实用干货!因子分析超全步骤总结
因子分析是统计数据分析方法之一,因子分析包括探索性因子分析和验证性因子分析。本文主要讨论探索性因子分析。
一、研究背景
关于工作满意度有14个问题,调研得到215份问卷结果。希望通过因子分析,用少量因子反映14个题目的信息,从而达到降低维度,便于分析的目的,并对因子命名用于后续分析。
二、分析步骤
Step1数据准备:
依据研究目的,收集相关数据。本例中就是我们收集得到的14个问题的有关数据。
因子分析要求数据一定为定量数据,问卷数据一般为量表题。
Step2选项设置:
点击【进阶方法】--【因子分析】。
将分析项拖拽至右侧,点击[开始分析],即可得到分析结果。
- 设置[因子个数]:如果有预期想提取的因子个数,可以主动设置输出的因子个数。
- 勾选[因子得分]:可自动保存因子得分。
- 勾选[综合得分]:可自动保存综合得分。
Step3结果解释:
①判断数据是否适合因子分析
首先考察收集到的原有变量适不适合进行因子分析,我们利用KMO检验和Bartlett的检验结果进行判断。
表1:KMO和Bartlett的检验
上表展示KMO检验和Bartlett的检验结果。
通常KMO值的判断标准为0.6。大于0.6说明适合进行分析,反之,说明不适合进行分析。同时Bartlett检验对应P值小于0.05也说明适合分析。
SPSSAU输出的结果中会给出智能解读结果,直接查看智能分析:
②判断提取因子个数
多数情况下,我们在分析时已经带着主观预期,希望题项如何归类,此时可以直接设置对应的因子个数。
本例中,工作满意度预期分为4个维度,因此将因子个数设为4。再进行分析。
因子个数设为4
表2:方差解释率表格
方差解释率表格,主要用于判断提取多少个因子合适。以及每个因子的方差解释率和累计方差解释率情况。方差解释率越大说明因子包含原数据信息的越多。因子分析中,主要关注旋转后的数据部分。
从上表可知:本次共提取了4个因子。此4个因子旋转后的方差解释率分别是24.993%,22.049%,20.191%,18.809%,旋转后累积方差解释率为86.042%。
说明4个因子能够提取14个分析项86.042%的信息量,这个值没有固定标准,一般超过60%都可以接受。
如果研究人员并没有预设维度。而选择默认选项,SPSSAU默认以特征根大于1作为标准。
特征根:指标旋转前每个因子的贡献程度。此值的总和与项目数匹配,此值越大,代表因子贡献越大。
当然因子分析通常需要综合自己的专业知识综合判断,即使是特征根值小于1,也一样可以提取因子。
碎石图
同时可结合碎石图辅助判断因子提取个数。当折线由陡峭突然变得平稳时,陡峭到平稳对应的因子个数即为参考提取因子个数。
实际研究中更多以专业知识,结合因子与研究项对应关系情况,综合权衡判断得出因子个数。
③判断因子与题项对应关系
上面提到确定因子提取个数除了要考虑以上指标,更重要的是结合因子与研究项对应关系情况判断。
因子载荷系数表,正是反映因子和研究项对应关系情况。
表3:旋转后因子载荷系数表格
从结果中可以看出,使用因子分析对14个项进行浓缩处理,浓缩为四个因子。
因子与题项对应关系,其中Q12-Q14在F1因子上有较高的载荷,说明F1因子可以解释这几个分析项,它们主要反映了工作报酬方面的满意度;
Q9-Q11在F2上有较高的载荷,它们主要反映了领导管理方面的满意度;
Q5-Q8在F3上有较高的载荷,它们主要反映了工作环境方面的满意度;
Q1-Q4在F1上有较高的载荷,它们主要反映了个人发展方面的满意度。
Step4结果调整:
如果出现因子分析结果与预期结果不一致,这种情况是非常常见的。对于不理想的题项可以移出该项,再次分析,直至所有分析项与因子对应关系良好。
如果出现以下3种问题,则需要对不合理题项进行删除:
第一类:如果分析项的共同度值小于0.4,则对应分析项应该作删除处理;
第二类:某分析项对应的”因子载荷系数”的绝对值,全部均小于0.4,也需要删除此分析项;
第三类:如果某分析项与因子对应关系出现严重偏差(通常也称作‘张冠李戴’),也需要对该分析项进行删除处理。
这部分在帮助手册中有详细介绍,有需要可阅读帮助手册中对应内容:
https://spssau.com/front/spssau/helps/advancedmethods/factor.html
Step5因子命名:
当确定了最终提取的因子数及题项对应关系,即可对提取的因子命名。
可以结合旋转后的因子载荷矩阵结果进行命名,最终将四个因子分别命名为F1工作报酬、F2领导管理、F3工作环境、F4个人发展。
三、后续分析
因子分析往往是预处理步骤,后续还需要结合具体研究目的进行分析,如回归分析、聚类分析等。
此时,可能需要用到因子得分,返回分析页面勾选[因子得分]即可生成因子得分。
如果是量表数据,建议通过【数据处理】--【生成变量】计算均值得到维度均值,用于后续研究。
四、其他说明
有关因子分析过程中可能遇到的问题,在之前的文章已经整理过,具体可参考:因子分析常见问题汇总,你想知道的都在这里
实用干货!因子分析超全步骤总结相关推荐
- 加拿大计算机科学专业高中选课,【干货】超全加拿大高中留学的选课攻略!
原标题:[干货]超全加拿大高中留学的选课攻略! 越来越多的中国孩子选择到加拿大读高中,不论公立学校还是私立学校,如何选课成了孩子与家长们头疼的话题.这里编辑了一份加拿大高中选课攻略,希望能帮助各位顺利 ...
- 实用干货!信度分析超全步骤总结!
信度分析是问卷研究中最为基本的一种方法,其用于测量'量表题'数据的可靠性,简单来说就是测量样本有没有真实的回答问题.特别提示,如果是使用统计分析方法进行信度测量,那么一般都是针对量表题,这在SPSSA ...
- cmd指令大全指令_干货 | Linux 超全实用指令大全
运行级别和找回root密码 指定运行级别 运行级别说明: 0:关机 1:单用户[找回丢失密码] 2:多用户状态没有网络服务 3:多用户状态有网络服务 4:系统未使用保留给用户 5:图形界面 6:系统重 ...
- 教你亲手制作一个虚拟数字人,超全步骤详解
自计算机图形学问世以来,人们一直在尝试创造逼真的数字人类.直到最近,那些成功的人还必须投入数月甚至数年的时间.这是一个非常昂贵和耗时的过程,需要高技术知识和设备以及高超的艺术技巧.但随着MetaHum ...
- 【资源干货】超全!我常用的70个数据分析网址
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要6分钟 Follow小博主,每天更新前沿干货 转自:小蚊子数据分析 今天给大家分享的这篇文章,更像是一份数据分析常用网站字典,一共70个,可视 ...
- django权限系统实现步骤_博主营地 | Unity红点系统如何实现?超全步骤分享
「Unity博主营地第一期」于2019年11月开启,现已收到数百篇原创投稿.每周根据Unity Connect社区反馈,帮助大家发现最优质.最干货.最受欢迎的博文作品. 在使用Unity开发游戏的时候 ...
- 【干货】超全!华为交换机端口vlan详解~
华为交换机和其他品牌的交换机在端口的vlan划分上有一些区别,今天就和大家详细说说华为交换机的端口vlan属性~ 按照IEEE802.1Q标准,vlan帧的格式如下: 此处的Tag就是vlan tag ...
- idea2020配置springboot热部署超全步骤以及安装JRebel插件
这个是idea2020版本 1.项目中pom.xml中添加依赖和插件 依赖 <!-- spring-boot-devtools --><dependency><group ...
- ospf避免环路_【网络干货】超全的OSPF路由协议技术汇总解析
OSPF 协议具有以下特点: 1.OSPF 把自治系统划分成逻辑意义上的一个或多个区域: 2.OSPF 通过 LSA(Link State Advertisement)的形式发布路由: 3.OSPF ...
- 干货100+ 最超全的web开发工具和资源大集合
干货100+ 最超全的web开发工具和资源大集合 作为Web开发者,这是好的时代,也是坏的时代.Web开发技术也在不断变化.虽然很令人兴奋,但是这也意味着Web开发人员需要要积极主动的学习新技术和 ...
最新文章
- SAP RETAIL 补货类型RF之初探 II
- c++ cin不能输入的问题
- python写gui导入图片并处理_Python图像处理库:Pillow 初级教程
- N900超频和刷9G-home一气呵成
- Boost:符号symbols找到null的测试程序
- ubuntu连接有线局域网后无法使用无线网卡上网
- MZOJ 1134: 二叉苹果树
- 从第一范式到第二范式所做的操作是_给女同事讲解MySQL数据库范式与反范式,她直夸我“技术好”
- dockerfile 创建自定义的tomcat服务
- secureCRT 如何上传下载文件
- 5G汽车联盟与欧洲汽车电信联盟签署合作谅解备忘录
- 涂抹Oracle—三思笔记之一步一步学Oracle
- feedsky 话题 营销
- 最新模拟登录12306(破解12306验证码)
- 仿ios相机apk_icamera仿苹果安卓版-icamera仿苹果软件下载-多多root网
- GitHub官网访问慢的解决问题
- Android画图demo
- 什么是企业架构师?关于这个角色,你需要知道的一切及其未来发展
- “建房收租”网络时代人人可做
- ESP32学习(3):ESP32上运行ILI9341驱动LCD