值得一看:因子分析實例分析_SPSSAU實用教程

2020-12-13 SPSSAU

在實際生活中,不同的變量之間有著各式各樣的聯繫,如果想全面地研究一個問題,就需要搜集各方面的資料。但大量的數據就容易產生重複的信息,為了減少研究的複雜程度,這時候就可以用到主成分分析或因子分析

應用場景

因子分析可以看做是優化後的主成分分析,兩種方法有很多共通的地方,但應用方面各有側重。

兩種方法主要用於三種場景下分別是:信息濃縮、權重計算和綜合競爭力研究。

信息濃縮:將多個分析項濃縮成幾個關鍵概括性指標。比如將多個問卷題濃縮成幾個指標。如果偏重信息濃縮且關注指標與分析項對應關係,使用因子分析更為適合。

權重計算:利用方差解釋率值計算各概括性指標的權重。在信息濃縮的基礎上,可進一步計算每個主成分/因子的權重,構建指標權重體系。

綜合競爭力:利用成分得分和方差解釋率這兩項指標,計算得到綜合得分,用於綜合競爭力對比(綜合得分值越高意味著競爭力越強)。此類應用常見於經濟、管理類研究,比如上市公司的競爭實力對比。

案例應用

(1)背景

本次抽取了150名員工的的績效考核情況,共考察8項指標分別是工作效率、工作成果、創新能力、人際關係、合作意識、出勤情況、工作積極性、學習能力。希望通過分析,了解每個員工的績效情況。

(2)操作步驟

本例中選用因子分析進行分析,放置如下:

*也可使用主成分分析 使用路徑:進階方法→主成分

輸出的因子個數可自己選擇,也可默認由系統輸出,系統默認以特徵根大於1為判斷標準。這裡我們選擇默認輸出因子個數,同時勾選綜合得分,後續的分析會用到。

(3)結果分析

① KMO 和 Bartlett 的檢驗結果

表1 KMO和Bartlett 的檢驗

表1展示KMO檢驗和Bartlett 的檢驗結果,用於判斷指標是否適合進行因子分析。通常KMO值的判斷標準為0.6。大於0.6說明適合進行因子分析,反之,說明不適合進行分析。同時Bartlett檢驗對應P值小於0.05也說明適合進行因子分析。

根據上表可知,KMO為0.748,大於0.6,滿足因子分析的前提要求,意味著數據可用於因子分析研究。以及數據通過Bartlett 球形度檢驗(P<0.05),說明研究數據適合進行因子分析。

② 方差解釋率表格

表2 方差解釋率表格

表2展示的是各因子的方差解釋率和累積解釋率結果,用於描述提取的因子個數以及分析每個因子方差解釋率和累積總共方差解釋率,每個因子方差解釋率進行加權即得到權重值。

從上表可知:本次共提取了3個因子。此3個因子的方差解釋率分別是45.078%,19.527%,14.080%,累積方差解釋率為78.685%。

另外,本次分析共提取出3個主成分,它們對應的加權後方差解釋率即權重依次為:45.078/78.685=57.29%;19.527/78.685=24.82%;14.080/78.685=17.89%。

*提示:如果因子提取個數與預期不符,可在分析時主動設置因子個數。

因子載荷係數表格

表3 因子載荷係數表格

表3通過載荷係數值,分析出每個因子與指標的對應關係情況。

由上表可知,所有指標對應的共同度值均高於0.4,意味著研究項和因子之間有著較強的關聯性,主成分可以有效的提取出信息。但因子與指標之間的對應關係。因而可考慮使用因子分析進一步分析,以便更好對因子命名。

可以看到此時的因子對應關係較好,因子1主要與工作效率、工作成果、創新能力有較強的關聯性。因子2與人際關係、合作意識有較強的關聯性。因子3與出勤情況、工作積極性有較強的關聯性。因此可以將因子1命名為工作能力因子,因子2命名為團隊能力因子,因子3命名為工作態度因子

④成份得分係數矩陣

表4 成份得分係數矩陣

表4用於展示各成分得分係數,如果進行權重計算,則需要使用「成份得分係數矩陣」建立因子和研究項之間的關係等式。

根據上表可得,各因子和研究項之間的關係等式分別為:

因子1=0.320*工作積極性+0.296*工作成果+0.320*專業水平-0.071*工作效率-0.063*合作意識-0.119*工作創新度-0.046*工作趣味性+0.330*休假制度

因子2=-0.074*工作積極性-0.138*工作成果+0.100*專業水平+0.548*工作效率+0.561*合作意識-0.107*工作創新度-0.023*工作趣味性-0.048*休假制度

因子3=0.004*工作積極性+0.120*工作成果-0.203*專業水平-0.059*工作效率-0.091*合作意識+0.616*工作創新度+0.508*工作趣味性-0.098*休假制度

⑤碎石圖

碎石圖用於輔助判斷因子提取個數,當拆線由陡峭突然變得平穩時,陡峭到平穩對應的因子個數即為參考提取因子個數。碎石圖僅輔助決策因子個數,實際研究中更多以專業知識,結合因子與研究項對應關係情況,綜合權衡判斷得出因子個數。

綜合得分

還記不記得,開始分析前,我們勾選了綜合得分。現在返回到分析界面,就可以看到一個新生成的標題,名為Comp_scoreXXXX,這個就是綜合得分。

我們可以在頁面右上角-上傳數據中找到當前分析的數據查看並下載綜合得分,用於得出員工績效排名。

經過整理排序後可得出最終排名情況,下圖為本次績效考評中得分排在前五位的員工:

第二列為員工編號

其他說明

(1)主成分分析通常用於中間過程分析,後面往往使用其他方法進一步分析。此時可選擇保存主成分得分,用於進一步分析,如回歸分析、聚類分析等。

(2)綜合得分需要結合因子分別對應的方差解釋率相乘,並最終加和,計算公式如下:綜合得分=w1*因子1得分+w2*因子2得分+w3*因子3, w1,w2,w3分別表示三個因子的方差解釋率。綜合得分計算完成後,其分值越大,說明競爭力越強。

相關焦點

  • SPSSAU教程:全流程總結卡方檢驗,幫你理清分析思路
    如果P>0.05了,則代表沒有統計學意義,一般就不再進行深入分析。具體可參考SPSSAU輸出的「分析建議」及「智能分析」。-智能分析(2)卡方檢驗如果使用加權數據,就要用「實驗研究」→「卡方檢驗」。
  • spss因子分析教程
    我想說,你要想學好多變量分析技術,一是:理解多元回歸分析,二是:理解因子分析;這是多變量分析技術的兩個出發點。為什麼這麼說呢?多元回歸分析是掌握有因變量影響關係的重點,無論什麼分析,只要研究的變量有Y,也就是因變量,一般都是回歸思想,無非就是Y的測量尺度不同,選擇不同的變形方法。而因子分析則是研究沒有因變量和自變量之分的一組變量X1 X2 X3 … Xn之間的關係。
  • 實用教程!驗證性因子分析思路總結
    Step1:因子分析類型因子分析可分為兩種類型:探索性因子分析(EFA)和驗證性因子分析(CFA)。探索性因子分析,主要用於濃縮測量項,將所有題項濃縮提取成幾個概括性因子,達到減少分析次數,減少重複信息的目的。
  • 角落學堂—說說分析圖(六):場地分析實例簡單教程
  • 因子分析的理論基礎與分析工具選擇
    今天和大家一起簡單複習一下因子分析的理論基礎:維度(Dimension)與降維(Dimension Reduction);以及對比一下SPSS和R在做因子分析時的優劣。不管是在理論研究還是實驗研究中,研究員總是能從研究單位中提取出龐大的變量群。然而,在一個資料庫中,我們想要做研究的一個概念,似乎是被多個變量來共同衡量。
  • SPSS因子分析案例
    因子分析在各行各業的應用非常廣泛,尤其是科研論文中因子分析更是頻頻出現。【一、概念】探討具有相關關係的變量之間,是否存在不能直接觀察到的,但對可觀測變量的變化其支配作用的潛在因素的分析方法就是因子分析,也叫因素分析。通俗點:因子分析是尋找潛在的、起支配作用因子的方法。
  • SPSSAU實用教程:多選題的錄入及分析
    但怎樣對多選題進行錄入、分析,有很多人還並不清楚,本文就以SPSSAU為例,來闡述一下如何錄入分析多選題。多選題的錄入多選題,又被稱為多重響應,在一個多選題中,被訪者可以選擇一個選項,也可以選擇兩個或多個選項。這樣一來就產生了一個問題,就是無法僅用一個變量來直接編碼分析。
  • 驗證性因子分析與探索性因子分析的區別 | 附:量表編制步驟
    最近有老師問驗證性因子分析和探索性因子分析的區別,是不是在做量表的時候需要做驗證性因子分析?那麼是在什麼時候做?很明顯,編制量表的時候一定是需要做驗證性因子分析的。1.在進行探索性因子分析的時候,量表條目最終能形成幾個條目是未知的。
  • 實用乾貨!因子分析超全步驟總結!
    「因子分析」是統計數據分析方法之一,因子分析包括探索性因子分析和驗證性因子分析。本文主要討論探索性因子分析。一、研究背景關於工作滿意度有14個問題,調研得到215份問卷結果。希望通過因子分析,用少量因子反映14個題目的信息,從而達到降低維度,便於分析的目的,並對因子命名用於後續分析。二、分析步驟Step1數據準備:依據研究目的,收集相關數據。本例中就是我們收集得到的14個問題的有關數據。
  • 學會spss就能找到數據分析工作嗎
    現在真正需要用到spss進行分析了,我卻看不懂老闆給的數據和分析要求,難道這就是理論與實際的脫節嗎?不敢去問我的上司,具體要怎麼操作,我怕給他留下一個不靠譜的印象,我只好去問一個辦公室的師姐。她比我早兩年入職,儼然已經是辦公室裡的熟練工,幸好還有同校同專業的她在。
  • 因子分析
    因子分析是指從研究指標相關矩陣內部的依賴關係出發,從許多相關性高的變量中找出隱藏共性因子,將多個變量轉換成一個因子的過程,共性因子之間的相關性最低,共性因子內部的變量之間的相關性最高,從而達到降維的目的。
  • SPSS因子分析經典案例分享
    什麼是因子分析?因子分析又稱因素分析,傳統的因子分析是探索性的因子分析,即因子分析是基於相關關係而進行的數據分析技術,是一種建立在眾多的觀測數據的基礎上的降維處理方法。其主要目的是探索隱藏在大量觀測數據背後的某種結構,尋找一組變量變化的共同因子。因子分析能做什麼?
  • SCENIC轉錄因子分析結果的解讀
    單細胞進階分析主要是擬時序分析,細胞通訊分析,以及SCENIC轉錄因子分析。
  • XRD原理與應用、Rietveld精修、Origin作圖,玩轉Jade分析!
    資料包括教程、乾貨、PPT、視頻課程等,內容涉及XRD基礎與應用、Jade軟體安裝及BUG處理方法、XRD精修、Jade/EVA等數據分析、Origin處理XRD數據和繪圖、XRD學習必備工具書、XRD在電池/催化/薄膜等領域應用。公眾號後臺對話框回復「150」,免費獲取所有資料。
  • 主成分分析和因子分析的區別
    線性表示方向不同主成分分析是將主成分表示為原變量的線性組合,而因子分析模型是將原變量表示為公共因子和特殊因子的線性組合3. 假設條件不同主成分分析:可認為不需要假設因子分析:需要一些假設。正交因子模型需假定:各個公共因子之間不相關,特殊因子之間不相關,且公共因子和特殊因子之間也不相關。4.主成分和公共因子的數量不同主成分分析中主成分的個數和變量個數p相同,它是將一組具有相關性的變量變換為一組不相關的變量。當然在實際使用中,我們會選擇少於p個主成分。
  • 29個非常實用的HTML 5實例、教程和技巧
    在這種情況下,每一個Web開發者的確有必要了解HTML 5的基本教程、技巧和術語。下面我們介紹了一份完整的列表——如果你是位Web開發者,絕對不想錯過這30餘個HTML5實例、教程和技巧。不妨先看一下幾個HTML5實例1.
  • 聚類分析、判別分析、主成分分析、因子分析的區別與聯繫
    線性表示方向不同: 因子分析是把變量表示成各公因子的線性組合;而主成分分析中則是把主成分表示成各變量的線性組合。3. 假設條件不同:主成分分析中不需要有假設;因子分析的假設包括:各個公共因子之間不相關,特殊因子之間不相關,公共因子和特殊因子之間不相關。4.
  • MATLAB氣象海洋簡單粗暴教程(三十五)——MATLAB裡因子分析的統計函數
    6. ppca 概率主成分分析用法:[coeff,score,pcvar] = ppca(Y,K)返回Y基於概率主成份分析的主成份分析係數。同時也返回主成份分析的分數,亦即Y在主成份空間的表徵,還有主成份方差,也就是Y協方差矩陣的特徵值。Coeff的每一列表示一個主成份並且按照成分方差降序排列。
  • 因子分析和主成分分析的10大不同
    因子分析(Factor Analysis,FA)基本原理:利用降維的思想,由研究原始變量相關矩陣內部的依賴關係出發,把一些具有錯綜複雜關係的變量表示成少數的公共因子和僅對某一個變量有作用的特殊因子線性組合而成。就是要從數據中提取對變量起解釋作用的少數公共因子(因子分析是主成分的推廣,相對於主成分分析,更傾向於描述原始變量之間的相關關係)。
  • Meta分析+網狀Meta分析自學教程+輔助資料,最全匯總篇
    點擊上方&34;關注我們匯總Meta分析+網狀Meta分析自學教程+輔助資料,比較全的資源,有需要可以按照要求領取!1、Meta分析新手入門必看2、Meta分析--基本概念解析3、Meta培訓--簡明教程36講(36節基礎課程)4、Meta分析-系統評價論文精粹