[摘要] 针对主成分分析法在样本量较大时，特征值大于 1的前几个主成分的累计方差贡献率在 60%以下，信息损失过多的情况，本文提出了一种数据预处理计算主成分的方法，该方法可以不受样本量的限制，并使特征值大 1 的前几个主成分的累计方差贡献率提高到 95%以上。在对某企业的员工满意度实证检验中，与通常方法相比，使得累计方差贡献率由 55.32%提高到 97.21%，且排序结果显示与事实一致。 [关键词] 主成分 满意度 数据预处理 一、基本思路 满意度研究中，主成分分析法是对众多的满意度指标进行评价排序的一种有效方法。然而，在应用实践中发现，主成分分析法在样本量大于 60 的时候，特征值大于 1 的前几个主成分的累计方差贡献率往往在 60%以下，即全部信息的损失大于40%，信息损失过大，极大的影响了研究结果的科学性和准确性，也不符合提取的主成分累计方差贡献率在 85%以上的原则，给主成分分析法在满意度中的研究带来了问题。 本文的基本思路是对调查数据进行预处理，然后计算主成分的方法。具体方法是: 首先，在满意度调查问卷上，对各指标的测量尺度仍然采用 Likert 5 级划分, 分为“很不满意”、“不满意”、“一般”、“满意”、“很满意”五种；其次，对调查样本数据进行预处理。统计各指标不同满意程度的样本数，计算各指标不同满意程度样本所占调查总样本的百分比；再次，将每个指标不同满意程度的 5 个百分比数据调入SPSS 软件进行主成分计算分析；最后，将各指标对应的综合回归系数做为该指标的权重，进行分析、评价。 在对满意度进行主成分分析时，增加了一个数据预处理程序，使用处理过的数据做主成分计算、分析。这样第一，可以使得各满意程度平等的权重，保证了做主成分分析时，各满意程度数据的平等性；第二，对数据进行预处理后，对分散的原始信息进行了集中，每个指标只要五个数据参与主成分分析计算，使得提取的大于 1 的主成分的累计方差贡献率大大提高，一般在 95%或以上；第三，使主成分的应用突破了样本量的限制，样本量的大小不再影响提取的主成分的累计方差贡献率，可以扩大主成分的应用范围。这种方法在一定程度上保证了分析结论的科学性和准确性。 二、实证检验 1.调查设计及数据检验。以 2007 年 11 月对某企业的一次员工满意度调查为例。本次调查委托该企业人力资源部组织进行的，这样也引起了员工的充分重视，保证了问卷的回收率；同时，为保证员工尽量客观真实回答问...
