为什么要进行因子分析

1. 为什么要进行因子分析

问题一：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了 
  
   问题二：在因子分析中，为什么要对因子进行旋转  主成分分析不能旋转，因子分析才能。很多论文这个方面都误用了 统计专业，为您服务 
  
   问题三：为什么在做SPSS因子分析时要进行不止一次的因子的抽取  一次抽取过后，不合适的项目要删除。之后要再抽取，再删除项目。这样就多次了。 
  当然，如果数据、结构够好，一次也可以探索成良好结构 
  
   问题四：spss因子分析为什么要对因子进行旋转？  因子旋转是为了更有利于用现实语言来描述所得因子。正常因子分析得出的因子可能逻辑意义不明显，理解起来很困难。但旋转之后就可能得到有逻辑意义的因子。 
  
   问题五：进行因子分析的前提条件是各变量之间应该怎么做  本来想给你截图的，可是传不上来，我就简单说一下哈。 
  首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。 
  通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。 
  点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。 
  点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。 
  旋转里边选最大方差法，输出旋转解。继续。 
  得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。 
  确定。 
  然后就可以分析结果了。 
  先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。 
  如果这两个检验都合格的话，才可以去写因子模型。 
  为了便于描述，假设我们有两个因子f1，f2， 
  旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。 
  因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。 
  根据这个我们就能算出因子得分了。 
  因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量， 
  然后我们不是有一个公式吗 
  总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+... 
  根据这个公式计算一下就可以了。 
  用spss或者Excel都可以。 
  希望能对你有帮助哦。 
  ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。 
  
   问题六：因子分析后得到的几个成分做回归分析，为什么还要考虑多重共线性?  因为他不是用的因子得分，是线性计算的值 
  理论上用因子得分 
  
   问题七：请问 做相关分析前，一定要做因子分析吗？因子分析的目的是什么？ 谢谢！  主成分分析和因子分析的区别 :jok: 
  1，因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成 
  个变量的线性组合。 
  2，主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之 
  间的协方差。 
  3，主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假 
  设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同 
  因子和特殊因子之间也不相关。 
  4，主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分 
  一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。 
  5，在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特 
  征值大于1的因子进入分析），而指 
  定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量 
  就有几个主成分。 
  和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有 
  优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于 
  使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个 
  新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主 
  成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 
  总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前 
  ，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分 
  析一般很少单独使用：a，了解数据。(screening the data),b,和cluster *** ysis一 
  起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可 
  能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回 
  归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性 
  。 
  在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方差矩阵的 
  对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的 
  
   问题八：用SPSS作因子分析，数据为什么要标准化  不标准化 可能会由于不同列的数据本身的大小差异影响结果 
  比如一列重量数据的范围可能都是几g，数据都是个位数，然后一列数据的计量单位是m，但实际值都是0.0001起的，因为主成份分析时，只考虑数据，未把计量单位考虑进去，这样两列数据的大小差异很大，会影响结果，因此对数据进行一定的标准化处理，使所有列的数据范围都在正负1之间，这样可以避免数据差异的影响 
  
   问题九：实证一定要进行因子分析吗  实证是相对于理论而言的，凡是涉及到数据和统计分析的，都可以叫实证，而因子分析只是众多统计分析方法中的一个而已，自然就不是必须的了。（南心网SPSS实证分析） 
  
   问题十：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了

2. 为什么要进行因子分析?

问题一：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了 
  
   问题二：在因子分析中，为什么要对因子进行旋转  主成分分析不能旋转，因子分析才能。很多论文这个方面都误用了 统计专业，为您服务 
  
   问题三：为什么在做SPSS因子分析时要进行不止一次的因子的抽取  一次抽取过后，不合适的项目要删除。之后要再抽取，再删除项目。这样就多次了。 
  当然，如果数据、结构够好，一次也可以探索成良好结构 
  
   问题四：spss因子分析为什么要对因子进行旋转？  因子旋转是为了更有利于用现实语言来描述所得因子。正常因子分析得出的因子可能逻辑意义不明显，理解起来很困难。但旋转之后就可能得到有逻辑意义的因子。 
  
   问题五：进行因子分析的前提条件是各变量之间应该怎么做  本来想给你截图的，可是传不上来，我就简单说一下哈。 
  首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。 
  通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。 
  点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。 
  点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。 
  旋转里边选最大方差法，输出旋转解。继续。 
  得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。 
  确定。 
  然后就可以分析结果了。 
  先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。 
  如果这两个检验都合格的话，才可以去写因子模型。 
  为了便于描述，假设我们有两个因子f1，f2， 
  旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。 
  因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。 
  根据这个我们就能算出因子得分了。 
  因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量， 
  然后我们不是有一个公式吗 
  总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+... 
  根据这个公式计算一下就可以了。 
  用spss或者Excel都可以。 
  希望能对你有帮助哦。 
  ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。 
  
   问题六：因子分析后得到的几个成分做回归分析，为什么还要考虑多重共线性?  因为他不是用的因子得分，是线性计算的值 
  理论上用因子得分 
  
   问题七：请问 做相关分析前，一定要做因子分析吗？因子分析的目的是什么？ 谢谢！  主成分分析和因子分析的区别 :jok: 
  1，因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成 
  个变量的线性组合。 
  2，主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之 
  间的协方差。 
  3，主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假 
  设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同 
  因子和特殊因子之间也不相关。 
  4，主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分 
  一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。 
  5，在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特 
  征值大于1的因子进入分析），而指 
  定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量 
  就有几个主成分。 
  和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有 
  优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于 
  使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个 
  新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主 
  成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 
  总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前 
  ，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分 
  析一般很少单独使用：a，了解数据。(screening the data),b,和cluster *** ysis一 
  起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可 
  能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回 
  归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性 
  。 
  在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方差矩阵的 
  对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的 
  
   问题八：用SPSS作因子分析，数据为什么要标准化  不标准化 可能会由于不同列的数据本身的大小差异影响结果 
  比如一列重量数据的范围可能都是几g，数据都是个位数，然后一列数据的计量单位是m，但实际值都是0.0001起的，因为主成份分析时，只考虑数据，未把计量单位考虑进去，这样两列数据的大小差异很大，会影响结果，因此对数据进行一定的标准化处理，使所有列的数据范围都在正负1之间，这样可以避免数据差异的影响 
  
   问题九：实证一定要进行因子分析吗  实证是相对于理论而言的，凡是涉及到数据和统计分析的，都可以叫实证，而因子分析只是众多统计分析方法中的一个而已，自然就不是必须的了。（南心网SPSS实证分析） 
  
   问题十：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了