[我来尝试一下, 不一定对]:

1.      首先只有5个维度, 本身就不是很多, 所以要做因子分析, 最多提取两到三个因子, 提取5个有什么意义？每个因子对总方差的贡献等于特征值.

（表示第j个因子在所有变量上载荷 的平方和等于简化了的原变量协方差矩阵第j个的特征值 。）

2.      如果做出来因子的贡献率不高, 说明这组数据不太适合做因子分析, 原因就是这些变量并不是高度相关, 数据应该主要集中在原来的坐标轴附近, (垂直不相关的). 所以导致因子贡献率不太大。或者说，如果后面两个特征根比较小，确实说明这个五维变量应该是分布在三维的空间里，但是问题是其中至少有些变量（前三个）相关性不强，还不如用原来的坐标来表示贡献值（方差）要大。

3.      做KMO和球形检验。有人发贴说过了，应该是在SPSS的精华区。

4.      综上所述，你可以去掉后面两个特征值小的，贡献率就不要那么严格了，或者就只能用原来的三个指标表示，去掉两个？

[尝试回答4楼的]:

概念上说不是的, 因为按照因子分析的模型来说, 留下的三个是都应该保留的, 它们是三个新的垂直的坐标轴,(除非你用斜交变换).

也就是说,三个具有较大贡献的特征值(因子的方差贡献)对应着三个因子(不是对应的特征向量). 如果你要保留一个因子,那只能选最大的特征根, 但是失去了其它也很有用的维度.

由此看来, 也许SPSS高级教程里的意思是: 根据具体情况, 选取要的个数, 即不能把所有的都保留, (那样因子分析无意义) 也不能去掉太多(那样等于没有真实的描述数据的主要维度). 但是80%的贡献只是个标准, 标准应该是有商量余地的.

取特征值大于1的，方差贡献率大于60%就可以，再小就郁闷

了