為什麼要進行因子分析?

General 更新 2023年10月15日

因子分析後為什麼要進行迴歸分析

用因子得分FAC1-1做迴歸,那個因子載荷陣是原變量與因子的相關係數,你可以參考網上的文獻,另外新生成的因子是不相關的,不用做相關分析了

在因子分析中,為什麼要對因子進行旋轉

主成分分析不能旋轉,因子分析才能。很多論文這個方面都誤用了 統計專業,為您服務

為什麼在做SPSS因子分析時要進行不止一次的因子的抽取

一次抽取過後,不合適的項目要刪除。之後要再抽取,再刪除項目。這樣就多次了。

當然,如果數據、結構夠好,一次也可以探索成良好結構

spss因子分析為什麼要對因子進行旋轉?

因子旋轉是為了更有利於用現實語言來描述所得因子。正常因子分析得出的因子可能邏輯意義不明顯,理解起來很困難。但旋轉之後就可能得到有邏輯意義的因子。

進行因子分析的前提條件是各變量之間應該怎麼做

本來想給你截圖的,可是傳不上來,我就簡單說一下哈。

首先你得進行一次預計算,選擇菜單裡分析——降維——因子分析,跳出主面板,把想分析的變量選到變量框裡,然後點確定。這時候輸出窗口裡會只有一個或兩個圖表。其中有一個圖表是主成分的方差貢獻。這個圖表裡你要找到兩個相鄰的列(應該是第三列和第四列),其中前一個列指的是單個因子對方差的貢獻率,後一個是因子累計貢獻率。也就是說前一個列裡邊數值相加等於100,後一個列裡邊數值遞增,最後一個等於100。假如前一個列裡是60,30,10,那麼後一列裡就是60,90,100.兩個列之間有一個和的關係。找到這兩個列以後,你要找使得累計貢獻率達到百分之八十的那個數。這個表的第一列是1,2,3,等等,它代表第幾個因子,比如3指的那行就包括第三個因子的方差貢獻率,累積到第三個因子的方差貢獻率這兩個數據。你要找到累計到達百分之八十的那個因子是第幾個因子,然後就按提取幾個因子進行計算。

通過預計算知道了提取幾個因子之後,就開始正式計算。再次打開因子分析的主面板,在最右邊一共有五個選項,分別是描述,抽取,旋轉,得分,選項。這五個在預計算裡邊沒有用,但是現在要用了。點繼續。

點擊描述,在對話框裡選上初始變量分析,kmo統計量及bartlett球形檢驗這兩個選項,(注意,kmo和bartlett是一個選項,選項名就是很長)這一步是用來判斷變量是否適於進行因子分析的。

點擊抽取,對話框裡最上邊的方法就選主成分,分析裡選上相關性矩陣,輸出選上未旋轉的因子解和碎石圖兩個選項,抽取裡選擇因子的固定數目,在要提取的因子後邊填上你預計算裡算出的因子數目。點繼續。

旋轉裡邊選最大方差法,輸出旋轉解。繼續。

得分裡邊選保存為變量,方法為迴歸,顯示因子得分系數矩陣也要打上勾。繼續。

確定。

然後就可以分析結果了。

先看kmo和bartlett的結果,kmo統計量越接近1,變量相關性越強,因子分析效果越好。通常0.7以上為一般,0.5以下不能接受,就是不適合做因子分析。bartlett檢驗從檢驗相關矩陣出發,如果p值,就是sig,比較小的話,一般認為小於0.05,當然越小越好,就適於因子分析。

如果這兩個檢驗都合格的話,才可以去寫因子模型。

為了便於描述,假設我們有兩個因子f1,f2,

旋轉變換後的因子載荷矩陣會告訴你每個變量用因子表示的係數。比如變量x1=係數1*f1+係數2*f2,變量2以此類推。

因子得分系數矩陣會告訴你每個因子裡各變量佔得權重,比如f1=係數1*x1+係數2*x2+。。。

根據這個我們就能算出因子得分了。

因為之前選擇了將因子保存為新變量,所以spss會直接保存兩個因子得分為兩個新變量,

然後我們不是有一個公式嗎

總得分=因子1的方差貢獻率*因子1的得分+因子2的方差貢獻率*因子2的得分+...

根據這個公式計算一下就可以了。

用spss或者Excel都可以。

希望能對你有幫助哦。

ppv課,大數據培訓專家,最專業的大數據培訓平臺。為你提供最好的spss學習教程哦。

因子分析後得到的幾個成分做迴歸分析,為什麼還要考慮多重共線性?

因為他不是用的因子得分,是線性計算的值

理論上用因子得分

請問 做相關分析前,一定要做因子分析嗎?因子分析的目的是什麼? 謝謝!

主成分分析和因子分析的區別 :jok:

1,因子分析中是把變量表示成各因子的線性組合,而主成分分析中則是把主成分表示成

個變量的線性組合。

2,主成分分析的重點在於解釋個變量的總方差,而因子分析則把重點放在解釋各變量之

間的協方差。

3,主成分分析中不需要有假設(assumptions),因子分析則需要一些假設。因子分析的假

設包括:各個共同因子之間不相關,特殊因子(specific factor)之間也不相關,共同

因子和特殊因子之間也不相關。

4,主成分分析中,當給定的協方差矩陣或者相關矩陣的特徵值是唯一的時候,的主成分

一般是獨特的;而因子分析中因子不是獨特的,可以旋轉得到不到的因子。

5,在因子分析中,因子個數需要分析者指定(spss根據一定的條件自動設定,只要是特

徵值大於1的因子進入分析),而指

定的因子數量不同而結果不同。在主成分分析中,成分的數量是一定的,一般有幾個變量

就有幾個主成分。

和主成分分析相比,由於因子分析可以使用旋轉技術幫助解釋因子,在解釋方面更加有

優勢。大致說來,當需要尋找潛在的因子,並對這些因子進行解釋的時候,更加傾向於

使用因子分析,並且藉助旋轉技術幫助更好解釋。而如果想把現有的變量變成少數幾個

新的變量(新的變量幾乎帶有原來所有變量的信息)來進入後續的分析,則可以使用主

成分分析。當然,這中情況也可以使用因子得分做到。所以這中區分不是絕對的。

總得來說,主成分分析主要是作為一種探索性的技術,在分析者進行多元數據分析之前

,用主成分分析來分析數據,讓自己對數據有一個大致的瞭解是非常重要的。主成分分

析一般很少單獨使用:a,瞭解數據。(screening the data),b,和cluster analysis一

起使用,c,和判別分析一起使用,比如當變量很多,個案數不多,直接使用判別分析可

能無解,這時候可以使用主成份發對變量簡化。(reduce dimensionality)d,在多元回

歸中,主成分分析可以幫助判斷是否存在共線性(條件指數),還可以用來處理共線性

在算法上,主成分分析和因子分析很類似,不過,在因子分析中所採用的協方差矩陣的

對角元素不在是變量的方差,而是和變量對應的共同度(變量方差中被各因子所解釋的

用SPSS作因子分析,數據為什麼要標準化

不標準化 可能會由於不同列的數據本身的大小差異影響結果

比如一列重量數據的範圍可能都是幾g,數據都是個位數,然後一列數據的計量單位是m,但實際值都是0.0001起的,因為主成份分析時,只考慮數據,未把計量單位考慮進去,這樣兩列數據的大小差異很大,會影響結果,因此對數據進行一定的標準化處理,使所有列的數據範圍都在正負1之間,這樣可以避免數據差異的影響

實證一定要進行因子分析嗎

實證是相對於理論而言的,凡是涉及到數據和統計分析的,都可以叫實證,而因子分析只是眾多統計分析方法中的一個而已,自然就不是必須的了。(南心網SPSS實證分析)

因子分析時為什麼要選擇特徵值大於1

這要從什麼是特徵值說起,特徵值指的是每道題在某一因子上載荷值的平方和,其代表的是該因子的方差。由於因子分析常用相關矩陣,使得每道題的總方差都是1,有n道題則n個題的總方差就是n。

因子分析的目的是降維,是化簡現有的題將其歸類,用盡量少的因子來解釋所有題目的方差。如果某因子的特徵值還沒有1大,這表明這個因子總共只能解釋一道題的方差,甚至還不能完全解釋,那麼我們直接用這道題來解釋它自己就好了,幹嘛還要抽取一個解釋力不足的因子呢?所以抽取因子的標準是特徵值應該大於1,這是一個基本的標準

相關問題答案
為什麼要進行因子分析?
為什麼要進行因子旋轉?
因子分析後為什麼要進行迴歸分析 ?
為什麼要進行財務分析?
簡述為什麼要進行需求分析?需求分析的內容和主要步驟 ?
為什麼要進行域名解析?
為什麼要進行理財?
為什麼要進行組織變革?
為什麼要進行文化創新?
為什麼要進行精準扶貧?