一、实际操作
因子分析几乎可以等同于主成分分析，本质就是PCA降维，因子数太多减少因子数。示例如下
image.png
先导入老师给的数据，然后点击分析-降维-因子分析
点击描述按钮-选择KMO和球形检验
image.png
点击提取-方法选择主成分-同时勾选碎石图
特征值这里一般是大于1，然后因子数可以按照自己的需求加。
image.png
旋转方法一般选择最大方差法，勾选载荷图，迭代次数选择30次，
实际当中有可能旋转次数不够出不来结果，我们就把迭代次数勾选上去。
image.png
因子得分这里勾选保存为变量，然后勾选上得分系数矩阵
image.png
选项这里勾选上按照大小排序，排除小系数，绝对值这里选0.3，我们看看后续的结果再来分析。
二、结果分析
image.png
操作后生成结果如上，KMO这里需要大于0.7，这样子的话各个因子的相互度才满足因子分析的条件，有相关性。
image.png
公因子方差部分提取部分看提取了多少比例的信息，以q1_1为例，0.581相当于提取了58.1%的信息。只要这个比例大于0.5就还可以，提取效果不错。
image.png
总方差解释，总计那里是特征值，因为前面是根据特征值＞1来提取的， 所以提取了8个因子，但是累计只有66%，不满足80%，所以这些因子不够代表所有的数据，至少要满足80%以上才能代表。
旋转载荷平方和那里的总计是特征值，方差百分比是方差贡献率，这两个值越大代表每个因子的代表性越大。累积代表所有因子的总体代表程度。
image.png
碎石图主要是统计上用来选择特征值个数的，如果上图中，可以看到应该选择4个特征值，但是老师前面讲了8个因子代表性都不够，别说4个特征值，所以实际过程中可能不太实用。可以把这个东西写在报告里面。
image.png
成分矩阵这里（其实挺老师讲应该叫载荷矩阵？？），是没有旋转前的因子组成。因为之前在选项中进行了排序，并且，去掉了小于0.3(其实0.5以下都没啥用），所以如上可以看到因子1主要有问题5_3 到问题3_4组成的。这里需要重点关注下0.4几的这种数据，譬如0.490（小于0.5的用处比较小）。另外老师提到了q7_3,在因子2和因子3中都是0.4几，那么如何判断它到底属于哪个因子，可以看旋转后的。
image.png
旋转后的q7_3是0.734归到了因子2，和因子3没有关系了。
可以发现，每个维度的第3个问题都是归到因子2，每个维度的第5个题目都是归到因子1.
1）另外，我们可以到到q3_3 叫做跨因子现象，在两个因子中都是＞0.5，这是不允许的，我们需要删掉这个题目或者进行修改
image.png
2）另外q3_2, 跟所有的因子相关性都小于0.5，建议删除。
3）还有就是drop_q1_3，因子8只有它的相关性大于0.5，所以因子8完全由drop_q1_3一个因子代表，这个情况需要删除。
1）2）3）这三种特殊情况需要注意，都需要对题目进行修改或者删除。
image.png
这个组件图一般用二维的，看起来比较清晰，三维的不是动画看不清，因为这个图表示的就是各个题目离哪几个因子比较近。
网友评论