m阶单位阵。
(3)Cov(ei,ej)=0,i≠j,Var(ei)=σi2,即向量e的协方差矩阵为p阶对角阵。因子剖析的根本思维是经过变量的相联络数矩阵内部结构的剖析,从中找出少量几个能操控原始变量的随机变量Fi(i=1,2,…,m),选取公共因子的原则是使尽可能多地包括原始变量中的信息,树立模型X=A·F+e,忽略e,以F替代X,用它再现原始变量X的众多重量之间的相关联络,达到简化变量降低维数的意图。
三、树立模型
因子剖析的根本步骤如下。
对数据进行标准化处理,
估计因子载荷矩阵,
因子旋转,树立因子剖析数学模型的意图不只要找出公共因子并对变量进行分组,更重要的是要知道每个公共因子的含义,以便对实践问题作出科学剖析。当因子载荷矩阵A的结构不便对主因子进行解说时,可用一个正交阵右乘A(即对A实施一个正交变换)。由线性代数知识,对A实施一个正交变换,对应坐标系就有一次旋转,便于对因子的含义进行解说。
估计因子得分以公共因子表明原因变量的线性组合,而得到因子得分函数。我们能够经过因子得分函数计算观测记录在各个公共因子上的得分,然后处理公共因子不行观测的问题。
###需要具体的实证剖析协助,能够点击头像联络。

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注