spss因子分析案例

[例11-1]下表资料为25名健康人的7项生化检验结果，7项生化检验指标依次命名为X1至X7，请对该资料进行因子分析。

11.2.1 数据准备

激活数据管理窗口，定义变量名：分别为X1、X2、X3、X4、X5、X6、X7，按顺序输入相应数值，建立数据库，结果见图11.1。

图11.1 原始数据的输入

11.2.2 统计分析

激活Statistics菜单选Data Reduction的Factor...命令项，弹出Factor Analysis对话框（图11.2）。在对话框左侧的变量列表中选变量X1至X7，点击?钮使之进入Variables框。

图11.2 因子分析对话框

点击Descriptives...钮，弹出Factor Analysis:Descriptives对话框（图11.3），在Statistics中选Univariate descriptives项要求输出各变量的均数与标准差，在Correlation Matrix栏内选Coefficients项要求计算相关系数矩阵，并选KMO and Bartlett’s test of sphericity项，要求对相关系数矩阵进行统计学检验。点击Continue 钮返回Factor Analysis对话框。

图11.3 描述性指标选择对话框

点击Extraction...钮，弹出Factor Analysis:Extraction对话框（图11.4），系统提供如下因子提取方法：

图11.4 因子提取方法选择对话框

Principal components：主成分分析法；

Unweighted least squares：未加权最小平方法；

Generalized least squares：综合最小平方法；

Maximum likelihood：极大似然估计法；

Principal axis factoring：主轴因子法；

Alpha factoring：α因子法；

Image factoring：多元回归法。

本例选用Principal components方法，之后点击Continue钮返回Factor Analysis 对话框。

点击Rotation...钮，弹出Factor Analysis:Rotation对话框（图11.5），系统有5种因子旋转方法可选：

图11.5 因子旋转方法选择对话框

None：不作因子旋转；

Varimax：正交旋转；

Equamax：全体旋转，对变量和因子均作旋转；

Quartimax：四分旋转，对变量作旋转；

Direct Oblimin：斜交旋转。

旋转的目的是为了获得简单结构，以帮助我们解释因子。本例选正交旋转法，之后点击Continue钮返回Factor Analysis对话框。

点击Scores...钮，弹出弹出Factor Analysis:Scores对话框（图11.6），系统提供3种估计因子得分系数的方法，本例选Regression（回归因子得分），之后点击Continue 钮返回Factor Analysis对话框，再点击OK钮即完成分析。

图11.6 估计因子分方法对话框

11.2.3 结果解释

在输出结果窗口中将看到如下统计数据：

系统首先输出各变量的均数（Mean）与标准差（Std Dev），并显示共有25例观察单位进入分析；接着输出相关系数矩阵（Correlation Matrix），经Bartlett检验表明：Bartlett值= 326.28484，P<0.0001，即相关矩阵不是一个单位矩阵，故考虑进行因子分析。

1 2

X1 .580 .643

X2 -.020 -.826

X3 .854 .057

X4 .974 .156

X5 .948 .062

X6 .675 .275

X7 .091 .894

X8 .952 .069

提取方法:主成分分析法。

旋转法:具有Kaiser 标准化的正交旋转法。

a. 旋转在3 次迭代后收敛。

成份得分系数矩阵

成份

1 2

X1 .070 .287

X2 .101 -.461

X3 .217 -.078

X4 .236 -.038

X5 .241 -.087

X6 .142 .068

X7 -.091 .490

X8 .241 -.084

提取方法:主成分分析法。

旋转法:具有Kaiser 标准化的正交旋转法。

构成得分。

KMO 和Bartlett 的检验是为了检验是否适合做因子分析，一般来说KMO的值越接近于1越好，大于0.5的话适合做因子分析，你的KMO值是0.674大于0.5。

Bartlett 的检验主要看Sig.越小越好，你的接近于0.由此可以得出，你的数据适合做因子分析。

第二个表是提取了两个个公因子来替代原来的8个原始变量，这两个因子的方差贡献率是78.604%，也就是说这两个公因子能够解释原来8个原始变量所包含信息的78.604%。

第三个表是旋转因子载荷，是为了方便对提取的两个公因子命名，旋转后，第一个因子在X1上的载荷最大，第二个因子在X2与X7上载荷最大，你可以根据X1,X2，X7的含义来对这两个因子命名。

第四个表是为了计算因子得分。比如第一个因子F1=X1*0.7+X2*0.101+X3*0.217+X4*0.236.....+X8*0.241，xi到X8这8个原始变量的值的大小你是知道的，带进去就可以求出这两个因子的分数。

纯手打，希望能帮助到您，呵呵！

Kaiser-Meyer-Olkin Measure of Sampling Adequacy是用于比较观测相关系数值与偏相关系数值的一个指标，其值愈逼近1，表明对这些变量进行因子分析的效果愈好。今KMO值= 0.32122，偏小，意味着因子分析的结果可能不能接受。

Analysis number 1 Listwise deletion of cases with missing values

Mean Std Dev Label

X1 7.10000 2.32380

X2 4.77320 2.41779

X3 2.34880 1.66556

X4 9.15240 3.01405

X5 5.45840 3.27344

X6 7.16720 4.55817

X7 2.34600 1.61091

Number of Cases = 25

Correlation Matrix:

X1 X2 X3 X4 X5 X6 X7

X1 1.00000

X2 .58026 1.00000

X3 .20113 .36379 1.00000

X4 .90900 .83725 .43611 1.00000

X5 .28347 .16590 -.70423 .16328 1.00000

X6 .28656 .26119 -.68058 .20309 .99020 1.00000

X7 -.53321 -.60846 -.64918 -.67758 .42733 .35732 1.0000 0

Kaiser-Meyer-Olkin Measure of Sampling Adequacy = .32122

Bartlett Test of Sphericity = 326.28484, Significance = .00000

使用主成分分析法得到2个因子，因子矩阵（Factor Matrix）如下，变量与某一因子的联系系数绝对值越大，则该因子与变量关系越近。如本例变量X7与第一因子的值为

-0.88644，与第二因子的值为0.21921，可见其与第一因子更近，与第二因子更远。或者因子矩阵也可以作为因子贡献大小的度量，其绝对值越大，贡献也越大。

在Final Statistics一栏中显示各因子解释掉方差的比例，也称变量的共同度（Communality）。共同度从0到1，0为因子不解释任何方差，1为所有方差均被因子解释掉。一个因子越大地解释掉变量的方差，说明因子包含原有变量信息的量越多。Extraction 1 for analysis 1, Principal Components Analysis (PC)

PC extracted 2 factors.

Factor Matrix:

Factor 1 Factor 2

X1 .74646 .48929

X2 .79644 .37219

X3 .70890 -.59727

X4 .91054 .38865

X5 -.23424 .96350

X6 -.17715 .97172

X7 -.88644 .21921

Final Statistics:

Variable Communality * Factor Eigenvalue Pct of Var Cum Pct

*

X1 .79660 * 1 3.39518 48.5 48.5

X2 .77284 * 2 2.80632 40.1 88.6

X3 .85927 *

X4 .98014 *

X5 .98320 *

X6 .97561 *

X7 .83384 *

下面显示经正交旋转后的因子负荷矩阵（Rotated Factor Matrix）和因子转换矩阵（Factor Transformation Matrix）。旋转的目的是使复杂的矩阵变得简洁，即第一因子替代了X1、X2、X4、X7的作用，第二因子替代了X3、X5、X6的作用。

VARIMAX rotation 1 for extraction 1 in analys is 1 - Kaiser Normalization. VARIMAX converged in 3 iterations.

Rotated Factor Matrix:

Factor 1 Factor 2

X1 .87795 .16064

X2 .87848 .03332

X3 .42098 -.82586

X4 .99001 .00414

X5 .15872 .97878

X6 .21452 .96415

X7 -.73151 .54656

Factor Transformation Matrix:

Factor 1 Factor 2

Factor 1 .92135 -.38873

Factor 2 .38873 .92135

最后将第一因子的因子分用变量名fac_1、第二因子的因子分用变量名fac_2存入原始数据库中。这些值既可用于模型诊断，又可用于进一步分析。

基于因子分析法的西部地区服务业竞争力评价

【摘要】：加快服务业的发展，提高服务业在国民经济中的地位，是我国政府近十年来经济政策的重要导向之一。随着西部大开发的推进，西部地区服务业的发展状况得到广泛关注。该研究基于服务业和服务业竞争力的理论，运用因子分析方法，对西部十二省区的服务业竞争力进行分析评价，并根据因子分析的结果和西部十二省区服务业发展的优劣势，提出提升该地区服务业竞争力水平的对策与建议。

关键词：服务业；竞争力；因子分析中图分类号：N949

Abstract

During the last ten years, speeding up the development of service industry and enhancing its position in

national economy is one of the most important directions of the economic policy of our government. Along with the progress of Development of the West Regions, all circles concerned starts paying attention to the development of service industry over there. Based on the theories of service industry and its competitiveness, this research makes use of factor analysis to evaluate the competitiveness of service industry in twelve western provinces and regions, and then brings forward countermeasures and suggestions to upgrade their competitiveness, which is on the base

of the results of factor analysis and

the advantages and disadvantages of the development of service industry in the west regions. Keywords: Service Industry；Competitiveness；Factor Analysis

1．引言

服务业的发展状况与竞争力水平，不仅可以衡量一个国家和地区经济发展水平，而且能够反映一个国家和地区经济发展所处的阶段。随着我国西部大开发战略的实施，西部十二省区服务业得到了快速发展，在促进地区经济增长、增加就业、提高人民生活水平、保持社会稳定等方面发挥了重要作用。然而，与发达国家和东部省区相比，仍然存在许多问题，如总体发展水平偏低，现代服务业尚未形成规模，服务业国际化水平较低等。正确、客观评价研究西部十二省区服务业的竞争力水平，对促进西部地区经济发展和推进西部大开发具有深远意义。

服务业竞争力是一个涵盖服务业本身以及相关要素关系和行为多个方面的综合系统。一个地区的服务业竞争力是该地区服务业综合能力的体现，是其在一定的政治、经济、科技、文化、人才等环境和条件下，相对于其他地区所表现出来的生存能力和可持续发展能力的综合[1]。因子分析法是在主成分分析法的基础上发展起来的一种综合评价方法，不仅可以给出排名，还可以进一步探索影响排名次序的因素，从而找到改善和提高西部十二省区服务业竞争力的方向和途径。

2．地区服务业竞争力评价指标体系的构建

目前我国关于服务业竞争力评价研究还处于起步阶段，对评价指标体系的研究很有限，而其中比较权威的是中国人民大学竞争力与评价研究中心建立的包括规模竞争力、结构竞争力、成长竞争力、创新竞争力、管理竞争力 5 个一级指标的服务业竞争力评价体系[2]和吴士元在《我国省级服务业竞争力的综合评价》一文中从经济实力、服务业总体情况、主要服务业行业发展和科技实力四个方面构建的服务业竞争力综合评价指标体系[3]。

影响地区服务业竞争力的因素很多，主要有人均GDP、城市化水平、人口规模、人口密度、居民的消费支出、固定资产投资、外部政策和经济环境等。

服务业竞争力是一个复杂系统，要从多维多角度对地区服务业竞争力进行综合评价。根据前人对服务业竞争力评价的实证研究，参考地区服务业竞争力的影响因素，将从四个方面进行分析：一是经济基础；二是服务业总体情况；三是主要服务行业发展状况；四是科技实力，

具体指标见表1。

3．因子分析法分析评价西部十二省区服务业竞争力

在众多评价方法中，因子分析法可以较大限度地克服指标之间的相关性对评价结果的影响。根据《中国统计年鉴（2006）》[4]得到以上各指标的相应数据，运用SPSS15.0 统计分析软件中的因子分析法[5]，采用主成分分析法提取公因子，计算出相关系数阵的特征值、贡献率、累计贡献率，因子载荷矩阵等，最终求得综合评价值，并据此进行排序。

第一步，利用SPSS15.0 对原始数据（见附录1）进行计算，得出相关系数矩阵，可知

10 个财务指标之间存在较强的相关关系，可以进行因子分析。第二步，按照特征根大于１的原则选取公共因子。

在SPSS15.0 的运行中，选择以主成分法作为因子提取方法，选定因子提取标准是：特征值≥1。由表 2 可知，有三个满足条件的特征值，它们对样本方差的累计贡献率达到了81.687%，代表了绝大部分信息，因此提取三个因子便能够对所分析的问题进行很好的解释。

第三步，采用主成分分析法计算因子载荷矩阵。

同样利用SPSS15.0 求得初始因子载荷矩阵，从表3 可以看出，各公共因子的典型代表变量不是很突出，各指标前几个公共因子上均有相当程度的载荷值，难以合理解释其实际意

义，所以要进一步进行旋转。选择方差最大化方法进行因子旋转，得到旋转后的因子载荷矩阵如表4。

转贴于中国论文下载中心http://www.studa. 根据旋转后的因子载荷矩阵表4，可将指标集分为三个主因子，第一主因子在人均GDP、

服务业从业人员比率、人均批发零售及住宿餐饮、人均交通运输仓储及邮电、人均金融保险及房产上具有很大载荷，从各指标的经济含义可知反映了地区服务业发展的经济基础，将其定义为服务业发

展动力因子；第二主因子在服务业全社会固定资产投资额、服务业从业人员年工资总额、服务业城镇专业技术人员数上有较大载荷，从各指标的经济含义可知反映了服务业在资本、人力等方面的投入

，将其定义为服务业发展投入因子；第三主因子在人均城镇居民消费性支出、服务业增加值占GDP 比重上载荷较大，从各指标的经济含义可知是反映服务业竞争力提高的潜力指标，将其定义为服务业展潜力因子。

第四步，构建服务业竞争力综合评价模型，算出因子得分并排序。

利用SPSS15.0 得出的因子得分系数矩阵，一个地区相对于第一主因子的得分如下计算：

F1=0.303﹡X1﹢0.061﹡X2﹢0.038﹡X3﹣0.022﹡X4﹢0.090﹡X5﹣0.009﹡X6

﹢0.280﹡X7﹢0.296﹡X8﹢0.197﹡X9﹣0.042﹡X10

i /λi = ωi ( ω根据各主因子的特征值得出各主因子的权重i 为第i个主因子对应的特征值（i=1，2，3），可以构造服务业竞争力的综合评价模型：λi ),其中λ∑

2 F2+ω1 F1+ ωF=

3 F3=0.402F1+0.393F2+0.206F3ω

其中，Fi 是各个主因子得分矩阵。由此可得每个样本相对于三个主因子的得分（见表5）。表 5 中西部十二省区的因子得分与综合得分只代表在本文构建的指标下各省区的相对差别，得分数值越大，代表竞争力越强，正值表示其竞争力高于平均水平之，负值则表示低于平均水平。

4．评价结果分析

表 5 中的主因子得分和综合得分得出了西部十二省区服务业竞争力的量化描述，可从不

同角度对各省区服务业竞争力进行分析比较。从综合得分和排名来看，西部十二省区服务业发展很不平衡，竞争力水平差异较大。12

个省区服务业竞争力的排名依次为内蒙古、四川、重庆、广西、陕西、云南、新疆、西藏、宁夏、甘肃、青海、贵州。综合得分在西部地区平均水平之上的只有6 个省区，仅占50%。其中，内蒙古的服务业竞争力最强，主要得益于它在服务业发展动力方面的绝对优势。四川虽名列第2，但其在F1 上的得分为负值，处于西部平均水平之下。与四川综合得分相差无几的重庆在三个主因子上的得分均为正值，这说明重庆在服务业发展的动力、服务业发展的投入和服务业发展的潜力方面在西部地区表现突出但略显平均，其服务业竞争力在西部地区处于相对优势地位。综合得分在平均水平之下的其余6 个省区之间的差距也很大，三个主因子得分均处于全国平均水平之下的省区就有3 个：甘肃、青海和贵州，也因此决定它们的综合得分排在最后三位。三个主因子的得分至少有一个为负值的省区有8 个，这说明西部大多数省区的服务业在发展的动力、投入和潜力方面发展不平衡，竞争力水平不高。

从三个主因子的得分和各自排名来看，在第一个主因子上得分最高的是内蒙古，其得分远远高于其他省区，得分为正值的只有 4 个省区，即排名前四的内蒙古、重庆、新疆和宁夏，说明它们的服务业发展动力强大，这主要得益于这四省的人均GDP 位于西部十二省区中的前 4 名，反映了经济发展水平是制约服务业发展的重要因素。四川在第二个主因子上的得分排名第１，是排名第2 的云南得分的近3 倍，这说明四川对服务业的投入远比其他省区多，而四川凭借其在服务业投入方面的优势使其综合排名位居第2，这充分说明服务业投入的多少直接影响到该省区服务业的综合竞争力。在反映服务业发展潜力的第三个主因子上只有西藏、重庆、云南、四川在地区平均水平之上，其中西藏的得分以高出第2 名69.55%的优势排在首位，说明西藏的服务业消费水平高且服务业在该省区经济发展中所处

地位显著，服务业竞争力得以改善和提高的空间很大。

5．提升西部十二省区服务业竞争力水平的对策建议

西部十二省区根据其综合得分可进行分组比较（见表6），根据分组提出如下相应的对策建议。

对于服务业竞争力相对较强的内蒙古、四川、重庆而言，它们在西部十二省区中处于经

济发展的较高阶段，工业化程度相对较高，人均GDP 处于高水平，主要服务行业的发展状况良好，但是它们至少有一个主因子的得分排名位于 5 名及以后。内蒙古在F3 的得分上为负，处于平均水平之下，主要是因为该区人均城镇居民消费性支出相对较少，服务业增加值

占GDP 的比重相对较低。四川在F1 的得分上为负，说明该省的服务业发展动力不足，究其原因是人均GDP 处于低水平，主要服务行业的发展状况不乐观。而重庆则在服务业发展的投入方面表现逊色。在今后的发展中，要以内蒙古自治区和成渝特区为龙头，积极引进复合型、国际型的服务人才，促进西部地区服务业协同发展，同时，向高技术、知识密集型的现代服务业渗透，优化服务业内部结构。内蒙古要重点培育服务业对外输出能力，发挥伊利、蒙牛等企业的品牌优势，带动产业链上其他服务企业的发展；同时加快产业结构的调整，出台优惠政策鼓励服务业的发展。四川和重庆要充分利用成渝特区的政治优势，吸引外资，加快传统服务业的改组改造，大力发展金融、保险、房地产、广告、咨询等现代服务行业，并充分利用地区旅游资源，制定以旅游业发展为导向的服务业发展战略规划。针对处于相对中等水平的广西、陕西、云南、新疆、西藏、宁夏而言，它们在服务业发展的动力、投入和潜力方面各有特色和优劣势。对于在F1 上处于劣势的广西和云南而言，应

该大力发展地区经济，调整产业结构带动服务业的发展；大力发展文化旅游业，开发更多旅游产品，加大市场宣传力度，完善旅游资源的经营管理机制。对于在F2 上得分不具竞争力的西藏和宁夏而言，应该运用现代化的管理手段如信息经济升级改造商贸、餐饮等传统服务行业，提高服务水平；加大政府外购能力，购买信息管理、研究咨询、业务培训等服务。对于在F3 上表现逊色的陕西和新疆而言，应该加大高素质人才和高新技术的引进力度，改变经济增长潜力不足的状况，加大服务业比重，调整产业结构。

甘肃、青海、贵州在西部地区服务业竞争力相对较弱，因为这 3 个省区地理条件不好，交通困难，基础设施落后，科技能力较弱，经济比较差。它们在三个主因子的得分上至少有一个排在最后三位，且均处于平均水平之下。对于这种情况，应该加快地区经济发展，提高社会收入水平，加快城市化进程；以工业和农业带动服务业的发展，结合地区资源优势选择重点服务行业优先发展；加大政府政策的导向性，消除服务业发展的体制障碍；加快基础设施建设，优化产业结构、行业结构和区域结构；多方筹资，加大对服务业的投入。

参考文献

[0]免费论文网

[1] 雍红月.评价服务业发展状况的几个指标[J].内蒙古统计，2005(2)：10-11.

[2] 中国人民大学竞争力与评价研究中心.中国国际竞争力发展报告——2001[M].北京：中国人民大学出版社，2001.

[3] 吴士元.我国省级服务业竞争力的综合评价[J].统计与决策，2003(10)：57-58.

[4] 中国统计年鉴编辑部.中国统计年鉴[J].北京：中国统计出版社，2006.

[5] 朱建平，殷瑞飞.SPSS 在统计分析中的应用[M].北京：清华大学出版社，2007：155-170. Evaluation on Service Industry Competitiveness in the West

Regions Based on Factor Analysis

转贴于中国论文下载中心https://www.wendangku.net/doc/8210148488.html,

spss多元回归分析报告案例

企业管理 对居民消费率影响因素的探究 ---以湖北省为例 改革开放以来,我国经济始终保持着高速增长的趋势,三十多年间综合国力得到显著增强,但我国居民消费率一直偏低,甚至一直有下降的趋势。居民消费率的偏低必然会导致我国内需的不足,进而会影响我国经济的长期健康发展。 本模型以湖北省1995年-2010年数据为例，探究各因素对居民消费率的影响及多元关系。（注：计算我国居民的消费率,用居民的人均消费除以人均GDP,得到居民的消费率）。通常来说，影响居民消费率的因素是多方面的，如:居民总 收入，人均GDP，人口结构状况1（儿童抚养系数，老年抚养系数），居民消费价格指数增长率等因素。 1.人口年龄结构一种比较精准的描述是：儿童抚养系数(0-14岁人口与 15-64岁人口的比值)、老年抚养系数(65岁及以上人口与15-64岁人口的比值〉或总抚养系数(儿童和老年抚养系数之和)。0-14岁人口比例与65岁及以上人口比例可由《湖北省统计年鉴》查得。

一、计量经济模型分析 (一)、数据搜集 根据以上分析，本模型在影响居民消费率因素中引入6个解释变量。X1:居民总收入（亿元），X2：人口增长率(‰），X3：居民消费价格指数增长率，X4：少儿抚养系数，X5：老年抚养系数，X6：居民消费占收入比重（%）。 Y：消费率(%)X1:总收入 （亿元） X2：人口增 长率(‰） X3：居民消 费价格指 数增长率 X4：少儿抚 养系数 X5：老年抚 养系数 X6：居民消 费比重（%） 1995 1997 200039 2001 2002 2003 2004 2005 2006 2007 2008 2009

SPSS因子分析(因素分析)——实例分析

SPSS因子分析(因素分析)——实例分析 提起因子分析那是老生常谈，分析人士大都喜欢讨论主成分与因子分析。我也凑个热闹，顺便温习温习，时间长了就会很模糊。 一、概念 探讨存在相关关系的变量之间，是否存在不能直接观察到的但对可观测变量的变化其支配作用的潜在因子的分析方法就是因子分析，也叫因素分析。通俗点：原始变量是共性因子的线性组合。 二、简单实例 现在有12个地区的5个经济指标调查数据（总人口、学校校龄、总雇员、专业服务、中等房价），为对这12个地区进行综合评价，请确定出这12 个地区的综合评价指标。点击下载 三、解决方案 1、不同地区的不同指标不同，这导致目前我们拥有的5个指标数据很难对这12个地区给一个明确的评价。所以，有必要确定综合评价指标，便于对比。因子分析是一种选择，当然还有其他的方法。5个指标即为我们分析的对象，直接选入。

2、描述统计选项卡。我们要对比因子提取前后的方差变化，所以选定“初始分析结果”；现在是基于相关矩阵提取因子，所以，选定相关矩阵的“系数”；比较重要的还有KMO和球形检验，它告诉我们数据是不是适合做因子分析。选定。其他选择自定。 3、抽取选项卡。提取因子的方法有很多，最常用的就是主成分法。这里选主成分。关于特征值，不想解释太多，这和显著性水平一样，都是统计学的一个基本概念。因为参与分析的变量测度单位不同，所以选择“相关矩阵”，如果参与分析的变量测度单位相同，则考虑选用协方差矩阵。

4、是否需要旋转？因子分析要求对因子给予命名和解释，对因子旋转与否取决于因子的解释。如果不经旋转因子已经很好解释，那么没有必要旋转，否则，应该旋转。这里直接旋转，便于解释。至于旋转就是坐标变换，使得因子系数向1和0靠近，对公因子的命名和解释更加容易。 5、要计算因子得分，就必须先写出因子的表达式。而因子是不能直接观察到的，是潜在的。但是可以通过可观测到的变量获得。前面说到，因子分析模型是原始变量为因子的线性组合，现在我们可以根据回归的方法将模型倒过来，用

SPSS皮尔逊相关分析实例操作步骤

SPSS皮尔逊相关分析实例操作步骤 选题： 对某地29名13岁男童的身高（cm）、体重（kg），运用相关分析法来分析其身高与体重是否相关。 实验目的： 任何事物的存在都不是孤立的，而是相互联系、相互制约的。相关分析可对变量进行相关关系的分析，计算29名13岁男童的身高（cm）、体重（kg），以判断两个变量之间相互关系的密切程度。 实验变量： 编号Number，身高height（cm），体重weight（kg） 原始数据： 实验方法： 皮 尔 逊 相 关 分 析 法 软件： 操作过程与结果分析：

第一步：导入Excel 数据文件 1.open data document ——open data ——open ； 2. Opening excel data source ——OK. 第二步：分析身高（cm ）与体重（kg ）是否具有相关性 1. 在最上面菜单里面选中Analyze ——correlate ——bivariate ，首先使用Pearson ，two-tailed ，勾选flag significant correlations 进入如下界面： 2. 点击右侧options ，勾选Statistics ，默认Missing Values ，点击Continue 输出结果： 图为基本的描述性统计量的输 出表格，其中身高的均值（mean ） 为、标准差（standard deviation ） 为、样本容量（number of cases ） 为29；体重的均值为、标准差为、 样本容量为29。两者的平均值和标准差值得差距不显着。 图为相关分析结果表，从表中可以看出体重和身高之间的皮尔逊相关系数为，即 |r|=，表示体重与身高呈正相关关系，且两变量是显着相关的。另外， 两者之间不相关的双侧检验值为，图中的双星号标 记的相关系数是在显着性水平为以下，认为标记的相关系数是显着的，验证了两者显着相关的关系。所以可以得出结论：学生的体重与身高存在显着的 Descriptive Statistics Mean Std. Deviation N 身高（cm ） 29 体重(kg) 29 Correlations 身高（cm ） 体重(kg) 身高（cm ） Pearson Correlation 1 .719** Sig. (2-tailed) .000 Sum of Squares and Cross-products Covariance N 29 29 体重(kg) Pearson Correlation .719** 1 Sig. (2-tailed) .000 Sum of Squares and Cross-products Covariance N 29 29 **. Correlation is significant at the level (2-tailed).

spss因子分析实例

一．研究目的：为了研究农民收入，我们选取了其中7种主要影响因素，包括财政用于农业的支出的比重（%），第二、三产业从业人数占全社会从业人数的比重（%），非农村人口比重，乡村从业人员占农村人口的比重（%），农业总产值占农林牧总产值的比重（%），农作物播种面积（千公顷），农村用电量（亿千瓦时）。（数据见最后一页） 二．研究变量：在经济生活中，根据以上分析，我们在影响农民收入因素中引入7个变量。即设置变量:x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人 农村口的比重，x5-农业总产值占农林牧总产值的比重，x6-农作物播种面积，x7 — 用电量。 一、研究方法：SPSS中的因子分析。 具体操作步骤 （1）定义变量：x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人口的 农村用电比重，x5-农业总产值占农林牧总产值的比重，x6-农作物播种面积，x7 — 量。 （2）导入数据： file-open-data （3）变量标准化Analyze-Descriptive Statistics-Descriptives

" 勾选Save standardized values as variables保存变量，再点击ok，就完成了对变量的标准化。 （3）因子分析 Analyze—Dimension Reduction—Faction

点击右侧的Description选项，选择Statistics选项组中的initial solution，勾选Correlation Matrix 选项组中的Coefficients和KMO and Bartlelts test of sphericity，点击Continue。 点击右侧Extraction选项，其中Method选Principal components，Analyze选择Correlation matrix，Display中选择Unrotated factor solution，Extract如图，点击Continue.

SPSS线性回归分析案例

回归分析 实验内容：基于居民消费性支出与居民可支配收入的简单线性回归分析 【研究目的】 居民消费在社会经济的持续发展中有着重要的作用。影响各地区居民消费支出的因素很多，例如居民的收入水平、商品价格水平、收入分配状况、消费者偏好、家庭财产状况、消费信贷状况、消费者年龄构成、社会保障制度、风俗习惯等等。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的经济模型去研究。 【模型设定】 我们研究的对象是各地区居民消费的差异。由于各地区的城市与农村人口比例及经济结构有较大差异，现选用城镇居民消费进行比较。模型中被解释变量Y选定为“城市居民每人每年的平均消费支出”。从理论和经验分析，影响居民消费水平的最主要因素是居民的可支配收入，故可以选用“城市居民每人每年可支配收入”作为解释变量X，选取2010年截面数据。 1、实验数据 表1： (

2010年中国各地区城市居民人均年消费支出和可支配收入

} 数据来源：《中国统计年鉴》2010年 2、实验过程 作城市居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)的散点图，如图1：

表2 模型汇总b 模型… R R方调整R方标准估计的误差 1.965a.93 2.930 a.预测变量:(常量),可支配收入X（元）。 b.因变量:消费性支出Y(元) ~ 表3 相关性 消费性支出Y (元) 可支配收入X（元） Pearson相关 性消费性支出 Y(元) .965 从散点图可以看出居民家庭平均每人每年消费支出(Y)和城市居民人均年可支配收入(X)大体呈现为线性关系，所以建立如下线性模型：Y=a+bX

SPSS因子分析报告实例操作步骤

SPSS因子分析实例操作步骤 实验目的: 引入2003~2013年全国的农、林、牧、渔业,采矿业,制造业电力、热力、燃气及水生产与供应业,建筑业,批发与零售业,交通运输、仓储与邮政业7个产业的投资值作为变量,来研究其对全国总固定投资的影响。 实验变量: 以年份,合计(单位:千亿元),农、林、牧、渔业,采矿业,制造业电力、热力、燃气及水生产与供应业,建筑业,批发与零售业,交通运输、仓储与邮政业作为变量。 实验方法:因子分析法 软件:spss19、0 操作过程: 第一步:导入Excel数据文件 1.open data document——open data——open; 2、 Opening excel data source——OK、

第二步: 1、数据标准化:在最上面菜单里面选中Analyze——Descriptive Statistics——OK (变量选择除年份、合计以外的所有变量)、 2.降维:在最上面菜单里面选中Analyze——Dimension Reduction—— Factor ,变量选择标准化后的数据、

3.点击右侧Descriptive,勾选Correlation Matrix选项组中的 Coefficients与KMO and Bartlett’s text of sphericity,点击 Continue、 4、点击右侧Extraction,勾选Scree Plot与fixed number with factors,默认3个,点击Continue、

5、点击右侧Rotation,勾选Method选项组中的Varimax;勾选Display选项组中的Loding Plot(s);点击Continue、 6、点击右侧Scores,勾选Method选项组中的Regression;勾选Display factor score coefficient matrix;点击Continue、

典型相关分析报告SPSS例析

典型相关分析 典型相关分析（Canonical correlation ）又称规则相关分析，用以分析两组变量间关系的一种方法；两个变量组均包含多个变量，所以简单相关和多元回归的解惑都是规则相关的特例。典型相关将各组变量作为整体对待，描述的是两个变量组之间整体的相关， 而不是 两个变量组个别变量之间的相关。 典型相关与主成分相关有类似， 不过主成分考虑的是一组变量，而典型相关考虑的是两 组变量间的关系，有学者将规则相关视为双管的主成分分析；因为它主要在寻找一组变量的 成分使之与另一组的成分具有最大的线性关系。 典型相关模型的基本假设： 两组变量间是线性关系， 每对典型变量之间是线性关系，每 个典型变量与本组变量之间也是线性关系；典型相关还要求各组内变量间不能有高度的复共 线性。典型相关两组变量地位相等，如有隐含的因果关系，可令一组为自变量，另一组为因 变量。 典型相关会找出一组变量的线性组合 * *= i i j j X a x Y b y 与，称为典型变量；以 使两个典型变量之间所能获得相关系数达到最大，这一相关系数称为典型相关系数。 i a 和j b 称为典型系数。如果对变量进行标准化后再进行上述操作，得到的是标准化的典型系数。 典型变量的性质 每个典型变量智慧与对应的另一组典型变量相关，而不与其他典型变量相关； 原来所有 变量的总方差通过典型变量而成为几个相互独立的维度。一个典型相关系数只是两个典型变 量之间的相关，不能代表两个变量组的相关；各对典型变量构成的多维典型相关， 共同代表 两组变量间的整体相关。 典型负荷系数和交叉负荷系数典型负荷系数也称结构相关系数， 指的是一个典型变量与本组所有变量的简单相关系数，

SPSS因子分析实例操作步骤

SPSS因子分析实例操作步骤 实验目的： 引入2003~2013年全国的农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业7个产业的投资值作为变量，来研究其对全国总固定投资的影响。 实验变量： 以年份，合计（单位：千亿元），农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业作为变量。 实验方法：因子分析法 软件： 操作过程： 第一步：导入Excel数据文件 1.open data document——open data——open； 2. Opening excel data source——OK. 第二步： 1.数据标准化：在最上面菜单里面选中Analyze——Descriptive Statistics——OK （变量选择除年份、合计以外的所有变量）. 2.降维：在最上面菜单里面选中Analyze——Dimension Reduction——Factor ，变量选择标准化后的数据. 3.点击右侧Descriptive，勾选Correlation Matrix选项组中的 Coefficients和KMO and Bartlett’s text of sphericity,点击 Continue.

4.点击右侧Extraction,勾选Scree Plot和fixed number with factors，默认3个，点击Continue. 5.点击右侧Rotation，勾选Method选项组中的Varimax；勾选Display选项组中的Loding Plot(s)；点击Continue. 6.点击右侧Scores，勾选Method选项组中的Regression；勾选Display factor score coefficient matrix；点击Continue. 7.点击右侧Options，勾选Coefficient Display Format选项组中所有选项，将Absolute value blow改为，点击Continue. 8.返回主对话框，单击OK. 输出结果分析：

SPSS相关分析案例讲解

相关分析 一、两个变量的相关分析：Bivariate 1．相关系数的含义 相关分析是研究变量间密切程度的一种常用统计方法。相关系数是描述相关关系强弱程度和方向的统计量，通常用r 表示。 ①相关系数的取值范围在-1和+1之间，即：–1≤r ≤ 1。 ②计算结果，若r 为正，则表明两变量为正相关；若r 为负，则表明两变量为负相关。 ③相关系数r 的数值越接近于1（–1或+1），表示相关系数越强；越接近于0，表示相关系数越弱。如果r=1或–1，则表示两个现象完全直线性相关。如果=0，则表示两个现象完全不相关（不是直线相关）。 ④3.0

SPSS因子分析经典案例

SPSS因子分析经典案例 因子分析已经被各行业广泛应用，各种案例琳琅满目，以前在百度空间发表过相关文章，是以每到4至6月，这些文章总会被高校毕业生扒拉一遍，也总能收到各种魅惑的留言，因此，有必要再次发布这经典案例以飨读者。 什么是因子分析？ 因子分析又称因素分析，传统的因子分析是探索性的因子分析，即因子分析是基于相关关系而进行的数据分析技术，是一种建立在众多的观测数据的基础上的降维处理方法。其主要目的是探索隐藏在大量观测数据背后的某种结构，寻找一组变量变化的共同因子。 因子分析能做什么？ 人的心理结构具有层次性，即分为外显和内隐。但是作为具有同一性的个体来说，内隐的方面总是和外显的方面相互作用，内隐方面制约着外显特征。所以我们经常说，一个人的内在自我会在相当程度上决定他的外在行为特征，表现为某些行为倾向具有高度的一致性或相关性。 反过来说，我们可以通过对个体进行系统的观察和测量，从一组高度相关的行为倾向（可观测）中，探索到某种稳定的内在心理结构（潜存在），这就是因子分析所能做的。 具体来说主要应用于： （1）个体的综合评价：按照综合因子得分对case进行排序； （2）调查问卷效度分析：问卷所列问题作为输入变量，通过KMO、因子特征值贡献率、因子命名等判断调查问卷架构质量； （3）降维处理，结果再利用：因子得分作为变量，进行聚类或其他分析。 案例描述： 高中大家都读过吧，那是一个以成绩论英雄的时代，理科王子、文科小生是时代标签。为什么我们会将数学、物理、化学归并为理科，其他的归并为文科，有没有数据支持？今天我们将用科学的方法找到答案。 100个学生数学、物理、化学、语文、历史、英语成绩如下表（部分），请你来评价他们。

SPSS因子分析法

因子分析 ? 因子分析（Factor analysis ）：用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis ）：是因子分析一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA ）和因子分析（FA ）是两种把变量维数降低以便于描述、理解和分析的方法。 ? 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 ? 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 ? 分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : 当p 较大时，在p 维空间中考察问题比较麻烦。这就需要进行降维处理，即用较少几个综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。 线性组合：记x1，x2，…，xP 为原变量指标，z1，z2，…，zm （m ≤p ）为??????????????=np n n p p x x x x x x x x x X 212222111211

SPSS统计分析分析案例

SPSS统计分析案例 一、我国城镇居民现状 近年来,我国宏观经济形势发生了重大变化,经济发展速度加快,居民收入稳定增加,在国家连续出台住房、教育、医疗等各项改革措施和实施“刺激消费、扩大内需、拉动经济增长”经济政策的影响下,全国居民的消费支出也强劲增长,消费结构发生了显著变化,消费结构不合理现象得到了一定程度的改善。本文通过相关数据分析总结出了我国城镇居民消费呈现富裕型、娱乐教育文化服务类消费攀升的趋势特点。 二、我国居民消费结构的横向分析 第一,食品消费支出比重随收入增加呈现出明显的下降趋势,这与恩格尔定律的表述一致。但最低收入户与最高收入恩格尔系数相差太过悬殊,城镇最低收入户刚刚解决了温饱问题,而最高收入户的生活水平按照恩格尔系数的评价标准早已达到了富裕型,甚至接近最富裕型。第二,衣着消费支出比重随收入增加缓慢上升,到高收入户又有所下降,但各收入组支出比重相差不大。衣着支出比重没有更多的递增且最高收入户的支出比重有所下降,这些都符合恩格尔定律关于衣着消费的引申。随着收入的增加,衣着支出比重呈现先上升后下降的走势。事实上,在当前的价格水平和服装业的发展水平下,城镇居民的穿着是有一定限度的,而且居民对衣着的需求也不是无限膨胀的,即使收入水平继续提高,也不需要将更大的比例用于购买服饰用品了。第三,家庭设备用品及服务、交通通讯、娱乐教育文化服务和杂项商品与服务的支出比重呈逐组上升趋势,说明居民的生活水平随收入的增加而不断提高和改善。第四,医疗保健支出比重随收入水平提高呈现一种两端高、中间低的走势。这是因为医疗保健支出作为生活必须支出,不论居民生活水平高低,都要将一定比例的收入用于维持自身健康,而且由于医疗制度改革,加重了个人负担的同时,也减小了旧制度可能造成的不同行业、不同体制下居民医疗保健支出的差别,因而不同收入等级的居民在医疗保健支出比重上差别不大。第五,居住支出比重基本上呈先上升后下降的趋势,这与我国居民消费能级不断提升,住宅商品正在越来越成为城镇居民关注的热点是相吻合的,同时与恩格尔定律的引申也是一致的。可以看出,城镇居民的消费状况虽然受价格水平、消费习惯、消费环境、消费心理预期等诸多因素的影响,但归根结底仍取决于居民的收入水平,要提高城镇居民的消费支出,必须增加居民收入。因此,采取切实有效的措施增加城镇居民的可支配收入,不仅可以提高全国城镇居民的总体消费水平,促进消费结构向着更加健康、合理的方向发展,而且在启动内需,促进我国的经济发展方面有着重大的现实意义。 三、我国居民消费结构的纵向分析 进入21世纪以来,随着经济体制改革的深入,国民经济的迅速发展,我国城乡居民的消费水平显著提高,居民的各项支出显著增加。随着消费水平的提高,我国城乡居民消费从注重量的满足到追求质的提高,从以衣食消费为主的生存型到追求生活质量的享受型、发展型,消费

SPSS因子分析实例操作步骤

S P S S因子分析实例操作步骤 实验目的： 引入2003~2013年全国的农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业7个产业的投资值作为变量，来研究其对全国总固定投资的影响。 实验变量： 以年份，合计（单位：千亿元），农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业作为变量。 实验方法：因子分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件??? 1.opendatadocument——opendata——open； 2.Openingexceldatasource——OK. 第二步： 1.数据标准化：在最上面菜单里面选中Analyze——DescriptiveStatistics——OK?（变量选择除年份、合计以外的所有变量）. 2.降维：在最上面菜单里面选中 Analyze——DimensionReduction——Factor?，变量选择标准化后的数据. 3.点击右侧Descriptive，勾选CorrelationMatrix选项组中的 Coefficients和KMOandBartlett’stextofsphericity,点击Continue. 4.点击右侧Extraction,勾选ScreePlot和fixednumberwithfactors，默认3个，点击Continue. 5.点击右侧Rotation，勾选Method选项组中的Varimax；勾选Display选项组中的LodingPlot(s)；点击Continue. 6.点击右侧Scores，勾选Method选项组中的Regression；勾选Displayfactorscorecoefficientmatrix；点击Continue. 7.点击右侧Options，勾选CoefficientDisplayFormat选项组中所有选项，将Absolutevalueblow改为0.60，点击Continue. 8.返回主对话框，单击OK. 输出结果分析： 1.描述性统计量

spss相关分析案例多因素方差分析

本次实验采用2005年东部、中部和西部各地区省份城镇居民月平均消费类型划分的数据（课本139页），将东部、中部和西部看作三个不同总体，31个数据分别来自于这三个总体。本人对这三个不同地区的城镇居民月平均消费水平进行比较，并选取人均粮食支出、副食支出、烟酒及饮料支出、其他副食支出、衣着支出、日用杂品支出、水电燃料支出和其他非商品支出八个指标来衡量城镇居民月平均消费情况。 在进行比较分析之前，首先对个数据是否服从多元正态分布进行检验，输出结果为： 表一 如表一，因为该例中样本数n=31<2000,所以此处选用Shapiro-Wilk统计量。由正态性检验结果的sig.值可以看到，人均粮食支出、烟酒及饮料支出、其他副食支出、水电燃料支出和其他非商品支出均明显不遵从正态分布（Sig.值小于,拒绝服从正态分布的原假设），因此，在下面分析中，只对人均副食支出、衣着支出和日用杂品支出三项指标进行比较，并认为这三个变量组成的向量都遵从正态分布，并对城镇居民月平均消费状况做出近似的度量。另外，正态性的检验还可以通过Q-Q图来实现，此时应判别数据点是否与已知直线拟合得好。如果数据点均落在直线附近，说明拟合得好，服从正态分布，反之，不服从。具体情况这里

不再赘述。 下面进行多因素方差分析： 一、多变量检验 表二 由地区一栏的（即第二栏）所列几个统计量的Sig.值可以看到，无论从那个统计量来看，三个地区的城镇居民月平均消费水平都是有显著差别的（Sig.值小于，拒绝地区取值不同，对Y，即城镇居民月平均消费水平的取值没有显著影响的原假设）。 二、主体间效应检验

如表三，可以看到三个指标地区一栏的（即第三栏）Sig.值分别为、、，说明三个地区在人均衣着支出指标上没有明显的差别（Sig.值大于，不拒绝地区取值不同，对指标的取值没有显著影响的原假设），反之，而在人均副食支出和日用杂品支出指标上有显著差别。 三、多重比较

应用统计学因子分析与主成分分析案例解析_SPSS操作分析

因子分析与主成分分析 一、问题概述 现希望对30个省市自治区经济发展基本情况的八项指标进行分析。具体采用的指标只有：GDP、居民消费水平、固定资产投资、职工平均工资、货物周转量、居民消费价格指数、商品零售价格指数、工业总产值。这是一个综合分析问题，八项指标较多，用主成分分析法进行综合。 二、数据处理与分析 1.因子分析 打开数据后，在SPSS中进行因子分析的步骤如下： 选择“分析---降维---因子分析”，在弹出的对话框里 （1）描述---系数、KMO与Bartlett的球形度检验 （2）抽取---碎石图、未旋转的因子解 （3）旋转---最大方差法、旋转解、载荷图 （4）得分---保存为变量、显示因子得分系数矩阵 （5）选项---按大小排序 点击确定得到如下各图： 图3-1 图3-2 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.620 Bartlett 的球形度检验近似卡方231.285 df 28 Sig. .000 图3-3 公因子方差

图3-6 成份矩阵a

图3-9

（2）因子模型中各统计量的意义 A）因子载荷错误！未找到引用源。：因子载荷错误！未找到引用源。为第i个变量在第j个因子上的载荷，实际上就是错误！未找到引用源。与错误！未找到引用源。的相关系数，表示变量错误！未找到引用源。依赖因子错误！未找到引用源。的程度，反应了第i个变量错误！未找到引用源。对于第j个因子错误！未找到引用源。的重要性。 B）变量错误！未找到引用源。的变量共同度：k个公因子对第i个变量方差的贡献，也称为公因子方差比，记为错误！未找到引用源。，公式为：错误！未找到引用源。=错误！未找到引用源。（j=1,2,….,k）

(完整版)SPSS因子分析法-例子解释

因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在： 计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解

SPSS相关分析实验报告精选

本科教学实验报告 （实验）课程名称：数据分析技术系列实验

实验报告 学生姓名： 一、实验室名称： 二、实验项目名称：相关分析 三、实验原理 相关关系是不完全确定的随机关系。在相关关系的情况下，当一个或几个相互联系的变量取一定值得时候，与之相应的另一变量的值虽然不确定，但它仍然按照某种规律在一定的范围内变化。 按照数据度量的尺度不同，相关分析的方法也不同，连续变量之间的相关性常用Pearson简单相关系数测定；定序变量的相关系数常用Spearman秩相关系数和Kendall 秩相关系数测定；定类变量的相关分析要使用列连表分析法。 四、实验目的 理解相关分析的基本原理，掌握在SPSS软件中相关分析的主要参数设置及其含义，掌握SPSS软件分析结果的含义及其分析。 五、实验内容及步骤 实验内容：以雇员表为例，共有474条数据，运用相关分析方法对变量间的相关关系进行分析。 1）分析性别与工资之间是否存在相关关系。 2）分析教育程度与工资之间是否存在相关关系。 实验要求：掌握相关分析方法的计算思路及其在SPSS环境下的操作方法，掌握输出结果的解释。 1.分析性别与工资之间是否存在相关关系。 分析：性别属于定类变量，是离散值，因使用卡方检验。 Step1.操作为Analyze\DescriptiveStatistics\Crosstabs Step2.将性别（Gender）和收入（CurrentSalary）分别移入Rows列表框和Columns 列表框。

Step3.单击Statistics按钮，在弹出的子对话框中选中默认的Chi-square，进行卡方检验。退回到主对话框，单击ok。 2.分析教育程度与工资之间是否存在相关关系。 分析：教育程度为定序变量，工资为连续变量，可使用Spearman和Kendall秩相关系数检验。 Step1.用散点图初步判断二变量的相关性，操作为Graphs/LegacyDialogs/Scatter,选择SimpleScatter，教育程度为自变量，工资为因变量，做散点图。 散点图结果如图示，二者存在线性相关关系。只有线性相关的关系确定后才能继续进行下一步分析。因此,在进行相关分析之前的预分析过程也是十分重要的。 Step2.两变量相关分析，操作为Analyze/Correlate/Bivariate，选择Kendall和Spearman 相关系数。 六、实验器材（设备、元器件）： 计算机、打印机、硒鼓、碳粉、纸张 七、实验数据及结果分析 1.分析性别与工资之间是否存在相关关系。 卡方检验结果为 显着性水平为，即至少有%的把握认为性别和工资之间存在显着的相关系。

【精品管理学】spss因子分析案例 共(13页)

[例11-1]下表资料为25名健康人的7项生化检验结果，7项生化检验指标依次命名为X1至X7，请对该资料进行因子分析。

图 ???对话框（图框。 图 钮返回 图11.3?描述性指标选择对话框 ???点击Extraction...钮，弹出FactorAnalysis:Extraction对话框（图11.4），系统提供如下因子提取方法： 图11.4?因子提取方法选择对话框 ???Principalcomponents：主成分分析法；

???Unweightedleastsquares：未加权最小平方法； ???Generalizedleastsquares：综合最小平方法； ???Maximumlikelihood：极大似然估计法； ???Principalaxisfactoring：主轴因子法； ???Alphafactoring：α因子法； ???对话框。 ???5种因图 ???旋转的目的是为了获得简单结构，以帮助我们解释因子。本例选正交旋转法，之后点击Continue钮返回FactorAnalysis对话框。 ???点击Scores...钮，弹出弹出FactorAnalysis:Scores对话框（图11.6），系统提供3种估计因子得分系数的方法，本例选Regression（回归因子得分），之后点击Continue钮返回FactorAnalysis对话框，再点击OK钮即完成分析。

图11.6?估计因子分方法对话框? ?11.2.3?结果解释 ??在输出结果窗口中将看到如下统计数据： ??系统首先输出各变量的均数（Mean）与标准差（StdDev），并显示共有25例观察单位进入分析；接着输出相关系数矩阵（CorrelationMatrix），经Bartlett检验表明：Bartlett值=326.28484，P<0.0001，即相关矩阵不是一个单位矩阵，故考虑进行因子分析。 好。今KMO值 NumberofCases?=?????25 CorrelationMatrix: X1???????X2???????X3???????X4???????X5???????X6???????X7 X1????????1.00000 X2?????????.58026??1.00000

SPSS因子分析法例子解释

因子分析的基本概念与步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量,以期望能对问题有比较全面、完整的把握与认识。例如,对高等学校科研状况的评价研究,可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标;再例如,学生综合评价研究中,可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力,虽然它们能够较为全面精确地描述事物,但在实际数据建模时,这些变量未必能真正发挥预期的作用,“投入”与“产出”并非呈合理的正比,反而会给统计分析带来很多问题,可以表现在: 计算量的问题 由于收集的变量较多,如果这些变量都参与数据建模,无疑会增加分析过程中的计算工作量。虽然,现在的计算技术已得到了迅猛发展,但高维变量与海量数据仍就是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如,高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性;学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠与高度相关会给统计方法的应用带来许多障碍。例如,多元线性回归分析中,如果众多解释变量之间存在较强的相关性,即存在高度的多重共线性,那么会给回归方程的参数估计带来许多麻烦,致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题,最简单与最直接的解决方案就是削减变量的个数,但这必然又会导致信息丢失与信息不完整等问题的产生。为此,人们希望探索一种更为有效的解决方法,它既能大大减少参与数据建模的变量个数,同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数,并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson与Charles Spearmen等人关于智力测验的统计分析。目前,因子分析已成功应用于心理学、医学、气象、地址、经济学等领域,并因此促进了理论的不断丰富与完善。 因子分析以最少的信息丢失为前提,将众多的原有变量综合成较少几个综合指标,名为因子。通常,因子有以下几个特点: ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后,因子将可以替代原有变量参与数据建模,这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不就是原有变量的简单取舍,而就是原有变量重组后的结果,因此不会造成原有变量信息的大量丢失,并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱,因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常,因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解释

【管理学】spss因子分析案例 共

9.46 9.55 4.94 8.21 9.41 7.31 5.35 4.52 3.08 6.44 1.04 4.25 4.50 2.42 5.11 12.00 11.74 8.07 9.10 12.50 11.58 2.77 1.79 3.75 2.45 16.18 3.51 2.10 4.66 3.10 2.42 1.05 1.29 1.72 0.91 11.2.1数据预备 激活数据治理窗口，定义变量名：分不为X1、X2、X3、X4、X5、X6、X7，按顺序输入相应数值，建立数据库，结果见图11.1。 图11.1原始数据的输入 11.2.2统计分析 激活Statistics菜单选Data Reduction的Factor...命令项，弹出F actor Analysis对话框（图11.2）。在对话框左侧的变量列表中选变量X1至X7，点击?钮使之进入Variables框。 图11.2因子分析对话框 点击Descriptives...钮，弹出Factor Analysis:Descriptives对话框（图11. 3），在Statistics中选Univariate descriptives项要求输出各变量的均数与标准差，在Correlation Matrix栏内选Coefficients项要求运算有关系数矩阵，并选KMO and Bartlett’s test of sphericity项，要求对有关系数矩阵进行统计学检验。点击Continue钮返回Factor Analysis对话框。 图11.3描述性指标选择对话框 点击Extraction...钮，弹出Factor Analysis:Extraction对话框（图11.4），系统提供如下因子提取方法：