主成分分析怎么做 spss主成分分析教程_西西软件资讯
西西软件园多重安全检测下载网站、值得信赖的软件下载站！
→ 主成分分析怎么做 spss主成分分析教程
类型：行业软件大小：311.3M语言：多国语言[中文] 评分：5.0
spss主成分分析主要原理是找一个合适的线性变换，主成分分析spss的作用是减少指标变量的个数、解决多重相关性问题，如果你还不知道主成分分析怎么做，下面小编就给大家带来spss主成分分析教程。spss19.0官方中文版：1、打开SPSS软件，导入数据后，依次点击分析，降维，因子分析。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。3、勾选原始分析结果、KMO检验对话框，然后点击继续。4、点击抽取，方法里选择主成分再点击碎石图。5、点击旋转，再点击最大方差旋转。6、点击得分，再点击，保存为变量及显示因子得分系数矩阵。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。这就是小编给大家带来的spss主成分分析的相关介绍了，希望对大家有用。
09-2409-2409-2401-2501-2401-2401-2301-2201-1701-13
阅读本文后您有什么感想? 已有23人给出评价!
名称大小下载如何用spss进行主成分综合指标分析_百度知道
如何用spss进行主成分综合指标分析
我有更好的答案
依输入数据。 贰点Analyze 下拉菜单，选Data Reduction 下的Factor 。 三打开Factor Analysis后,将数据变量逐个选中进入Variables 对话框中。 四单击主对话框中的Descriptive按扭，打开Factor Analysis: Descriptives子对话框，在Statistics栏中选择Univariate Descriptives项要求输出个变量的均值与标准差，在Correlation Matrix 栏内选择Coefficients项，要求计算相关系数矩阵，单击Continue按钮返回Factor Analysis主对话框。 5单击主对话框中的Extraction 按钮，打开如下图所示的Factor Analysis: Extraction 子对话框。在Method列表中选择默认因子抽取方法——Principal Components，在Analyze 栏中选择默认的Correlation Matrix 项要求从相关系数矩阵出发求解主成分，在Exact 栏中选择Number of F陆， 要求显示所有主成分的得分和所能解释的方差。单击Continue按钮返回Factor Analysis主对话框。 陆单击主对话框中的OK 按钮，输出结果。 统计专业研究生工作室原创，请勿复杂粘
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。主成分分析SPSS操作步骤_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
主成分分析SPSS操作步骤
阅读已结束，下载本文需要
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，同时保存到云知识，更方便管理
加入VIP
还剩7页未读，
定制HR最喜欢的简历
你可能喜欢SPSS超详细教程：主成分分析
我的图书馆
SPSS超详细教程：主成分分析
1、问题与数据某公司经理拟招聘一名员工，要求其具有较高的工作积极性、自主性、热情和责任感。为此，该经理专门设计了一个测试问卷，配有25项相关问题，拟从315位应聘者中寻找出最合适的候选人。在这25项相关问题中，Qu3-Qu8、Qu12、Qu13测量的是工作积极性，Qu2、Qu14-Qu19测量的是工作自主性，Qu20-Qu25测量的是工作热情，Qu1、Qu9-Qu11测量的是工作责任感，每一个问题都有非常同意“Agree”、同意 “Agree Some”、不确定“Undecided”、不同意 “Disagree Some”和 非常不同意 “Disagree”五个等级。该经理想根据这25项问题判断应聘者在这四个方面的能力，现收集了应聘者的问卷信息，经汇总整理后部分数据如下：2、对问题的分析研究者拟将多个变量归纳为某几项信息进行分析，即降低数据结果的维度。针对这种情况，我们可以进行主成分提取，但需要先满足2项假设：假设1：观测变量是连续变量或有序分类变量，如本研究中的测量变量都是有序分类变量。假设2：变量之间存在线性相关关系。经分析，本研究数据符合假设1，那么应该如何检验假设2，并进行主成分提取呢？3、SPSS操作(1) 在主页面点击Analyze→Dimension Reduction →Factor&弹出下图&(2) 将变量Qu1-Qu25放入Variables栏&(3) 点击Descriptive弹出下图&(4) 点选Statistics栏的Initial solution选项，并点选Correlation Matrix栏的Coefficients、KMO and Bartlett’s test of sphericity、Reproduced和Anti_image选项(5) 点击Continue→Extraction&(6) 点击Display栏中的Scree plot选项&(7) 点击Continue→Rotation&(8) 点选Method栏的Varimax选项，并点选Display栏的Rotated solution和Loading plot(s)选项(9) 点击Continue→Scores&(10) 点击Save as variables，激活Method栏后点击Regression选项&(11) 点击Continue→Options&(12) 点击 Sorted by size和Suppress small coefficients选项，在Absolute value below栏内输入“.3”&(13) 点击Continue→OK假设检验假设2：线性相关关系经上述操作，SPSS输出相关矩阵表如下：在变量比较多的时候，各变量之间的相关矩阵表会非常大。如在本研究中，相关矩阵是一个26*26的表格，为了在一个视野中展示数据，我们只能列出部分结果。该表主要用于判断各变量之间的线性相关关系，从而决定变量的取舍，即如果某一个变量与同一分组中其他变量之间的关联性不强，我们就认为该变量与其他变量测量的内容不同，在主成分提取中不应该纳入该变量。一般来说，如果相关系数大于等于0.3，我们就认为变量之间存在较好的线性相关性。从本研究的结果来看，在分别对应聘者工作积极性(Q3-Q8，Q12，Q13)、工作自主性 (Q2，Q14-19)、工作热情(Q20-25)和工作责任感(Q1，Q9-11)的测量中，每组变量之间的相关系数均大于0.3，说明各组变量之间具有线性相关关系，提示满足假设2。此外，检验主成分分析数据结构的方法还有以下三种：用Kaiser-Meyer-Olkin (KMO)检验对数据的总体分析，KMO检验对各变量的单独分析以及Bartlett's 检验 (Bartlett's test of sphericity)。接下来，我们将对这三种方法进行逐一介绍。KMO检验对数据结构的总体分析KMO检验主要用于主成分提取的数据情况。一般来说，KMO检验系数分布在0到1之间，如果系数值大于0.6，则认为样本符合数据结构合理的要求。但既往学者普遍认为，只有当KMO检验系数值大于0.8时，主成分分析的结果才具有较好的实用性，具体系数对应关系如下：SPSS输出本研究结果如下：&即本研究的KMO检验系数为0.833，根据系数对应关系表，我们认为本研究数据结构很好(meritorious)，具有相关关系，满足假设2。KMO检验对各变量的单独分析SPSS输出各变量的KMO检验结果如下：&整理为：&同上述对总体KMO检验系数的介绍，KMO检验对单个变量的分析结果也在0到1之间分布，如果系数大于0.5，则认为单个变量满足要求；如果系数大于0.8，则认为单个变量结果很好。在本研究中，任一变量的KMO检验结果均大于0.7，即各变量结果一般，但仍满足假设2。Bartlett's检验Bartlett's检验的零假设是研究数据之间的相关矩阵是一个完美矩阵，即所有对角线上的系数为1，非对角线上的系数均为0。在这种完美矩阵的情况下，各变量之间没有相关关系，即不能将多个变量简化为少数的成分，没有进行主成分提取的必要。因此，我们希望拒绝Bartlett's检验的零假设，SPSS输出结果如下：&在本研究中，Bartlett's检验的P值小于0.001，拒绝零假设，即认为研究数据可以进行主成分提取，满足假设2。4 、结果解释对主成分结果的分析主要从公因子方差（communalities）、提取主成分和强制提取主成分三个方面进行。接下来，我们将向大家进行逐一介绍。4.1 公因子方差结果SPSS输出公因子方差结果如下：&在这个阶段，研究中有多少个变量数据结果就会输出多少个成分。如在本研究中共有25个变量，就会对应产生25个成分。在上表中，“Initial”栏提示的当所有成分都纳入时，每个变量变异被解释的程度为1，即100%被解释。这是很好理解的，因为在这一阶段，我们没有剔除任何信息，数据中的变异都可以被解释。而“Extraction”栏提示的是当我们只保留选中的成分时，变量变异被解释的程度。这也是很好理解的，因为我们只保留了部分成分，所有变量变异被解释的程度会降低。这个表只是帮助大家对主成分提取结果有一个初步的认识，接下来我们要进入主要的分析阶段。4.2 提取主成分正如上文所述，研究中有多少个变量，主成分提取就会产生多少个主成分。而我们主要的目的就是通过选取主成分，对数据进行降维，但同时也要注意尽可能多地包含对数据变异的解释。一般来说，结果输出的第一主成分包含最多的数据变异，第二主成分次之，之后的主成分包含的变异程度依次递减。SPSS输出结果如下：&上表标注部分是对研究中所有主成分的介绍。本研究中共有25个变量，那总特征值（eigenvalues of variance）就是25，即每个变量自身的特征值为1。Total栏提示的是各主成分对数据变异的解释程度。以第一主成分为例，其特征值为6.730，占总体变异的6.730/25×100 = 26.919% （% of Variance栏）。同理，第二主成分的特征值为3.342，占总体变异的13.369%，以此类推。那么，我们应该如何提取主成分呢？目前主要有4种方法可以帮助大家判断提取主成分的数量，分别是： (1) 特征值大于1，(2) 解释数据变异的比例，(3) 陡坡图检验，和 (4) 解释能力判断，我们将逐一向大家介绍。(1) 特征值大于1一般来说，如果某一项主成分的特征值小于1，那么我们就认为该主成分对数据变异的解释程度比单个变量小，应该剔除。本研究结果如下：&从上表可知，第五主成分的特征值为1.049，大于1；而第六主成分的特征值为0.951，小于1，即应该保留前五位的主成分，剔除剩余部分。这种方法的主要问题在于，如果研究结果中某些主成分的特征值十分接近1，那么该方法对提取主成分数量的提示作用将变得不明显。比如，某研究第五主成分的特征值为1.002，而第六主成分的特征值为0.998，虽然该方法仍建议保留前五位主成分，但是我们会对是否也应该保留第六主成分产生质疑，需要其他方法辅助判断。(2) 解释数据变异的比例在根据主成分解释数据变异比例判断提取主成分的数量时，我们主要依据单个主成分解释数据变异的比例和前几位主成分解释数据变异的总比例两个指标。SPSS输出结果如下：&首先，既往研究认为提取的主成分至少应该解释5-10%的数据变异。根据这一指标，我们认为应该提取前四位主成分(第四主成分解释8.070%的数据变异，第五主成分解释4.196%的数据变异)。而同时，既往学者也认为提取的主成分应累计解释60-70%的数据变异。相应的根据这一指标，我们认为应该提取前五位主成分(前四位主成分累计解释59.949%的数据变异，前五位主成分累计解释64.145%的数据变异)。这种判断方法的不足在于比较主观，我们既可以提取60%，也可以提取70%，而这10%的比例差异往往导致提取主成分数量的不同。(3) 陡坡图(scree plot)检验SPSS输出陡坡图如下：&陡坡图是根据各主成分对数据变异的解释程度绘制的图。图上，每一个主成分为一个点，我们通过“陡坡趋于平缓”的位置判断提取主成分的数量。在本研究中，第五主成分之后的数据趋于平缓，因此我们认为可以提取前四位主成分。(4) 解释能力判断大家都知道，我们进行主成分提取的目的是对数据结构进行降维，但同时我们也要注意的是提取后的主成分应具有一定的意义，即对研究内容具有解释能力。各主成分对相应变量的解释能力(相关系数小于0.3的数据已剔除)，如下表：&从上表可见，当我们提取前五位主成分时，数据结构仍比较复杂，存在两个主成分同时解释一个变量的情况。比如，第一主成分和第五主成分同时解释Qu18变量；再如，第二主成分和第五主成分同时解释Qu8变量。在这种情况下，主成分提取的结果比较难解释。比如，我们无法区分变量Qu18的信息是由第一主成分反映，还是由第二主成分反映。因此，我们比较倾向于提取未对任何变量进行重复解释的主成分，即提取前四位主成分。大家应该已经注意到，不同方法提示的主成分提取数量并不完全相同，这就要求我们根据研究经验和目的做出自己的取舍。简而言之，提取主成分的判断是一个比较主观的过程，并没有最优的判断方法，各方法的优缺点都是相对而言的。针对本研究，我们认为应该提取前四位主成分，这一结果与陡坡图检验和解释能力判断的提示相同，但与特征值大于1和解释数据变异比例的提示不同，是研究者根据实际情况进行的综合判断。4.3 强制提取主成分因为SPSS自动输出的主成分提取结果主要是根据特征值大于1这项指标判断的，并不一定符合我们的实际需要，所以我们在实际工作中往往要进行强制性提取主成分的工作，其SPSS操作如下：(1) 在主页面点击Analyze →Dimension Reduction →Factor&弹出下图&（2）点击Extraction&（3）点击Extract栏内的Fixed number of factors选项，并在Factors to extract栏内填入4&（4）点击Continue→OK经过上述SPSS操作，我们得到的结构与前文提到的基本相同，只不过主成分提取数量固定为4，而不是之前SPSS自动输出的前五位主成分。Total Variance Explained表输出结果如下：&该表提示，前四位主成分对数据变异的累计解释比例为59.9%，与之前的结果相同。可见我们提取主成分后，只纳入了原数据信息的59.9%，不到60%，但提取的每一项主成分对数据变异的解释比例都大于5%。Rotated Component Matrix表(剔除相关系数小于0.3的数据)输出提取后各主成分对变量的解释情况如下：&研究者在设计问卷时，拟使用Qu3-Qu8、Qu12、Qu13测量工作积极性，Qu2、Qu14-Qu19测量工作自主性，Qu20-Qu25测量工作热情，Qu1、Qu9-Qu11测量工作责任感。从上表可知，提取前四位后各主成分解释的变量信息与该分类基本相同。对应地，第一主成分主要反映工作积极性，第二主成分主要反映工作自主性，第三主成分主要反映工作热情，而第三主成分主要反映工作责任感。可见，提取前四位主成分具有较好的结果解释能力。当然，为了更好地汇报结果，我们需要将相关系数小于0.3的数据补齐，SPSS操作方法是在Factor Analysis界面内点击Coefficient Display Format栏内的Sorted by size选项，如下：&重新运行主成分分析后，SPSS输出下表：&该表包含了提取后各主成分与变量之间的所有相关系数，但是这样并不容易观察到主成分与变量之间的关系。我们进一步将大于0.3的相关系数加粗，便于大家理解，如下所示：5、撰写结论本研究采用主成分分析，通过25项问题调查315位应聘者的工作能力。研究变量之间存在线性相关关系(每组变量之间的相关系数均大于0.3)，数据结构合理(KMO检验系数为0.833，单个变量的KMO检验系数均大于0.7，Bartlett's检验结果为P主成分提取结果提示，本研究中前五位主成分的特征值大于1，分别解释26.9%、13.4%、8.1%和4.2%的总数据变异。但陡坡图分析提示应提取前四位主成分(图1)，同时解释能力判断也提示提取前4位主成分比较符合研究实际需要。&Figure 1 Scree Plot因此，本研究最终提取前四位主成分。提取后的主成分累计解释59.9%的数据变异，分别反映应聘者的工作积极性、工作自主性、工作热情和工作责任感，详见表1。Table 1. Rotated Structure Matrix for PCA with Varimax Rotation of a Four Component Questionnaire&后记：根据主成分提取的结果，研究者可以计算相应的主成分得分或者直接将提取后的主成分作为新生成的变量进行数据分析。在保留大部分原始信息的情况下，主成分提取主要用于降低数据维度，简化数据结构，帮助研究者更好地解释研究内容和结果。(如果你想使用文中数据进行练习，请随时给小咖（微信：xys2016ykf）发消息，小咖将原始数据发给你。)更多阅读1.2.&3.&医咖会微信：medieco-ykh关注医咖会，轻松学习统计学~有临床研究设计或统计学方面的难题？快加小咖个人微信（xys2016ykf），拉你进统计讨论群和众多热爱研究的小伙伴们一起交流学习。如果想进群，添加小咖时请注明“加群”二字。
TA的最新馆藏
喜欢该文的人也喜欢苹果/安卓/wp
积分 21, 距离下一级还需 3 积分
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
01:45:10 上传
01:45:17 上传
01:45:17 上传
求大神帮我看看。。
我想提取2个主成分 或者3个也行。。是不是我问卷数据有问题啊。。该如何做呢。。很急，要做毕业论文的。。。
01:47:31 上传
01:47:24 上传
慕名小青 发表于
求大神帮我看看。。
我想提取2个主成分 或者3个也行。。是不是我问卷数据有问题啊。。该如何做呢。。很 ...数据的问题，应该是变量之间的相关性不高
慕名小青 发表于
求大神帮我看看。。
我想提取2个主成分 或者3个也行。。是不是我问卷数据有问题啊。。该如何做呢。。很 ...这个kmo值是不是有点小啊
草衣落荻 发表于
数据的问题，应该是变量之间的相关性不高怎么看高不高。。。。怎么样才会高呢‘？？？求指教！！！
于海洋1028 发表于
这个kmo值是不是有点小啊对呀 我也知道有点小。。。请问如何才能让KMO系数变高呢。。。求指教！！
草衣落荻 发表于
数据的问题，应该是变量之间的相关性不高数据该如何设置呢。。亲。。。我现在真没办法了！ 请你帮帮我吧！
& & KMO值等于0.458，小于0.5，原则意义上是不适合做因子分析的。你可以尝试将“公因子方差”表格中“提取”列的值小于0.5的一条条删除（少于0.5一般认为该项指标在因子分析中贡献的变异太小，可考虑删除），然后用删除后的变量再做因子分析看看结果。祝好运~
慕名小青 发表于
对呀 我也知道有点小。。。请问如何才能让KMO系数变高呢。。。求指教！！或者换数据做 或者把相关性小的数据删掉。
xddlovejiao1314 发表于
KMO值等于0.458，小于0.5，原则意义上是不适合做因子分析的。你可以尝试将“公因子方差”表格中“提取” ...如果我不想删掉呢。。请问如何改数据？ 怎么让他们相关性高呢？
xddlovejiao1314 发表于
KMO值等于0.458，小于0.5，原则意义上是不适合做因子分析的。你可以尝试将“公因子方差”表格中“提取” ...我可以加你 扣、扣吗！亲！！请你教教我
一级伯乐勋章
一级伯乐勋章
初级学术勋章
初级学术勋章
初级热心勋章
初级热心勋章
初级信用勋章
初级信用勋章
中级热心勋章
中级热心勋章
中级学术勋章
中级学术勋章
中级信用勋章
中级信用勋章
高级热心勋章
高级热心勋章
高级学术勋章
高级学术勋章
高级信用勋章
高级信用勋章
特级热心勋章
高级热心勋章
特级学术勋章
特级学术勋章
特级信用勋章
高级信用勋章
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师