spss因子分析理论原理及操作分析.pptx

《spss因子分析理论原理及操作分析.pptx》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、SPSS因子分析大纲基本概念理解因子分析原理案例解读实例操作因子分析的数学模型x1=a11f1+a12f2+a13f3+…+a1kfk+ε1x2=a21f1+a22f2+a23f3+…+a2kfk+ε2…xp=ap1f1+ap2f2+ap3f3+…+apkfk+εp其中x1，x2，…，xp为p个原有变量，是均值为零，标准差为1的标准化变量，F1，F2，…，Fk为k个因子变量，k

2、）来表示其基本的数据结构。前提：变量相关、以最少的信息丢失为前提。目的：寻求变量基本结构、对变量进行分类、简化观测数据、用少数的变量解释研究复杂的问题。方法：通过现在变量测量潜在抽象的变量，通过具体指标测评抽象因子的统计分析。因子将众多的原始变量综合成较少的几个综合指标，这些综合指标就是因子。特点：因子个数k小于原变量个数k——信息简化因子能够反映原有变量大部分信息——因子分析的有效性因子之间的线性关系不显著——因子之间相互独立因子可以进行命名——有利于对因子分析结果进行解释评价因子载荷对于因子模型：xi=ai1f1+ai2f2+…+aikfk+εi（i=1,2,3…,p）

3、其中，aij为因子载荷，表示第i个变量在第j个因子上的负荷。在因子不相关的前提下，因子载荷aij是变量xi与因子fi的相关系数，反映了变量xi与因子fi的相关程度，也反映了因子fj对变量xi的重要程度：因子负载越大，说明第i个变量与第j个因子的关系越密切，该因子对变量重要程度越高因子负载越小，说明第i个变量与第j个因子的关系越疏远，该因子对变量重要程度越小。共同度量因子分析模型中，第i行因子负载（相关系数aij，j=1,2，…，k）的平方和，共同度量（Communality），记为hi²=∑aij²。原变量的方差可以由两个部分来解释：共同度。所有公因子对变量xi方差说明的比

4、例，变量共同度越接近1，则全部公因子解释了变量xi的大部分方差，丢失的信息较少；部分特殊因子对变量方差的贡献ε²，不能被全体公因子解释的部分，ε²越小，则说明丢失的信息越少。共同度量是评价xi信息丢失程度的重要指标。如果大部分原有变量的变量共同度均较高（如高于0.7）则说明提取的因子能够很好的反应原有变量的大部分信息（如70%以上），也可以说是衡量因子分析效果的指标。因子的方差贡献因子分析模型中，第j列因子负载的平方和gj²称为因子fj对所有原变量的贡献。gj²=a1j²+a2j²+…+apj²（j=1,2,3…，k）表示同一个因子fj对个变量所提供的方差贡献总和，反映因子

5、fj对原有变量方差的解释能力。因子方差贡献的值越高，就说明这个因子的重要性越高。信度与效度信度目的：测量的是数据的可靠程度工具：spss软件中信度检验中Cronbach‘sα系数进行内部一致性信度检验，考察的问题是否测验了相同的内容指标：α系数大于0.7说明测量的内部一致性较高。效度目的：检验的是研究的效果（有效性），是否达到预期目标工具：运用spss软件进行因子分析前提：对数据是否能进行因子分析进行检验，采用KMO值和Bartlett球形检验。KMO值越大，越接近于1，则说明该数据库越适合进行因子分析。Bartlett，一般认为P<0.001时，否定原假设，即认为变量间的

6、相关矩阵不是单位矩阵，各变量间具有一定的相关性，可以进行因子分析。因子分析基本原理用少数几个抽象的因子，去描述多个指标或者因素（原变量）之间的联系，将相互之间关系比较密切的变量归为同一个类别之中，每一类变量就变成了一个因子。因子分析的基本步骤：因子分析的前提条件——信度与效度检验原因：因子分析的主要任务是对原变量进行浓缩，将原变量中的信息重叠部分提取并综合成因子。前提条件：原变量内部一致性高、原有变量存在较强的相关关系。检验方法：克朗巴哈α（Cronbach‘sAlpha）系数、KMO检验和Bartlett检验等方法因子提取：将原有变量综合成几个少数的因子——因子分析的核心

7、使因子具有命名解释性计算个样本的因子得分因子分析的应用——案例复合型文化遗产旅游产品开发路径分析_以福建马尾船政文化为例供需双方对景区文化偏好的差异性研究_以天柱山风景区为例家庭生命周期与旅游态度的关联研究_以长沙市居民为例旅游目的地非功用性定位研究_以目的地品牌个性为分析指标世界遗产地旅游企业环境行为及其驱动机制_张家界饭店企业实证饮食旅游动机对游客满意度和行为意向的影响研究转型期居民对城市公园免费开放的感知分析_以广州市为例旅游学刊论文实例操作案例数据来源***************A1到F4关于游客公平感知