因子分析报告VIP免费

实验名称：因子分分析一、实验目的和要求通过上机操作，完成spss软件的因子分析二、实验内容和步骤7.7R型聚类如图所示选择将6个变量选入变量框中分别点击descriptiverotation选项，进行以下操作点击extraction点击options结果如下所示CorrelationMatrixa数学物理化学语文历史英语Correlation数学1.000.426.527-.464-.356-.296物理.4261.000.345-.307-.285-.235化学.527.3451.000-.391-.290-.136语文-.464-.307-.3911.000.778.810历史-.356-.285-.290.7781.000.820英语-.296-.235-.136.810.8201.000Sig.(1-tailed)数学.009.001.005.027.056物理.009.031.050.064.105化学.001.031.016.060.237语文.005.050.016.000.000历史.027.064.060.000.000英语.056.105.237.000.000a.Determinant=.037上表为相关矩阵，给出了6个变量之间的相关系数。主对角线系数都为1，从表中我们可知，变量与变量之间有的会高度相关，有的相关性比较低，语文与历史，语文与英语，英语与历史都是高度相关的，其他的相关度较低。KMOandBartlett'sTestKaiser-Meyer-OlkinMeasureofSamplingAdequacy..755Bartlett'sTestofSphericityApprox.Chi-Square86.576df15Sig..000上表为KMO和Bartlett检验表，KMO检验是对变量是否适合做因子分析的检验，根据Kaiser常用度量标准，由于KMO=0.755，表明此时一般适合做因子分析。CommunalitiesInitialExtraction数学1.000.812物理1.000.876化学1.000.670语文1.000.886历史1.000.876英语1.000.897ExtractionMethod:PrincipalComponentAnalysis.上表为公因子方差，给出了该次分析中从每个原始变量中提取的信息，从表中可以看出除了化学外，主成分几乎都包含了其余各个变量至少80%的信息。TotalVarianceExplainedComponentInitialEigenvaluesExtractionSumsofSquaredLoadingsRotationSumsofSquaredLoadingsTotal%ofVarianceCumulative%Total%ofVarianceCumulative%Total%ofVarianceCumulative%13.23853.97253.9723.23853.97253.9722.57242.86142.86121.27721.28875.2601.27721.28875.2601.94432.40075.2603.68111.34686.6074.4587.63494.2405.2123.52697.7676.1342.233100.000ExtractionMethod:PrincipalComponentAnalysis.上表为特征根于方差贡献表，给出了个主成分解释原始变量总方差的情况，从表中可以看出，本例中保留了2个主成分，集中了原始变量总信息的75.260%上图为碎石土，分析碎石土看出因子1与因子2的特征值差值比较大，而其他特征值比较小，可以出保留2个因子能概括绝大部分信息。ComponentMatrixaComponent12语文.900.233历史.857.357英语.816.498数学-.662.503物理-.530.478化学-.555.605ExtractionMethod:PrincipalComponentAnalysis.a.2componentsextracted.从因子载荷矩阵表中可以看出，需要对因子载荷阵进行旋转，RotatedComponentMatrixaComponent12英语.953-.072历史.904-.209语文.867-.335化学-.099.815数学-.245.795物理-.152.698经过旋转后的载荷系数已经明显地两极分化了。第一个公共因子在前三个指标上有较大载荷，说明这三个指标有较强的相关性，可以归为一类，所以把英语，历史，语文作为属于文科学习能力的指标；第二个公共因子在后三个指标上有较大载荷，所以化学，数学，物理属于理科学习能力的指标。以上是因子载荷图，可以看出因子的聚集性，理科的指标聚集在一起，文科的指标也聚集在一起，分类效果非常好。ComponentScoreCoefficientMatrixComponent12数学.064.439物理.085.400化学.137.484语文.332-.014历史.378.073英语.432.169由上表可知6432.05378.04332.03137.02085.01064.01XXXXXXF6169.05073.04014.03484.02400.01439.02XXXXXXF所以可以把每个学生的六门成绩分别代入F1、F2，比较两者的大小，F1大的适合学文科，F2大的适合学理科。计算结果为学号是1、16、24的学生适合学文，其余均适合学理Q型聚类如图所示进行选择，结果如下相关性矩阵是主对角线为1的矩阵，可以看出因子之间相关性不是特别的大。Communalities起始擷取11.0001.00021.0001.00031.0001.00041.0001.00051.0001.00061.0001.00071.0001.00081.0001.0...