1樓：
kmo檢驗統計量在0.7以上，說明變數之間的偏相關性較強，適合做因子分析，球形檢驗p小於0.001，說明變數之間存在相關性。
第二格**為共同性，表示各變數中所含原始資訊能被提取的共同因子所表示的程度，根據你的資料，你提取的公因子是兩個，第三個**是指提取的倆個主成分能解釋差異的比列，第四個**是主成分表示式，第五**是因子得分公式。
spss中因子分析和主成分分析的區別？
2樓：霄霄雨霏
因子分析法和主成分分析法都是降維處理多變數的迴歸問題，不同意樓上的說法，不是包含的關係。
另外主成分分析法在spss中沒有辦法直接實現，是通過因子分析來構建模型的。它們的區別還是模型構建體系不一樣，因子分析是 f=ax； 主成分分析則是用特徵根向量求出的矩陣算出因子得分，與因子分析直接得出的得分是不一樣的。
3樓：匿名使用者
恩，在因子分析中有很多方法，其中就有主成分分析方法，而且大多數的因子分析方法就是選擇主成分分析方法來實現的。
主成分分析和因子分析有什麼區別？
4樓：王王王小六
1、原理不同：
主成分分析是利用降維（線性變換)的思想，在損失很少資訊的前提下把多個指標轉化為幾個不相關的綜合指標（主成分)，即每個主成分都是原始變數的線性組合，使得主成分比原始變數具有某些更優越的效能，從而達到簡化系統結構，抓住問題實質的目的。
而因子分析更傾向於從資料出發，描述原始變數的相關關係，是由研究原始變數相關矩陣內部的依賴關係出發，把錯綜複雜關係的變數表示成少數的公共因子和僅對某一個變數有作用的特殊因子線性組合而成。
2、線性表示方向不同：
主成分分析中是把主成分表示成各變數的線性組合，而因子分析是把變數表示成各公因子的線性組合。
3、假設條件不同：
主成分分析不需要有假設條件；而因子分析需要一些假設。因子分析的假設包括：各個共同因子之間不相關，特殊因子之間也不相關，共同因子和特殊因子之間也不相關。
4、主成分的數量不同
主成分分析的主成分的數量是一定的，一般有幾個變數就有幾個主成分（只是主成分所解釋的資訊量不等），實際應用時會根據碎石圖提取前幾個主要的主成分。而因子分析的因子個數需要分析者指定，指定的因子數量不同而結果也不同。
5、應用範圍不同
在實際的應用過程中，主成分分析常被用作達到目的的中間手段，而非完全的一種分析方法，提取出來的主成分無法清晰的解釋其代表的含義。而因子分析就是一種完全的分析方法，可確切的得出公共因子。
5樓：匿名使用者
1.原理不同
主成分分析基本原理：利用降維（線性變換)的思想，在損失很少資訊的前提下把多個指標轉化為幾個不相關的綜合指標（主成分),即每個主成分都是原始變數的線性組合,且各個主成分之間互不相關,使得主成分比原始變數具有某些更優越的效能（主成分必須保留原始變數90%以上的資訊），從而達到簡化系統結構，抓住問題實質的目的。
因子分析基本原理：利用降維的思想，由研究原始變數相關矩陣內部的依賴關係出發，把一些具有錯綜複雜關係的變數表示成少數的公共因子和僅對某一個變數有作用的特殊因子線性組合而成。就是要從資料中提取對變數起解釋作用的少數公共因子（因子分析是主成分的推廣，相對於主成分分析，更傾向於描述原始變數之間的相關關係）
2.線性表示方向不同
因子分析是把變數表示成各公因子的線性組合；而主成分分析中則是把主成分表示成各變數的線性組合。
3.假設條件不同
主成分分析：不需要有假設(assumptions),
因子分析：需要一些假設。因子分析的假設包括：各個共同因子之間不相關，特殊因子（specificfactor）之間也不相關，共同因子和特殊因子之間也不相關。
4.求解方法不同
求解主成分的方法：從協方差陣出發（協方差陣已知），從相關陣出發（相關陣r已知），採用的方法只有主成分法。
（實際研究中，總體協方差陣與相關陣是未知的，必須通過樣本資料來估計）
注意事項：由協方差陣出發與由相關陣出發求解主成分所得結果不一致時，要恰當的選取某一種方法；一般當變數單位相同或者變數在同一數量等級的情況下，可以直接採用協方差陣進行計算；對於度量單位不同的指標或是取值範圍彼此差異非常大的指標，應考慮將資料標準化，再由協方差陣求主成分；實際應用中應該儘可能的避免標準化，因為在標準化的過程中會抹殺一部分原本刻畫變數之間離散程度差異的資訊。此外，最理想的情況是主成分分析前的變數之間相關性高，且變數之間不存在多重共線性問題(會出現最小特徵根接近0的情況)；
求解因子載荷的方法：主成分法，主軸因子法，極大似然法，最小二乘法，a因子提取法。
5.主成分和因子的變化不同
主成分分析：當給定的協方差矩陣或者相關矩陣的特徵值唯一時，主成分一般是固定的獨特的；
因子分析：因子不是固定的，可以旋轉得到不同的因子。
6.因子數量與主成分的數量
主成分分析：主成分的數量是一定的，一般有幾個變數就有幾個主成分（只是主成分所解釋的資訊量不等），實際應用時會根據碎石圖提取前幾個主要的主成分。
因子分析：因子個數需要分析者指定（spss和sas根據一定的條件自動設定，只要是特徵值大於1的因子主可進入分析），指定的因子數量不同而結果也不同；
7.解釋重點不同：
主成分分析：重點在於解釋個變數的總方差，
因子分析：則把重點放在解釋各變數之間的協方差。
8.演算法上的不同：
主成分分析：協方差矩陣的對角元素是變數的方差；
因子分析：所採用的協方差矩陣的對角元素不在是變數的方差，而是和變數對應的共同度（變數方差中被各因子所解釋的部分）
9.優點不同：
因子分析：對於因子分析，可以使用旋轉技術，使得因子更好的得到解釋，因此在解釋主成分方面因子分析更佔優勢；其次因子分析不是對原有變數的取捨，而是根據原始變數的資訊進行重新組合，找出影響變數的共同因子，化簡資料；
主成分分析：
第一：如果僅僅想把現有的變數變成少數幾個新的變數（新的變數幾乎帶有原來所有變數的資訊）來進入後續的分析，則可以使用主成分分析，不過一般情況下也可以使用因子分析；
第二：通過計算綜合主成分函式得分，對客觀經濟現象進行科學評價；
第三：它在應用上側重於資訊貢獻影響力綜合評價。
第四：應用範圍廣，主成分分析不要求資料來自正態分佈總體，其技術**是矩陣運算的技術以及矩陣對角化和矩陣的譜分解技術，因而凡是涉及多維度問題，都可以應用主成分降維；
10.應用場景不同：
主成分分析：
可以用於系統運營狀態做出評估，一般是將多個指標綜合成一個變數，即將多維問題降維至一維，這樣才能方便排序評估；
此外還可以應用於經濟效益、經濟發展水平、經濟發展競爭力、生活水平、生活質量的評價研究上；
主成分還可以用於和迴歸分析相結合，進行主成分迴歸分析，甚至可以利用主成分分析進行挑選變數，選擇少數變數再進行進一步的研究。
一般情況下主成分用於探索性分析，很少單獨使用，用主成分來分析資料，可以讓我們對資料有一個大致的瞭解。
如何解釋spss因子分析的結果
6樓：匿名使用者
1．kmo和bartlett的檢驗結果：
首先是kmo的值為0．733，大於閾值0．5，所以說明了變數之間是存在相關性的，符合要求；然後是bartlett球形檢驗的結果。
在這裡只需要看sig．這一項，其值為0．000，所以小於0．05。那麼也就是說，這份資料是可以進行因子分析的。
2．公因子方差：
公因子方差表的意思就是，每一個變數都可以用公因子表示，而公因子究竟能表達多少呢，其表達的大小就是公因子方差表中的「提取」。
「提取」的值越大說明變數可以被公因子表達的越好，一般大於0.5即可以說是可以被表達，但是更好的是要求大於0.7才足以說明變數能被公因子表的很合理。
在本例中可以看到，「提取」的值都是大於0.7的，所以變數可以被表達的很不錯。
3．解釋的總方差和碎石圖：
簡單地說，解釋地總方差就是看因子對於變數解釋的貢獻率（可以理解為究竟需要多少因子才能把變數表達為100％）。
這張表只需要看圖中紅框的一列，表示的就是貢獻率，藍框則代表四個因子就可以將變數表達到了91．151％，說明表達的還是不錯的
都要表達到90％以上才可以，否則就要調整因子資料。再看碎石圖，也確實就是四個因子之後折線就變得平緩了。
4．旋轉成分矩陣：
這一張表是用來看哪些變數可以包含在哪些因子裡，一列一列地看：第一列，最大的值為0．917和0．772，分別對應的是細顆粒物和可吸入顆粒物。
因此可以把因子歸結為顆粒物。第二列，最大值為0．95對應著二氧化硫，因此可以把因子歸結為硫化物。第三列，最大值為0．962，對應著臭氧。
因此可以把因子歸結為臭氧。第四列，最大值為0．754和0．571，分別對應著二氧化氮和一氧化碳。
擴充套件資料
因子分析與主成分分析的區別：
主成分分析是試圖尋找原有變數的一個線性組合。這個線性組合方差越大，那麼該組合所攜帶的資訊就越多。也就是說，主成分分析就是將原始資料的主要成分放大。
因子分析，它是假設原有變數的背後存在著一個個隱藏的因子，這個因子可以可以包括原有變數中的一個或者幾個，因子分析並不是原有變數的線性組合。
因子分析還是非常好用的一種降維方式的，在spss中進行操作十分簡單方便，結果一目瞭然。python也可以做因子分析，**量也並不是很大。
但是，python做因子分析時會有一些功能需要自己根據演算法寫，比如說kmo檢驗。
7樓：匿名使用者
首先要說明的是，因子分析是用來降維的。
比如你有很多變數，用這麼多變數來解釋另一個變數，顯得有點複雜，但是如果能找到其它的幾個少量的變數來代替這些變數來進行下一步的分析，這就要用到因子分析。它運用了數學上的矩陣變換思想。
而在實際運用過程中，如果只有5個因素，（也就是你所說的因子）那因子分析這部分就不需要了。
因子分析的結果很好解釋，只是方法選的如果有問題，解釋的再好也沒有意義。
8樓：匿名使用者
analyze——data reduction——factor analysis
因子分析一般採用的都是主成分方法。但是因子分析不是分析因子對其他變數的影響的，而是得到因子的
如何解讀spss的分析結果？其中，因子分析和主成分分析的差別
這個不能說此次分析就是失敗的，應該說是你的變數或者說是問卷設計有問題當然也可以不一定參照必須要大於0.5，但是常規的都是這樣參照的這個因子載荷低有可能是問卷變數設計問題，有可能是資料採集質量有問題如果是第一個問題的話 你可以先進行下問卷題目調整，比如刪減部分題目再嘗試，當然不是隨意刪減的，而是根據專...
如何解讀染色體核型分析結果46，XX,t1718p
總數46條 正常 性別 女，但 染色體發生易位 異常 是個平衡易位，17號染色體的短臂2區3帶3亞帶與18號染色體的長臂2區2帶之間。說白點，有一條染色體的一段接在另一條上，而哪條染色體的一段又接到了這條上。該個體的基因並沒有丟失，只是換了位置，所以只要順利出生一般沒什麼異常，但由於卵細胞只繼承一半...
spss迴歸分析結果F的sig005,但是兩個自變數
sig值表示顯著性水平，一般都要小於0.05才能表示結果可信，所以那些大於0.05的變數你就可以忽略了 f檢驗說明你的bai 眾多自變du量和你的因變形是zhi有顯著性影響的，可以做dao迴歸分析。但是專並不是說每一個自變屬量都和因變數有顯著性影響，所以要對每一個自變數t檢驗，t檢驗不合格說明該自變...