筆者在這里只是給讀者提供一份因子分析實(shí)驗(yàn)框架，具體的實(shí)驗(yàn)?zāi)康奶衤馈?shí)驗(yàn)內(nèi)容和實(shí)驗(yàn)步驟會(huì)根據(jù)不同的案例有所不同铃在。下面的圖表均加了水印只是想跟孩子們說(shuō)一下，自己動(dòng)手做拢驾，學(xué)到知識(shí)是最重要的奖磁。以后會(huì)不會(huì)用得著無(wú)從所知，但是自己親手做一遍對(duì)期末復(fù)習(xí)是有好處的繁疤。
在做實(shí)驗(yàn)之前咖为，我們要明白在市場(chǎng)細(xì)分中做因子分析的目的:數(shù)據(jù)信息壓縮，形成細(xì)分關(guān)鍵變量稠腊。其基本思想是根據(jù)相關(guān)性大小把原始變量分組躁染，使同組內(nèi)的變量之間相關(guān)性較高，不同組的變量間相關(guān)性較低架忌。
實(shí)驗(yàn)?zāi)康?/h2>
實(shí)驗(yàn)內(nèi)容
實(shí)驗(yàn)步驟
第一步吞彤，分析-降維-因子分析，將從 long distance last month開(kāi)始的十個(gè)變量中叹放，選中作為“變量”备畦，操作如下所示：
第二步，依次將“描述”许昨、“抽取”懂盐、“旋轉(zhuǎn)”、“得分”糕档、“選項(xiàng)”中所需的項(xiàng)目選上莉恼，操作如下所示：
實(shí)驗(yàn)結(jié)果
主要圖表的結(jié)果分析如下所示:
KMO檢驗(yàn)是用于檢查變量間的偏相關(guān)性的，KMO檢驗(yàn)越接近1速那，變量間的偏相關(guān)性越強(qiáng)俐银，因子分析的效果越好。由上表可知端仰，KMO的值為0.575捶惜，表明數(shù)據(jù)不是特別好，勉強(qiáng)適合做因子分析荔烧。要提高因子分析的效果吱七，可以采取重新設(shè)計(jì)變量的方法；Bartlett球形檢驗(yàn)是用來(lái)判斷資料是否存在多變量正態(tài)分布的鹤竭，也可以用來(lái)檢驗(yàn)相關(guān)系數(shù)矩陣是否符合做因子分析踊餐。該實(shí)驗(yàn)的Bartlett值為11703.901，P（Sig）=0.000<0.001,達(dá)到了顯著水平臀稚，即變量間有較強(qiáng)的相關(guān)性吝岭，可進(jìn)行因子分析。
由解釋的總方差表可知，只有前三個(gè)因子的特征值＞1窜管，累積解釋方差達(dá)到了80.377%散劫。
在碎石圖中，橫坐標(biāo)為因子數(shù)目幕帆，縱坐標(biāo)為特征值获搏。從圖中可以看出第一個(gè)因子的特征值很高，對(duì)解釋原有變量的貢獻(xiàn)率最大蜓肆；第三個(gè)因子以后的特征值都比較小，對(duì)解釋原有變量的貢獻(xiàn)率最小谋币，已經(jīng)成為可以“忽略”不計(jì)的碎石仗扬。因此，提取前三個(gè)因子是合適的蕾额。
由于筆者當(dāng)時(shí)沒(méi)有做旋轉(zhuǎn)成分矩陣表分析早芭，所以在下面加上一份我們期末復(fù)習(xí)題目，雖與上案例不同诅蝶，但是分析的方法都是一樣的退个，希望能幫到大家。
該表表示在抽取的兩個(gè)特征根＞1的因子中调炬，各題項(xiàng)的因子載荷的大小语盈。因子一包括獨(dú)立思考、自己判斷缰泡、獨(dú)立性刀荒、別人影響、別人意見(jiàn)這五個(gè)題項(xiàng)棘钞；因子二包括意見(jiàn)意義缠借、參考他人、干擾判斷這三個(gè)題項(xiàng)宜猜。
