全部版块 我的主页
论坛 数据科学与人工智能 数据分析与数据科学 SPSS论坛
4407 6
2009-03-26

KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.  .859
Bartlett's Test of Sphericity Approx. Chi-Square 5428.094
 df 325
 Sig. .000

Communalities
  Initial Extraction
X2 1.000 .328
X3 1.000 .464
X4 1.000 .363
X5 1.000 .473
X8 1.000 .475
X9 1.000 .490
X10 1.000 .444
X11 1.000 .414
X12 1.000 .480
X13 1.000 .439
X14 1.000 .449
X15 1.000 .427
X16 1.000 .677
X17 1.000 .752
X18 1.000 .609
X20 1.000 .481
X23 1.000 .602
X24 1.000 .609
X25 1.000 .533
X26 1.000 .558
X28 1.000 .488
X29 1.000 .620
X30 1.000 .610
X31 1.000 .692
X32 1.000 .717
X6 1.000 .422
Extraction Method: Principal Component Analysis.

Total Variance Explained
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 5.696 21.907 21.907 5.696 21.907 21.907 4.116 15.832 15.832
2 3.596 13.831 35.738 3.596 13.831 35.738 2.544 9.785 25.617
3 1.716 6.600 42.338 1.716 6.600 42.338 2.417 9.296 34.912
4 1.408 5.416 47.754 1.408 5.416 47.754 2.396 9.216 44.129
5 1.199 4.613 52.367 1.199 4.613 52.367 2.142 8.238 52.367
6 .994 3.824 56.191       
7 .944 3.632 59.823       
8 .785 3.020 62.843       
9 .753 2.897 65.740       
10 .736 2.829 68.568       
11 .712 2.738 71.306       
12 .689 2.650 73.956       
13 .644 2.477 76.433       
14 .639 2.457 78.889       
15 .604 2.323 81.212       
16 .588 2.260 83.472       
17 .554 2.130 85.601       
18 .536 2.063 87.665       
19 .515 1.982 89.647       
20 .482 1.852 91.499       
21 .456 1.754 93.253       
22 .442 1.699 94.952       
23 .412 1.585 96.536       
24 .349 1.341 97.877       
25 .298 1.148 99.025       
26 .253 .975 100.000       
Extraction Method: Principal Component Analysis.

Component Matrix(a)
  Component     
 1 2 3 4 5
X15 .638 -.086 -.068 .040 -.076
X5 .630 -.059 -.249 .103 .016
X20 .617 .045 -.264 -.136 .100
X14 .592 -.272 .097 .102 -.067
X12 .586 -.055 -.247 .026 -.270
X6 .584 -.065 -.206 .177 -.057
X10 .564 .101 -.212 .254 -.073
X13 .547 -.203 .129 .227 -.173
X3 .547 -.141 -.262 .154 .229
X8 .511 -.269 .365 -.020 -.093
X2 .468 -.223 -.182 .013 .163
X11 .459 -.225 .134 .361 .069
X4 .452 -.262 .148 .243 .096
X32 .145 .724 -.021 -.052 -.410
X31 .143 .707 -.060 -.032 -.409
X30 .256 .693 -.023 .082 .238
X29 .315 .650 -.168 -.009 .264
X23 .301 .537 .144 .011 .450
X28 .392 .535 -.190 -.021 .107
X26 .262 .515 .358 .120 -.285
X25 .276 .288 .595 .048 -.133
X24 .180 .379 .517 -.051 .404
X9 .424 -.296 .447 .139 -.058
X17 .583 -.111 -.063 -.629 -.005
X16 .565 -.048 .000 -.584 -.121
X18 .445 -.304 .297 -.468 .104
Extraction Method: Principal Component Analysis.
a 5 components extracted.

Rotated Component Matrix(a)
  Component     
 1 2 3 4 5
X5 .659     
X6 .629     
X3 .625     
X10 .619     
X12 .605     
X20 .562     
X15 .558     
X2 .489     
X14 .484     
X13 .466     
X23  .763    
X30  .684    
X29  .665    
X24  .654    
X28  .496    
X9   .657   
X8   .575   
X25   .564   
X11   .440   
X4   .423   
X32    .807  
X31    .792  
X26    .608  
X17     .813
X16     .765
X18     .658
Extraction Method: Principal Component Analysis.
 Rotation Method: Varimax with Kaiser Normalization.
a Rotation converged in 10 iterations.

Component Transformation Matrix
Component 1 2 3 4 5
1 .776 .247 .394 .139 .403
2 -.143 .665 -.242 .680 -.131
3 -.518 .156 .837 .050 .065
4 .330 .003 .274 -.010 -.903
5 -.025 .688 -.098 -.718 -.029
Extraction Method: Principal Component Analysis. 
 Rotation Method: Varimax with Kaiser Normalization.

Component Score Coefficient Matrix
  Component     
 1 2 3 4 5
X2 .127 .056 -.052 -.133 .022
X3 .191 .105 -.069 -.159 -.071
X4 .082 .040 .161 -.093 -.111
X5 .187 .003 -.055 -.013 -.029
X8 -.033 -.048 .235 .028 .075
X9 -.031 -.029 .299 .001 -.030
X10 .198 -.017 -.016 .069 -.133
X11 .114 .031 .177 -.071 -.187
X12 .168 -.162 -.049 .158 .024
X13 .101 -.101 .173 .081 -.090
X14 .088 -.054 .132 .005 -.008
X15 .122 -.038 .031 .043 .022
X16 -.056 -.055 -.061 .081 .419
X17 -.045 -.005 -.105 -.001 .446
X18 -.129 .049 .097 -.097 .351
X20 .128 .068 -.124 -.043 .117
X23 -.030 .383 .020 -.156 -.010
X24 -.167 .356 .196 -.150 .041
X25 -.139 .043 .310 .158 .004
X26 -.059 -.024 .205 .284 -.057
X28 .082 .160 -.114 .041 .012
X29 .060 .270 -.127 -.032 -.008
X30 .029 .274 -.044 -.006 -.066
X31 .010 -.103 -.040 .380 .013
X32 -.006 -.097 -.025 .386 .026
X6 .187 -.038 -.017 .029 -.077
Extraction Method: Principal Component Analysis.
 Rotation Method: Varimax with Kaiser Normalization.
 Component Scores.

Component Score Covariance Matrix
Component 1 2 3 4 5
1 1.000 .000 .000 .000 .000
2 .000 1.000 .000 .000 .000
3 .000 .000 1.000 .000 .000
4 .000 .000 .000 1.000 .000
5 .000 .000 .000 .000 1.000
Extraction Method: Principal Component Analysis. 
 Rotation Method: Varimax with Kaiser Normalization. 
 Component Scores.

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2009-3-26 20:15:00

如果分析对象矩阵没错

应该没问题

但是建议把主因子选择标准改一下

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2009-3-26 20:47:00

主因子选择标准如何改?

另外,我用信度分析,总体信度还可以(0.845),各个主成分的信度(.821;.760;.626;.739;.741)不是很理想。特别是总有2、3个项目的项目—总体相关系数低于0.3。删除后,又有其他项目低于0.3。是什么原因呢?

谢谢!

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2009-3-26 20:52:00
你把默认的“特征值大于1”的标准改为指定主因子个数看看
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2009-3-26 20:55:00

你这个解释份额怎么这么低呢??特征值分别是多少?

标准化了么

如果没有标准化就分析相关阵

标准化了就是协方差矩阵

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2009-5-27 14:18:00

过程没问题,只是因子的累计方差贡献只有50%,个人感觉有点低,解释性不够好,但是如果按照85%的标准选取因子就要选取17个因子,这样因子分析降维的效果就不大了。换组数据试试。

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群