《SPSS因子分析法--比较的.pdf》由会员分享，可在线阅读，更多相关《SPSS因子分析法--比较的.pdf（28页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、实验课：因子分析实验目的理解主成分（因子）分析的基本原理，熟悉并掌握 SPSS中的主成分（因子）分析方法及其主要应用。因子分析一、基础理论知识1 概念因子分析（Factor analysis）：就是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）：是因子分析的一个特例，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
2、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，而实际上主成分分析可以说是因子分析的一个特例。2 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
3、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。3 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。4 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np 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
4、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（mp）为新变量指标（主成分），则其线性组合为:Lij 是原变量在各主成分上的载荷无论是哪一种因子分析方法，其相应的因子解都不是唯一的，主因子解仅仅是无数因子解中之一。zi 与 zj 相互无关；z1 是 x1，x2，,，xp 的一切线性组合中方差最大者，z2 是与 z1 不相关的 x1，x2，,的所有线性组合中方差最大者。则，新变量指标z1，z2，,分别称为原变量指标的第一，第二，,主成分。Z 为因子变量或公共因
5、子，可以理解为在高维空间中互相垂直的m 个坐标轴。主成分分析实质就是确定原来变量xj（j=1，2，,，p）在各主成分zi（i=1，2，,，m）上的荷载lij。从数学上容易知道，从数学上也可以证明，它们分别是相关矩阵的m 个较大的特征值所对应的特征向量。npnnppxxxxxxxxxX212222111211pmpmmmppppxlxlxlzxlxlxlzxlxlxlz22112222121212121111pmpmmmppppxlxlxlzxlxlxlzxlxlxlz221122221212121211115 分析步骤5.1 确定待分析的原有若干变量 是否适合进行因子分析(第一步)因子分析是
6、从众多的原始变量中重构少数几个具有代表意义的因子变量的过程。其潜在的要求：原有变量之间要具有比较强的相关性。因此，因子分析需要先进行相关分析，计算原始变量之间的相关系数矩阵。如果相关系数矩阵在进行统计检验时，大部分相关系数均小于 0.3 且未通过检验，则这些原始变量就不太适合进行因子分析。进行原始变量的相关分析之前，需要对输入的原始数据进行标准化计算（一般采用标准差标准化方法，标准化后的数据均值为0，方差为1）。SPSS 在因子分析中还提供了几种判定是否适合因子分析的检验方法。主要有以下3 种：巴特利特球形检验（Bartlett Test of Sphericity）反映象相关矩阵检验（Ant
7、i-image correlation matrix）KMO（Kaiser-Meyer-Olkin）检验（1）巴特利特球形检验该检验以变量的相关系数矩阵作为出发点，它的零假设H0 为相关系数矩阵是一个单位阵，即相关系数矩阵对角线上的所有元素都为1，而所有非对角线上的元素都为0，也即原始变量两两之间不相关。巴特利特球形检验的统计量是根据相关系数矩阵的行列式得到。如果该值较大，且其对应的相伴概率值小于用户指定的显著性水平，那么就应拒绝零假设H0，认为相关系数不可能是单位阵，也即原始变量间存在相关性。（2）反映象相关矩阵检验该检验以变量的偏相关系数矩阵作为出发点，将偏相关系数矩阵的每个元素取反，得到
8、反映象相关矩阵。偏相关系数是在控制了其他变量影响的条件下计算出来的相关系数，如果变量之间存在较多的重叠影响，那么偏相关系数就会较小，这些变量越适合进行因子分析。（3）KMO（Kaiser-Meyer-Olkin）检验该检验的统计量用于比较变量之间的简单相关和偏相关系数。KMO 值介于 0-1，越接近 1，表明所有变量之间简单相关系数平方和远大于偏相关系数平方和，越适合因子分析。pppppprrrrrrrrrR212222111211nknkjkjikinkjkjikiijxxxxxxxxr11221)()()(其中，Kaiser 给出一个KMO 检验标准：KMO0.9，非常适合；0.8KMO0
9、.9，适合；0.7KMO0.8，一般；0.6KMO0.7，不太适合；KMO0)和相应的标准正交的特征向量li；根据相关系数矩阵的特征根，即公共因子Zj 的方差贡献（等于因子载荷矩阵L 中第 j 列各元素的平方和），计算公共因子Zj 的方差贡献率与累积贡献率。主成分分析是在一个多维坐标轴中，将原始变量组成的坐标系进行平移变换，使得新的坐标原点和数据群点的重心重合。新坐标第一轴与数据变化最大方向对应。通过计算特征根（方差贡献）和方差贡献率与累积方差贡献率等指标，来判断选取公共因子的数量和公共因子（主成分）所能代表的原始变量信息。公共因子个数的确定准则：1）根据特征值的大小来确定，一般取大于1 的特
10、征值对应的几个公共因子/主成分。2）根据因子的累积方差贡献率来确定，一般取累计贡献率达85-95%的特征值所对应的第一、第二、,、第m（mp）个主成分。也有学者认为累积方差贡献率应在80以上。5.3 因子变量的命名解释因子变量的命名解释是因子分析的另一个核心问题。经过主成分分析得到的公共因子/主成分 Z1,Z2,Zm 是对原有变量的综合。原有变量是有物理含义的变量，对它们进行线性变换后，得到的新的综合变量的物理含义到底是什么？在实际的应用分析中，主要通过对载荷矩阵进行分析，得到因子变量和原有变量之间的关系，从而对新的因子变量进行命名。利用因子旋转方法能使因子变量更具有可解释性。计算主成分载荷，
11、构建载荷矩阵A。),2,1(1pipkki),2,1(11pipkkikk),2,1,(pjilaijiijmpmppmmmmpmppmmlllllllllaaaaaaaaaA.211122211211212111112212111211计算主成分载荷，构建载荷矩阵A。载荷矩阵A 中某一行表示原有变量Xi 与公共因子/因子变量的相关关系。载荷矩阵A 中某一列表示某一个公共因子/因子变量能够解释的原有变量Xi 的信息量。有时因子载荷矩阵的解释性不太好，通常需要进行因子旋转，使原有因子变量更具有可解释性。因子旋转的主要方法：正交旋转、斜交旋转。正交旋转和斜交旋转是因子旋转的两类方法。前者由于保持了
12、坐标轴的正交性，因此使用最多。正交旋转的方法很多，其中以方差最大化法最为常用。方差最大正交旋转（varimax orthogonal rotation）基本思想：使公共因子的相对负荷的方差之和最大，且保持原公共因子的正交性和公共方差总和不变。可使每个因子上的具有最大载荷的变量数最小，因此可以简化对因子的解释。斜交旋转（oblique rotation）因子斜交旋转后，各因子负荷发生了变化，出现了两极分化。各因子间不再相互独立，而是彼此相关。各因子对各变量的贡献的总和也发生了改变。斜交旋转因为因子间的相关性而不受欢迎。但如果总体中各因子间存在明显的相关关系则应该考虑斜交旋转。适用于大数据集的因子
13、分析。无论是正交旋转还是斜交旋转，因子旋转的目的：是使因子负荷两极分化，要么接近于0，要么接近于1。从而使原有因子变量更具有可解释性。5.4 计算因子变量得分因子变量确定以后，对于每一个样本数据，我们希望得到它们在不同因子上的具体数据值，即因子得分。估计因子得分的方法主要有：回归法、Bartlette 法等。计算因子得分应首先将因子变量表示为原始变量的线性组合。即：回归法，即Thomson 法：得分是由贝叶斯Bayes 思想导出的，得到的因子得分是有偏的，但计算结果误差较小。贝叶斯（BAYES）判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。pmpmmmppppzazaza
14、xzazazaxzazazax22112222121212121111pmpmmmppppxlxlxlzxlxlxlzxlxlxlz22112222121212121111mpmppmmmmpmppmmlllllllllaaaaaaaaaA.211122211211212111112212111211pmpmmmppppxlxlxlzxlxlxlzxlxlxlz22112222121212121111Bartlett 法：Bartlett 因子得分是极大似然估计，也是加权最小二乘回归，得到的因子得分是无偏的，但计算结果误差较大。因子得分可用于模型诊断，也可用作进一步分析如聚类分析、回归分析等的
15、原始资料。关于因子得分的进一步应用将在案例介绍一节分析。5.5 结果的分析解释此部分详细见案例分析二、案例分析1 研究问题石家庄 18 个县市14 个指标因子，具体来说有人均GDP(元/人)、人均全社会固定资产投资额、人均城镇固定资产投资额、人均一般预算性财政收入、第三产业占GDP 比重(%)、人均社会消费品零售额、人均实际利用外资额（万美元/人）、人均城乡居民储蓄存款、农民人均纯收入、在岗职工平均工资、人才密度指数、科技支出占财政支出比重（%）、每万人拥有执业医师数量、每千人拥有病床数。要求根据这14 项内容进行因子分析，得到维度较少的几个因子。2 实现步骤【1】在“Analyze”菜单“D
16、ata Reduction”中选择“Factor”命令，如下图所示。【2】在弹出的下图所示的Factor Analysis 对话框中，从对话框左侧的变量列表中选择这 14 个变量，使之添加到Variables框中。【3】点击“Descriptives”按钮，弹出“Factor Analysis：Descriptives”对话框，如图所示。Statistics框用于选择哪些相关的统计量，其中：Univariate descriptives（变量描述）：输出变量均值、标准差；Initial solution（初始结果）Correlation Matrix 框中提供了几种检验变量是否适合做引子分析的
17、检验方法，其中：Coefficients（相关系数矩阵）Significance leves（显著性水平）Determinant（相关系数矩阵的行列式）Inverse（相关系数矩阵的逆矩阵）Reproduced（再生相关矩阵，原始相关与再生相关的差值）Anti-image（反影像相关矩阵检验）KMO and Bartletts test of sphericity（KMO 检验和巴特利特球形检验）本例中，选中该对话框中所有选项，单击Continue按钮返回 Factor Analysis对话框。【4】单击“Extraction”按钮，弹出“Factor Analysis：Extraction”
18、对话框，选择因子提取方法，如下图所示：因子提取方法在 Method 下拉框中选取，SPSS共提供了 7 种方法：Principle Components Analysis（主成分分析）Unweighted least squares（未加权最小平方法）Generalized least squares（综合最小平方法）Maximum likelihood（最大似然估价法）Principal axis factoring（主轴因子法）Alpha factoring（因子）Image factoring（影像因子）Analyze 框中用于选择 提取变量依据，其中：Correlation matri
19、x（相关系数矩阵）Covariance matrix（协方差矩阵）Extract框用于指定因子个数的标准，其中：Eigenvaluse over（大于特征值）Number of factors（因子个数）Display 框用于选择输出哪些与因子提取有关的信息，其中：Unrotated factor solution（未经旋转的因子载荷矩阵）Screen plot（特征值排列图）Maximun interations for Convergence框用于指定因子分析收敛 的最大迭代次数，系统默认的最大迭代次数为25。本例选用 Principal components方法，选择相关系数矩阵作为提取
20、因子变量的依据，选中 Unrotated factor solution和 Scree plot项，输出未经过旋转的因子载荷矩阵与其特征值的碎石图；选择Eigenvaluse over 项，在该选项后面可以输入1，指定提取特征值大于1 的因子。单击 Continue按钮返回 Factor Analysis对话框。【5】单击 Factor Analysis对话框中的 Rotation 按钮，弹出 Factor Analysis:Rotation对话框，如下图所示：该对话框用于选择因子载荷矩阵的旋转方法。旋转目的是为了简化结构，以帮助我们解释因子。SPSS默认不进行旋转（None）。Method
21、框用于选择因子旋转方法，其中：None（不旋转）Varimax（正交旋转）Direct Oblimin（直接斜交旋转）Quanlimax（四分最大正交旋转）Equamax（平均正交旋转）Promax（斜交旋转）Display 框用于选择输出哪些与因子旋转有关的信息，其中：Rotated solution（输出旋转后的因子载荷矩阵）Loading plots（输出载荷散点图）本例选择方差极大法旋转Varimax，并选中 Rotated solution 和 Loading plot项，表示输出旋转后的因子载荷矩阵和载荷散点图，单击 Continue按钮返回 Factor Analysis 对话框
22、。【6】单击 Factor Analysis 对话框中的 Scores按钮，弹出 Factor Analysis:Scores对话框，如下图所示：该对话框用以选择对因子得分进行设置，其中：Regression（回归法）：因子得分均值为 0，采用多元相关平方；Bartlett（巴特利法）：因子得分均值为 0，采用超出变量范围各因子平方和被最小化；Anderson-Rubin（安德森-洛宾法）：因子得分均值为0，标准差 1，彼此不相关；Display factor score coefficient matrix：选择此项将在输出窗口中显示因子得分系数矩阵。【7】单击 Factor Analysi
23、s对话框中的 Options 按钮，弹出 Factor Analysis:Options对话框，如下图所示：该对话框可以指定其他因子分析的结果，并选择对缺失数据的处理方法，其中：Missing Values框用于选择缺失值处理方法：Exclude cases listwise：去除所有缺失值的个案Exclude cases pairwise：含有缺失值的变量，去掉该案例Replace with mean：用平均值代替缺失值Cofficient Display Format 框用于选择载荷系数的显示格式：Sorted by size：载荷系数按照数值大小排列Suppress absolute v
24、alues less than：不显示绝对值小于指定值的载荷量本例选中 Exclude cases listwise 项，单击 Continue 按钮返回 Factor Analysis对话框，完成设置。单击OK，完成计算。3 结果与讨论（1）SPSS输出的第一部分如下：第一个表格中列出了18 个原始变量的统计结果，包括平均值、标准差和分析的个案数。这个是步骤 3 中选中 Univariate descriptives项的输出结果。Descriptive StatisticsMean Std.Deviation Analysis N 人均 GDP(元/人)22600.5211 8410.554
25、64 18 人均全社会固定资产投资额15190.9515 5289.14499 18 人均城镇固定资产投资额10270.3642 4874.14616 18 人均一般预算性财政收入585.1712 550.45659 18 第三产业占GDP 比重(%)29.0612 9.46858 18 人均社会消费品零售额6567.2566 3068.75463 18 人均实际利用外资额（万美元/人）23.5667 40.31361 18 人均城乡居民储蓄存款12061.2384 7363.08659 18 农民人均纯收入4852.5556 1202.52970 18 在岗职工平均工资18110.3889
26、2374.05754 18 人才密度指数8.1548 5.37552 18 科技支出占财政支出比重（%）1.3494.50193 18 每万人拥有执业医师数量12.6883 8.88691 18 每千人拥有病床数2.3608 1.16077 18（2）SPSS输出结果文件中的第二部分如下：该表格给出的 是 18 个原始变量的相关矩阵Correlation Matrix人均 GDP(元/人)人均全社会固定资产投资额人均城镇固定资产投资额Correlation 人均 GDP(元/人)1.000.503.707 人均全社会固定资产投资额.503 1.000.883 人均城镇固定资产投资额.707.8
27、83 1.000 人均一般预算性财政收入.776.571.821 第三产业占GDP 比重(%).567.507.759 人均社会消费品零售额.737.247.600 人均实际利用外资额（万美元/人）.454.356.648 人均城乡居民储蓄存款.707.480.780 农民人均纯收入.559-.073.130 在岗职工平均工资.789.325.544 人才密度指数.741.470.737 科技支出占财政支出比重（%）.582.378.486 每万人拥有执业医师数量.434.520.733 每千人拥有病床数.573.565.761 Correlation Matrix人均一般预算性财政收入第三产
28、业占GDP比重(%)人均社会消费品零售额Correlation 人均 GDP(元/人).776.567.737 人均全社会固定资产投资额.571.507.247 人均城镇固定资产投资额.821.759.600 人均一般预算性财政收入1.000.830.693 第三产业占GDP 比重(%).830 1.000.646 人均社会消费品零售额.693.646 1.000 人均实际利用外资额（万美元/人）.797.822.616 人均城乡居民储蓄存款.907.882.839 农民人均纯收入.132.278.516 在岗职工平均工资.736.548.609 人才密度指数.795.745.812 科技支出
29、占财政支出比重（%）.729.575.490 每万人拥有执业医师数量.818.844.627 每千人拥有病床数.911.806.629 Correlation Matrix人均实际利用外资额（万美元/人）人均城乡居民储蓄存款农民人均纯收入Correlation 人均 GDP(元/人).454.707.559 人均全社会固定资产投资额.356.480-.073 人均城镇固定资产投资额.648.780.130 人均一般预算性财政收入.797.907.132 第三产业占GDP 比重(%).822.882.278 人均社会消费品零售额.616.839.516 人均实际利用外资额（万美元/人）1.000
30、.792-.007 人均城乡居民储蓄存款.792 1.000.264 农民人均纯收入-.007.264 1.000 在岗职工平均工资.388.647.411 人才密度指数.752.868.315 科技支出占财政支出比重（%）.570.626.210 每万人拥有执业医师数量.795.885-.075 每千人拥有病床数.784.866.000 Correlation Matrix在岗职工平均工资人才密度指数科技支出占财政支出比重（%）Correlation 人均 GDP(元/人).789.741.582 人均全社会固定资产投资额.325.470.378 人均城镇固定资产投资额.544.737.48
31、6 人均一般预算性财政收入.736.795.729 第三产业占GDP 比重(%).548.745.575 人均社会消费品零售额.609.812.490 人均实际利用外资额（万美元/人）.388.752.570 人均城乡居民储蓄存款.647.868.626 农民人均纯收入.411.315.210 在岗职工平均工资1.000.539.421 人才密度指数.539 1.000.577 科技支出占财政支出比重（%）.421.577 1.000 每万人拥有执业医师数量.477.739.519 每千人拥有病床数.575.719.769 Correlation Matrix每万人拥有执业医师数量每千人拥有病
32、床数Correlation 人均 GDP(元/人).434.573 人均全社会固定资产投资额.520.565 人均城镇固定资产投资额.733.761 人均一般预算性财政收入.818.911 第三产业占GDP 比重(%).844.806 人均社会消费品零售额.627.629 人均实际利用外资额（万美元/人）.795.784 人均城乡居民储蓄存款.885.866 农民人均纯收入-.075.000 在岗职工平均工资.477.575 人才密度指数.739.719 科技支出占财政支出比重（%）.519.769 每万人拥有执业医师数量1.000.912 每千人拥有病床数.912 1.000（3）SPSS输
33、出结果的第四部分如下：KMO and Bartletts TestKaiser-Meyer-Olkin Measure of Sampling Adequacy.551 Bartletts Test of Sphericity Approx.Chi-Square 324.227 df 91 Sig.000 该部分给出了 KMO 检验和 Bartlett 球度检验结果。其中KMO 值为 0.551，根据统计学家 Kaiser 给出的标准，KMO 取值小于 0.6，不太适合因子分析。Bartlett 球度检验给出的相伴概率为0.00，小于显著性水平 0.05，因此拒绝 Bartlett球度检验的零
34、假设，认为适合于因子分析。（4）SPSS输出结果文件中的第六部分如下：CommunalitiesInitial Extraction 人均 GDP(元/人)1.000 1.000 人均全社会固定资产投资额1.000 1.000 人均城镇固定资产投资额1.000 1.000 人均一般预算性财政收入1.000 1.000 第三产业占GDP 比重(%)1.000 1.000 人均社会消费品零售额1.000 1.000 人均实际利用外资额（万美元/人）1.000 1.000 人均城乡居民储蓄存款1.000 1.000 农民人均纯收入1.000 1.000 在岗职工平均工资1.000 1.000 人才密
35、度指数1.000 1.000 科技支出占财政支出比重（%）1.000 1.000 每万人拥有执业医师数量1.000 1.000 每千人拥有病床数1.000 1.000 Extraction Method:Principal Component Analysis.这是因子分析初始结果，该表格的第一列列出了18 个原始变量名；第二列是根据因子分析初始解计算出的变量共同度。利用主成分分析方法得到18 个特征值，它们是银子分析的初始解，可利用这 18 个出世界和对应的特征向量计算出银子载荷矩阵。由于每个原始变量的所有方差都能被因子变量解释掉，因此每个变量的共同度为1；第三列是根据因子分析最终解计算出的
36、变量共同度。根据最终提取的 m 个特征值和对应的特征向量计算出因子载荷矩阵。（此处由于软件的原因有点小问题）这时由于因子变量个数少于原始变量的个数，因此每个变量的共同度必然小于1。（5）输出结果第六部分为Total Variance Explained表格Total Variance ExplainedComponent Initial Eigenvalues Total%of V ariance Cumulative%1 9.139 65.279 2 1.718 12.269 3 1.014 7.240 4.659 4.706 5.536 3.827 6.361 2.577 7.258 1.
37、844 8.133.952 9.077.549 10.049.349 11.031.224 12.020.140 13.005.038 14.001.005 100.000 Extraction Method:Principal Component Analysis.Total Variance ExplainedComponent Initial Eigenvalues Extraction Sums of Squared Loadings Cumulative%Total%of Variance Cumulative%1 65.279 9.139 65.279 65.279 2 77.54
38、8 1.718 12.269 77.548 3 84.788 1.014 7.240 84.788 4 89.494.659 4.706 89.494 5 93.321.536 3.827 93.321 6 95.898.361 2.577 95.898 7 97.743.258 1.844 97.743 8 98.695.133.952 98.695 9 99.244.077.549 99.244 10 99.593.049.349 99.593 11 99.817.031.224 99.817 12 99.958.020.140 99.958 13 99.995.005.038 99.99
39、5 Extraction Method:Principal Component Analysis.Total Variance ExplainedComponent Rotation Sums of Squared Loadings Total%of Variance Cumulative%1 4.794 34.242 34.242 2 2.262 16.158 50.400 3 1.846 13.188 63.587 4 1.571 11.222 74.809 5 1.548 11.060 85.869 6.844 6.028 91.898 7.567 4.048 95.946 8.273
40、1.948 97.894 9.131.938 98.832 10.068.482 99.314 11.046.329 99.643 12.035.252 99.895 13.014.100 99.995 Extraction Method:Principal Component Analysis.该表格是因子分析后因子提取和银子旋转的结果。其中，Component 列和Initial Eigenvalues列（第一列到第四列）描述了因子分析初始解对原有变量总体描述情况。第一列是因子分析13 个初始解序号。第二列是因子变量的方差贡献（特征值），它是衡量因子重要程度的指标，例如第一行的特征值为9.
41、139，后面描述因子的方差依次减少。第三列是各因子变量的方差贡献率（%of Variance），表示该因子描述的方差占原有变量总方差的比例。第四列是因子变量的累计方差贡献率，表示前m 个因子描述的总方差占原有变量的总方差的比例。第五列和第七列则是从初始解中按照一定标准（在前面的分析中是设定了提取因子的标准是特征值大于 1）提取了 3 个公共因子后对原变量总体的描述情况。各列数据的含义和前面第二列到第四列相同，可见提取了 5 个因子后，它们反映了原变量的大部分信息。第八列到第十列是旋转以后得到的因子对原变量总体的刻画情况。各列的含义和第五列到第七列是一样的。（6）SPSS输出的该部分的结果如下：
42、Component MatrixaComponent 1 2 3 4 5 6 人均一般预算性财政收入.959-.075.015.158-.140-.023 人均城乡居民储蓄存款.959.008-.154-.107-.039.001 每千人拥有病床数.910-.272-.089.204-.051.040 第三产业占GDP 比重(%).890-.087-.137-.141.067.373 人才密度指数.886.098-.098-.179.151-.259 人均城镇固定资产投资额.868-.162.404-.183.078.006 每万人拥有执业医师数量.861-.362-.183-.137-.11
43、5.069 人均实际利用外资额（万美元/人）.815-.271-.346-.079.064-.012 人均社会消费品零售额.805.370-.218-.203.026-.223 人均 GDP(元/人).797.458.282.099-.029-.163 科技支出占财政支出比重（%）.712.000-.097.621.302-.008 在岗职工平均工资.706.386.158.145-.531.080 农民人均纯收入.271.887-.002-.088.245.253 人均全社会固定资产投资额.611-.328.690-.074.163.028 Extraction Method:Princip
44、al Component Analysis.a.13 components extracted.该表格是最终的因子载荷矩阵A，对应前面的因子分析的数学模型部分。根据该表格可以得到如下因子模型：X=AF+ax1=0.959F1-0.075F2+0.015F3+0.158 F4-0.140F5-0.023F6-0.096F7+0.017F8-0.117F9+0.004F10-0.062F11-0.040 F12+0.021 F13,Component MatrixaComponent 7 8 9 10 11 人均一般预算性财政收入-.096.017-.117.004-.062 人均城乡居民储蓄存款
45、.109-.022-.134-.073-.016 每千人拥有病床数.158.034.061.106-.046 第三产业占GDP 比重(%)-.079-.039-.044-.049.036 人才密度指数-.066-.252.066-.017-.035 人均城镇固定资产投资额-.024.094.001.015-.087 每万人拥有执业医师数量.200-.081.015.073.061 人均实际利用外资额（万美元/人）-.330.115.080.021.023 人均社会消费品零售额.177.191.035-.054.027 人均 GDP(元/人)-.116-.005-.101.094.081 科技支
46、出占财政支出比重（%）.046-.005.023-.059.014 在岗职工平均工资-.042-.032.110-.058.000 农民人均纯收入.036-.006.039.053-.030 人均全社会固定资产投资额.044.006.055-.045.050 Extraction Method:Principal Component Analysis.a.13 components extracted.Component MatrixaComponent 12 13 人均一般预算性财政收入-.040.021 人均城乡居民储蓄存款.089-.015 每千人拥有病床数-.004-.042 第三产业
47、占GDP 比重(%)-.066-.019 人才密度指数-.019-.006 人均城镇固定资产投资额-.004.018 每万人拥有执业医师数量.008.040 人均实际利用外资额（万美元/人）.046.003 人均社会消费品零售额-.044-.001 人均 GDP(元/人)-.003-.011 科技支出占财政支出比重（%）.002.016 在岗职工平均工资.011.002 农民人均纯收入.028.011 人均全社会固定资产投资额.017-.006 Extraction Method:Principal Component Analysis.a.13 components extracted.（7
48、）SPSS输出的该部分的结果如下：该表格是按照前面设定的方差极大法对因子载荷矩阵旋转后的结果。未经过旋转的载荷矩阵中，因子变量在许多变量上都有较高的载荷。经过旋转之后，第一个因子含义略加清楚，基本上放映了“每万人拥有执业医师数量”、“第三产业占GDP 比重(%)”、“人均实际利用外资额（万美元/人）”；第二个因子基本上反映了“人均全社会固定资产投资额”、“人均城镇固定资产投资额”；第三个因子反映了“在岗职工平均工资”,Rotated Component MatrixaComponent 1 2 3 4 5 6 每万人拥有执业医师数量.877.278.182.163-.125.181 第三产业占
49、GDP 比重(%).861.299.185.184.261-.010 人均实际利用外资额（万美元/人）.806.133.102.242-.047.142 人均城乡居民储蓄存款.767.255.306.239.174.311 每千人拥有病床数.718.316.284.477-.082.165 人均一般预算性财政收入.636.338.475.392.018.153 人均全社会固定资产投资额.220.953.113.146-.063.002 人均城镇固定资产投资额.500.772.239.123.096.177 在岗职工平均工资.288.161.896.130.239.107 人均 GDP(元/人)
50、.198.386.559.290.429.246 科技支出占财政支出比重（%）.340.166.154.895.127.077 农民人均纯收入-.012-.044.187.063.972.105 人均社会消费品零售额.498.101.285.156.396.663 人才密度指数.583.283.207.218.229.291 Extraction Method:Principal Component Analysis.Rotation Method:V arimax with Kaiser Normalization.a.Rotation converged in 7 iterations.R