spss中的因子分析要怎么做。
spss中的因子分析要怎么做。因子分析(探索性因子分析)用于探索分析项(定量数据)应该分成几个因子(变量),比如20个量表题项应该分成几个方面较为合适;用户可自行设置因子个数,如果不设置,系统会以特征根值大于1作为判定标准设定因子个数。因子分析的步骤：因子分析通常有三个步骤;第一步是判断是否适合进行因子分析;第二步是因子与题项对应关系判断;第三步是因子命名。如何进行因子分析？这里以在线版SPSSAU进行举例说明，操作如下：因子得分可用于进一步分析使用如果进行聚类分析使用等，因子得分需要选中按钮才会生效，且SPSSAU单独生成新标题名称类似为：“FAC****_score1”。用户可通过【数据处理->标题处理】对名称进行修改即可。SPSSAU默认就已经进行过标准化处理，因此不需要再对数据处理。当然标准化后的数据再次标准化依旧还是自身没有任何变化，结果永远均一致。
spss主成分分析是什么？
spss的主成分分析主要应用在因子分析里，目的是将原来很多的因素，通过他们内在的相关分析，整合成新的一个或多个相对独立的综合因素，来代表原来散乱的因素。例如我们测量客户满意度设计了10个题目，那数据收集完后，就可以通过因子分析，来看看这10个题目是否能综合成几个因素。通过spss的主成分分析，就可以得出相应结果。结果可能是其中5个题目的相关显著，可以通过一个因素来归纳这5个因素，另外3个、 2个也可以分别组成一个，而且主成分对应的特征值大于1，这样就最后就可以通过3个综合因素来研究和分析客户满意度了。主成分分析可以理解为一种数据的处理理论，也可以理解为一种应用方法。而因子分析则可以理解为一种应用方法，因为做因子分析采用的比较多的就是用主成分分析的方法来浓缩因子。所以其实所谓的区别只不过是在学科研究当中存在的，因为同属于统计学的理论，所以一定要找出两者的区别来。但是如果你只是应用的话，那就没必要考虑两者有什么区别。
spss主成分分析结果解读
1.案例说明研究调查100家公司2010-2013年关于财务方面的具体数据，这些财务指标维度分别为盈利能力、偿债能力、运营能力、发展能力以及公司治理。其中每个维度分别有几个分析项，但是有些指标是越大越好，有些指标是越小越好。需要在研究前进行数据处理。2.研究目的利用偿债能力、运营能力、发展能力以及公司治理四个维度下的分析项进行主成分分析以及判断分析项与主成分之间的关系，利用得到的成分得分进行命名作为线性回归的自变量，用盈利能力下的三个指标作为线性回归的因变量，因为每次线性回归只能放入一个因变量所以重复进行三次分析并且得到结论。二、数据处理此案例中有些指标需要提前处理，具体指标隶属维度以及指标性质如下，比如资产负责率是逆向指标可以进行逆向化处理或者取倒数；本文进行取倒数处理，因为比较常见，但是取倒数需要分析项的数据不等于0，其他指标需要正向化处理，公司治理的2个指标可以做正向化处理也可以做适度化，比如认为指标不是越大越好也不是越小越好，接近于某个值或某个范围内认为更好那就使用适度化，此案例中认为越大越好处理为正向化（也有参考文献做适度化处理，建议以参考文献为主）。首先用SPSSAU将分析项进行“描述分析”观察数据的基本情况。发现资产负债率所有数据均大于0，所以进行处理时可以直接“取倒数”。然后利用SPSSAU“数据处理”中的“生成变量”进行指标处理（一般正逆向化处理后不需要在进行标准化处理，因为已经正逆向化已经处理了量纲问题，但是取倒数后需要进行标准化处理）。三、主成分结果分析前已处理过分析项与主成分之间的关系，共进行三次分析结论如下：共有三次分析，第一次分析“应收账款周转率”,“净利润增长率”,“主营业务收入增长率”共3项，共同度小于0.4,将此3项进行删除，删除之后进行第二次分析，发现“每股经营性现金流量”出现“张冠李戴”进行删除处理。而其他出现“纠缠不清”现象的，暂时不处理（进行关注即可）。重新分析后除了“流动比率”、“速动比率”以及“资产负债率”这3项，“销售现金比率”这一项，其余的项均存在“纠缠不清”的现象，但考虑到成分下只余下两项，因而表示可以接受，主成分析分析结束。所以结果将从数据是否适合主成分分析，成分选择个数以及提取成分三部分进行说明。1.KMO值和巴特球形检验首先分析研究数据是否适合进行主成分分析，从上表可以看出：KMO为0.614，大于0.6，满足主成分分析的前提要求，以及数据通过Bartlett球形度检验(p<0.05)，说明研究数据适合进行主成分分析。2.成分选择个数当数据确定可以使用主成分分析后，下一步确定主成分成分选择个数，案例中使用特征根值大于1的方法。从上表可知：主成分分析一共提取出4个主成分，特征根值均大于1，此4个主成分的方差解释率分别是33.871%,20.571%,15.799%,13.779%，累积方差解释率为84.021%。3.提取成分已经确定了成分选择个数经过分析得到载荷系数矩阵如下：从结果中可以看出，主成分1中主要反映了公司的偿债能力。主成分2中主要反映了公司治理能力，主成分3中主要反映了公司运营能力，主成分4中主要反映了公司发展能力。整理表格如下：五个成分的名字分别叫F1偿债能力、F2治理能力、F3运营能力以及F4发展能力。数据通过主成分分析得到四个维度，此案例的主要目的是研究上述四个维度对于公司盈利的影响，最终得到结论。将得到的成分得分利用SPSSAU标题处理进行命名，四个分析项作为线性回归的自变量，盈利能力下的三个指标作为因变量，重复进行三次线性回归，并进行对结果描述，回归结果描述分为两大部分，一为中间分析过程，二为回归分析结果。四、主成分回归结果想要得到成分得分可以在分析前勾选“成分得分”按钮，结束分析时SPSSAU单独生成新标题名称类似为：“PCA****_score1”。研究者可通过【数据处理->标题处理】对名称进行修改即可。F1偿债能力、F2治理能力、F3运营能力以及F4发展能力如下：用得到的成分得分进行命名作为线性回归的自变量，用盈利能力下的三个指标作为线性回归的因变量，因为每次线性回归只能放入一个因变量所以重复进行三次分析并且得到结论。
spss主成分分析步骤是什么？
spss主成分分析法详细步骤：1、打开SPSS软件，导入数据后，依次点击分析，降维，因子分析。如图1所示：2、打开因子分析界面之后，把需要进行分析的变量全部选进变量对话框，然后点击右上角的描述。如图2所示：3、勾选原始分析结果、KMO检验对话框，然后点击继续。如图3所示：4、点击抽取，方法里选择主成分再点击碎石图。如图4所示：5、点击旋转，再点击最大方差旋转。如图5所示：6、点击得分，再点击，保存为变量及显示因子得分系数矩阵。如图6所示：7、最后点确定就可以在输出截面看到主成分分析的结果了。如图7所示：扩展资料：SPSS是世界上最早采用图形菜单驱动界面的统计软件，它最突出的特点就是操作界面极为友好，输出结果美观漂亮。它将几乎所有的功能都以统一、规范的界面展现出来，使用Windows的窗口方式展示各种管理和分析数据方法的功能，对话框展示出各种功能选择项。用户只要掌握一定的Windows操作技能，精通统计分析原理，就可以使用该软件为特定的科研工作服务。SPSS采用类似EXCEL表格的方式输入与管理数据，数据接口较为通用，能方便的从其他数据库中读入数据。其统计过程包括了常用的、较为成熟的统计过程，完全可以满足非统计专业人士的工作需要。输出结果十分美观，存储时则是专用的SPO格式，可以转存为HTML格式和文本格式。对于熟悉老版本编程运行方式的用户，SPSS还特别设计了语法生成窗口。
SPSS中,主成分分析后怎么做回归分析?
保存因子分析就好，如果用spssau分析前先勾选“因子得分”选项，即可在分析后得到因子得分项。spss直接把几个因子都已经算出来了，就是duFAC1-1列就是因子F1，同理可以得知F2，F3....不用算的，如果问F1怎么来的，就说是F1=0.701X1-0.549X2+0.736X3+0.216X4+0.112X5-0.318X6。如果进行主成分分析之后又要进行回归分析，应该是用提取出来的主因子作为自变量进行计算的，回归是只能有一个自变量，一个因变量才算回归的，如果不是的话，建议你使用多项式属分析。把因变量的值还有自变量的值放到EXCEL里，按列排列。然后全部圈起来，找图表选项，绘制散点图，之后对其中的点点击右键，进行数据拟合就可以得出式子。扩展资料：标准逐步回归法做两件事情。即增加和删除每个步骤所需的预测。向前选择法从模型中最显著的预测开始，然后为每一步添加变量。向后剔除法与模型的所有预测同时开始，然后在每一步消除最小显著性的变量。这种建模技术的目的是使用最少的预测变量数来最大化预测能力。这也是处理高维数据集的方法之一。参考资料来源：百度百科-回归分析
