SPSS因子分析完整教程

第一部分：理论基础——什么是因子分析？

在开始操作前,理解其核心思想至关重要。

核心目标 因子分析是一种数据降维和结构探测的多元统计方法,它的主要目的是：

• 降维：将众多存在相关性的原始变量（20个关于“工作满意度”的问卷题目），浓缩成少数几个相互独立的、无法直接观测的潜在变量，即“因子”（Factors）,这些因子能够解释原始变量的大部分信息。
• 结构探测：探索变量之间的内在结构，找出哪些变量在哪些因子上有高载荷,从而理解这些潜在因子的实际含义。

核心比喻 想象一下，你有很多个关于“汽车评价”的变量：油耗、加速性能、最高时速、操控性、价格、品牌声誉等。

• 原始变量：油耗、加速、价格等。
• 潜在因子：你可能发现“油耗”、“加速”、“最高时速”这些变量高度相关，它们共同反映了汽车的“性能”这个潜在因子，而“价格”、“品牌声誉”则可能反映了“档次”这个潜在因子。 因子分析就是帮你发现这种“性能”和“档次”这样的潜在因子。

适用场景

• 心理学：将多个问卷题目浓缩成少数几个“构念”（如：焦虑、幸福感、外向性）。
• 市场营销：将消费者对产品的多个评价（如：价格、质量、设计、服务）浓缩成几个关键维度（如：性价比、品牌形象）。
• 社会学：将多个社会态度问题浓缩成几个核心价值观。
• 金融：分析众多股票数据，找出影响它们表现的几个“市场因子”或“行业因子”。

第二部分：操作步骤——以SPSS为例

我们将通过一个实例,一步步学习如何在SPSS中进行因子分析。

研究案例：一位研究者想了解影响员工工作满意度的潜在因素，他设计了15个相关问题，每个问题都用1-5分（1=非常不同意，5=非常同意）来衡量，他需要对这15个问题进行因子分析,找出背后的几个核心维度。

步骤1：数据准备与变量定义

1. 打开SPSS,将你的数据导入或输入到数据视图中。
2. 切换到变量视图，为每个变量定义清晰的名称和标签。
   • 名称：简短的英文或拼音，如 Q1, Q2, ..., Q15。
   • 对变量的详细说明，如“我的薪水很公平”、“我的工作内容很有趣”等,这会让结果更易读。
   • 类型：确保所有分析变量都是数值型。

步骤2：因子分析设置

1. 点击菜单栏：分析 -> 降维 -> 因子...。
2. 在弹出的“因子分析”对话框中：
   • 将你想要分析的15个变量（Q1到Q15）从左侧列表移到右侧的变量框中。

步骤3：描述性统计

1. 在主对话框中，点击 描述... 按钮。
2. 在“因子分析：描述统计”对话框中：
   • 勾选 KMO和Bartlett的球形度检验，这是必须要做的检验,用于判断数据是否适合做因子分析。
   • 原始分析结果：默认勾选即可,它会显示变量的共同度。
   • 点击 继续。

步骤4：因子提取方法

1. 在主对话框中，点击 提取... 按钮,这是因子分析最核心的一步。
2. 在“因子分析：提取”对话框中：
   • 方法：通常选择 主成分分析，这是最常用、最基础的方法，如果你的理论假设变量间存在共同方差，也可以选择主轴因子法。
   • 分析：选择 相关性矩阵（默认）。
   • 提取：
     • 基于特征值：最常用的标准，通常选择 大于1，这意味着只保留特征值大于1的因子,特征值可以理解为每个因子所能解释的原始变量的信息量。
     • 因子数量：也可以手动指定要提取的因子数量,但通常建议先基于特征值大于1来初步判断。
   • 输出：
     • 勾选 未旋转的因子解。
     • 勾选 碎石图，这个图可以帮助你判断提取多少个因子比较合适（寻找曲线的“拐点”）。
   • 最大收敛性迭代次数：默认25即可。
   • 点击 继续。

步骤5：因子旋转

1. 在主对话框中，点击 旋转... 按钮。
2. 为什么需要旋转？ 初始的因子解（未旋转）可能难以解释，因为一个变量可能在多个因子上都有载荷，旋转的目的是简化因子结构，让每个变量只在少数因子上有高载荷,从而更容易解释因子的实际意义。
3. 在“因子分析：旋转”对话框中：
   • 方法：
     • 最大方差法：最常用、最推荐的旋转方法，它试图使每个因子上的载荷差异最大化,便于解释。
     • 直接 Oblimin 或 Promax：当你假设因子之间存在相关性时使用，大多数情况下，先尝试最大方差法。
   • 显示：勾选 旋转解。
   • 输出：勾选 载荷图,可以直观地看到变量与因子的关系。
   • 点击 继续。

步骤6：因子得分

1. 在主对话框中，点击 得分... 按钮。
2. 在“因子分析：因子得分”对话框中：
   • 勾选 另存为变量，SPSS会为每个提取出的因子生成一个新的变量（如 FAC1_1, FAC2_1），代表每个样本在每个因子上的得分,这些得分可以用于后续的回归分析等。
   • 方法：
     • 回归：最常用的方法，产生的分数均值为0,标准差为1。
     • Bartlett：分数均值为0。
   • 显示因子得分系数矩阵：可以查看计算因子得分的系数。
   • 点击 继续。

步骤7：选项

1. 在主对话框中，点击 选项... 按钮。
2. 在“因子分析：选项”对话框中：
   • 系数显示格式：
     • 勾选 按大小排序：让因子载荷按绝对值大小降序排列,方便查看。
     • 勾选 取消小系数：在输出中隐藏绝对值小于某个值（如0.4）的载荷，使结果更清晰，这个值可以根据你的研究调整，0.3或0.4是常见阈值。
   • 点击 继续，然后点击 确定,开始运行分析。

第三部分：结果解读

SPSS输出结果很多,我们需要重点关注以下几个部分。

KMO和Bartlett检验

• KMO (Kaiser-Meyer-Olkin) 测度：
  • 作用：检验变量间的相关性是否足够强,判断数据是否适合做因子分析。
  • 解读：值在0到1之间。> 0.9 表示极好；> 0.8 表示良好；> 0.7 表示中等；> 0.6 表示勉强可接受；< 0.5 表示不合适。
• Bartlett的球形度检验：
  • 作用：检验相关系数矩阵是否为单位阵（即变量间是否独立）。
  • 解读：看显著性。Sig. < 0.05，则拒绝原假设（变量间独立），说明变量间存在相关性,适合做因子分析。

如果KMO > 0.6 且 Bartlett检验Sig. < 0.05,则可以继续进行因子分析。

总方差解释

这个表格告诉你提取出的每个因子有多大的“威力”。

• 初始特征值：
  • 总计：就是每个因子的特征值，我们提取的是特征值>1的因子。
  • 方差百分比：每个因子解释的原始变量总方差的百分比。
  • 累积百分比：所有提取出的因子共同解释的总方差百分比。
• 旋转后平方和载入：

  这个表格是经过旋转后的结果，旋转不会改变每个因子的总解释力（累积百分比不变），但会重新分配每个因子对原始变量的解释方差,使得每个因子的意义更清晰。

提取了3个因子，它们共同解释了总方差的65%,说明这3个因子能够很好地代表原始15个变量的信息。

成分矩阵 / 旋转后的成分矩阵

这是解读因子含义的核心表格。

• 成分矩阵：是未旋转的因子载荷矩阵,通常比较乱。
• 旋转后的成分矩阵：是我们需要重点看的，它显示了每个原始变量在各个因子上的因子载荷。

如何解读因子载荷？

• 因子载荷的绝对值越大（通常以 ±0.4 或 ±0.5 为界）,说明该变量与这个因子的关系越强。
• 正载荷：正相关。“薪水公平”在“薪酬”因子上有正载荷，意味着认为薪水公平的人,对该因子的得分也高。
• 负载荷：负相关。

如何给因子命名？

1. 找出每个因子上载荷高（如 > 0.5）的变量。
2. 分析这些变量的共同主题,它们共同测量了什么概念？
3. 为这个因子起一个概括性的名字。

示例解读： 假设旋转后的矩阵如下：

• 因子1：Q1, Q2, Q3 载荷很高，都与“钱”有关，可以命名为 “薪酬福利”。
• 因子2：Q4, Q5, Q6 载荷很高，都与“工作内容”本身有关，可以命名为 “工作本身”。
• 因子3：Q7, Q8 载荷很高，都与“人际关系”有关，可以命名为 “人际关系”。

通过这种方式,你就将15个原始问题成功归纳为了3个有意义的潜在维度。

碎石图

• 作用：辅助判断提取多少个因子。
• 解读：横轴是因子编号，纵轴是特征值，寻找曲线的“拐点”（陡坡变缓的点），在拐点之前，是应该提取的“大石块”（重要因子），拐点之后的是“碎石”（不重要的因子）。

示例解读： 假设图中第1、2、3个因子特征值很高，从第4个因子开始曲线变得平缓，那么结合“特征值大于1”的标准,提取3个因子是合理的。

第四部分：常见问题与注意事项

1. 因子提取数量：“特征值大于1”只是一个经验法则，有时会提取过多或过少的因子，需要结合碎石图、理论合理性和因子解释的清晰度来综合判断。
2. 因子命名：这是最主观的一步，命名要有理论依据，不能凭空想象，如果某个因子上的所有高载荷变量都无法用一个合理的概念来解释，可能需要重新审视你的分析过程（如是否需要调整旋转方法或删除某些变量）。
3. 交叉载荷：如果一个变量在两个或多个因子上的载荷都很高（例如都>0.5），这被称为交叉载荷，会给解释带来困难，可以考虑删除该变量,或者尝试使用不同的旋转方法。
4. 共同度：在“描述性统计”中输出的“初始”共同度，表示该变量能被所有提取的因子共同解释的比例，如果某个变量的共同度很低（如<0.4），说明它与其他变量的共同信息很少,可以考虑从分析中剔除。
5. 样本量：因子分析对样本量有一定要求，一般建议样本量至少是变量数的5-10倍,且总样本量不应少于100。

因子分析是一个强大的工具，但它的成功不仅依赖于SPSS的操作，更依赖于研究者对数据的理解和理论知识,记住这个流程：

准备数据 -> 运行分析 -> 检验前提 -> 提取因子 -> 旋转因子 -> 解释因子 -> 命名因子 -> 应用结果

希望这份详细的教程能让你对SPSS因子分析有一个全面而深入的理解！祝你学习顺利！