用SPSS做探索性因子分析.pdf

183 ©版权所有，徐云杰，博士，复旦大学管理学院yunjiexu@版本号：D 0.91，2009.11.20 DRAFT ONLY 附：在附：在 SPSSSPSS 中做探索性因子分析中做探索性因子分析 1 10.1210.12 操作步骤操作步骤 2 3 第一步：载入数据并启动因子分析 4 5 6 7 第二步：选择因子所对应的测度项在这个研究中，我们选择对应于七个变量 (包括8 自变量、因变量、与控制变量) 的测度项 9 10 告读者： 本书的正式版，《社会调查设计与数据分析:从立题到发表》， 终于作为 国内最好的研究方法丛书-重庆大学万卷方法丛书的一员出版了（六2011 年6月）有兴趣购买的读者现在可以从卓越购买相比于意见稿，正式 版：- 增加了第13章，构成性测度与PLS，- 增加了第14章，潜变量的调节作用- 大量充实第15章，论文写作与发表- 第12章中数据分析的结果做了大量更新，原内容介绍的方法与数据分 析的结论虽然正确，数据计算结果有错误其它各章也做了相当多的修改，不再赘述正式版比意见版的内容增加 了大概三分之一这些新增的内容对于科研人员和方法论老师来讲是十 分重要。

本附录是书稿的一部分184 ©版权所有，徐云杰，博士，复旦大学管理学院yunjiexu@版本号：D 0.91，2009.11.20 DRAFT ONLY 1 2 第三步：设定因子求解办法为主成分分析法使用相关系数矩阵，并设定主要因子的3 特征根大于 1 4 5 6 7 第四步：设计因子旋转方法为“Varimax”然后在“Factor Analysis”窗口中按“ok”8 开始计算 9 10 185 ©版权所有，徐云杰，博士，复旦大学管理学院yunjiexu@版本号：D 0.91，2009.11.20 DRAFT ONLY 1 2 10.1310.13 主成分分析的结果主成分分析的结果 3 4 对应于 27 个测度项，主成分分析法一共产生了 27 个因子这是可以产生的因子个数5 的上限Total”列报告了每一个因子所对应的特征值 of Variance”表示这个特征6 值在所有特征值和中的比例Extraction Sums of Squared Loadings”这一列反映了特征根7 大于 1 的因子在这个例子中，我们顺利地得到了 7 个因子相应地，在用碎石坡法对因8 子进行目测时，我们得到的结果是一致的。

请读者参看本章中的相应图例值得一提的9 是，第八个因子的特征根为 0.967，十分接近 1如果这个研究的理论因子个数是 8 个，研10 究者也可能考虑手工设定所要抽取的因子个数 (见第三步界面) 11 186 ©版权所有，徐云杰，博士，复旦大学管理学院yunjiexu@版本号：D 0.91，2009.11.20 DRAFT ONLY Total Variance Explained 1 Component Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 5.910 21.889 21.889 5.910 21.889 21.889 3.532 13.080 13.080 2 3.470 12.853 34.742 3.470 12.853 34.742 3.085 11.427 24.507 3 3.113 11.530 46.273 3.113 11.530 46.273 3.047 11.287 35.794 4 2.395 8.871 55.143 2.395 8.871 55.143 2.826 10.467 46.261 5 1.728 6.401 61.545 1.728 6.401 61.545 2.674 9.903 56.164 6 1.561 5.782 67.327 1.561 5.782 67.327 2.415 8.943 65.106 7 1.431 5.300 72.626 1.431 5.300 72.626 2.030 7.520 72.626 8 .967 3.581 76.207 9 .910 3.369 79.576 10 .808 2.994 82.570 11 .697 2.583 85.153 12 .589 2.183 87.336 13 .510 1.890 89.226 14 .496 1.837 91.063 15 .413 1.529 92.592 16 .344 1.274 93.866 17 .312 1.156 95.022 18 .258 .956 95.978 19 .225 .834 96.812 20 .182 .672 97.485 21 .153 .568 98.052 22 .144 .534 98.587 23 .116 .428 99.015 24 .100 .372 99.387 25 .072 .265 99.652 26 .060 .222 99.874 27 .034 .126 100.000 Extraction Method: Principal Component Analysis. 2 187 ©版权所有，徐云杰，博士，复旦大学管理学院。

yunjiexu@版本号：D 0.91，2009.11.26 SPSS 也报告了每一个主成分对于一个测度项的载荷从这个表可以看出，第一个因子解1 释了 topicality scope, 与 relevance 中的大部分信息，因为在这些测度项上这个因子的载荷很高2 第二个因子则对应于 background knowledge第三个因子对应于 understandability，第四个因子3 对应于 reliability，第五个因子对应于 topicality 中的一部分，第六个因子对 scope 作了一些反向4 的调查，第七个因子似乎对 noveltyf 进行解释，但它的作用不是很明确这就是主成分分析产5 生的结果的特点：它告诉我们能够得到的主要因子的个数，每一个因子所对应的信息却无法直6 观解释这是因为因子之间有信息重合 7 8 Component Matrix (a) 9 10 Component 1 2 3 4 5 6 7 know1 -.164 .817 .264 -.301 .175 -.103 .164 know2 -.211 .834 .191 -.210 .263 -.043 .118 know3 -.166 .768 .356 -.253 .258 -.087 .105 topic1 .699 -.115 -.184 -.101 .447 -.051 -.241 topic2 .657 -.291 -.061 -.211 .499 .015 -.112 topic3 .715 -.201 .028 -.314 .460 .044 -.052 topic4 .737 -.100 -.149 -.283 .280 -.092 -.022 novel1 .531 .018 -.517 -.104 -.124 .336 .217 novel2 .294 -.133 -.028 .180 -.015 .228 .451 novel3 .276 -.151 -.293 .107 -.140 .405 .392 novel4 .126 .321 -.274 .038 .027 -.060 .559 under1 .234 -.402 .774 -.071 .042 -.099 .191 under2 .197 -.383 .816 -.067 -.063 .009 .201 under3 .200 -.411 .717 -.068 -.076 .042 .188 reliab1 .479 .209 -.193 .561 .149 .013 .034 reliab2 .301 .318 .102 .744 .052 .023 -.108 reliab3 .413 .225 .186 .715 .206 .017 -.037 reliab4 .122 .076 .499 .615 .237 .107 -.053 sco1r .534 .020 .040 .011 -.282 -.625 .130 sco2r .522 -.012 -.063 .122 -.368 -.623 .111 sco3r .570 .208 -.195 -.026 -.105 -.245 .134 sco4r .670 .123 -.196 -.037 -.035 -.224 -.027 ri1 .469 .020 .077 -.201 -.318 .129 -.320 ri2 .458 .236 .074 -.194 -.090 .311 .313 ri3 .662 .238 .294 -.149 -.203 .257 .017 ri4 .571 .347 .275 -.126 -.342 .198 -.330 ri5 .458 .505 .153 -.045 -.397 .251 -.322 Extraction Method: Principal Component Analysis. 11 a 7 components extracted. 12 13 14 在这种情况下，我们通常对这样得到的因子进行旋转。

下表报告了用 Varimax 旋转后的因15 子载荷矩阵 16 17 18 19 20 21 22 23 24 188 ©版权所有，徐云杰，博士，复旦大学管理学院yunjiexu@版本号：D 0.91，2009.11.20 DRAFT ONLY 1 Rotated Component Matrix (a) 2 3 Component 1 2 3 4 5 6 7 know1 -.106 -.054 .946 .099 -.040 .009 -.053 know2 -.093 -.152 .926 .047 .047 -.086 -.062 know3 -.063 .023 .928 .080 .033 -.060 -.126 topic1 .853 -.085 -.110 .127 .163 .134 .000 topic2 .885 .127 -.135 .038 .041 .038 .069 topic3 .888 .200 -.015 .137 -.010 .058 .126 topic4 .779 .023 -.031 .168 -.040 .278 .164 novel1 .312 -.31。