旋转成分矩阵怎么解释

spss因子分析时选择了正交或斜交旋转才会产生“旋转成分矩阵”。“成分矩阵”是主成分分析法得到的。

“旋转成分矩阵”是因子分析得到的，看每个变量在各个因子中系数的大小，表示变量在因子的载荷大小，一般大于05的就归于该因子当中。负数表示该因子中其他的方向是相反的。 扩展资料

　旋转矩阵（英语：Rotation matrix）是在乘以一个向量的时候有改变向量的方向但不改变大小的效果并保持了手性的'矩阵。旋转矩阵不包括点反演，点反演可以改变手性，也就是把右手坐标系改变成左手坐标系或反之。所有旋转加上反演形成了正交矩阵的集合。旋转可分为主动旋转与被动旋转。主动旋转是指将向量逆时针围绕旋转轴所做出的旋转。被动旋转是对坐标轴本身进行的逆时针旋转，它相当于主动旋转的逆操作。

　旋转矩阵的原理在数学上涉及到的是一种组合设计：覆盖设计。而覆盖设计，填装设计，斯坦纳系，t-设计都是离散数学中的组合优化问题。它们解决的是如何组合集合中的元素以达到某种特定的要求。

你学过线性代数吗？需要你真正理解矩阵的特征值和特征向量的意义，也就是N维空间的各个维度上的特征值和特征向量。

还是以简单的高中知识向你做个比喻吧，一条在第一第三象限的角平分线上的线段，在坐标轴上的投影不能反映出它的最真实情况，因为缩小了根2倍，最佳方法是把坐标轴逆时针旋转45度才行。

这是二维空间的例子，其实N维空间旋转和这个例子是一个道理的。

问题一：spss因子分析时 旋转成分矩阵是什么 成分的分析数矩阵是什么 你肯定是选择了正交或斜交旋转才会产生“旋转成分矩阵”,你可以用主成分分析法来做一下就会发现没有“旋转成分矩阵”了,所以两者是没有关系的,因为“成分矩阵”是主成分分析法得到的,“旋转成分矩阵”是因子分析得到的,（主成分分析和因子分析的关系应该知道吧,理解一下就ok了） 因子载荷的意思是左边的和因子的相关系数因子载荷在“成分矩阵”里分别是0778、0453、0553、0785,这是左边的那些TB对上面的因子的载荷――因此可以说是因子1=0778TB3+0453TB4+0553TB1+0785TB2,（我这么说我像你应该能理解因子2的公式了吧）因子载荷在旋转成分矩阵里也是一样的这种纵向的公式

问题二：SPSS 旋转成分矩阵 成分得分系数矩阵 分别指啥？ 用旋转成份矩阵，里面的数值最好保留045以上的，叫因素负荷量。这样你各个维度有多少题就出来了。

问题三：SPSS大神，求问因子分析之后得出的旋转成分矩阵应该怎么分析结果？ 10分 SPSS的因子分析过程本身只自带了计算各因子得分的功能

Analyze――Data Reduction――Factor yze

放入变量之后，其中有一项scores选项菜单，选上。

SPSS会在数据窗口中生成FAC1_1 之类的新数据。

问题四：spss中的旋转成份矩阵是因子载荷矩阵吗 正交或斜交旋转才会产生“旋转成分矩阵”,你可以用主成分分析法来做一下就会发现没有“旋转成分矩阵”了,所以两者是没有关系的,因为“成分矩阵”是主成分分析法得到的,“旋转成分矩阵”是因子分析得到的,（主成分分析和因子分析的关系应该知道吧,理解一下就ok了）

因子载荷的意思是左边的和因子的相关系数因子载荷在“成分矩阵”里分别是0778、0453、0553、0785,这是左边的那些TB对上面的因子的载荷――因此可以说是因子1=0778TB3+0453TB4+0553TB1+0785TB2,（我这么说我像你应该能理解因子2的公式了吧）因子载荷在旋转成分矩阵里也是一样的这种纵向的公式

问题五：spss分析得到旋转成分矩阵及成分矩阵后，如何确定主成分综合指标权重？ 主成分综合指标权重

是特征根百分比

统计专业研究生工作室为你服务

问题六：SPSS分析中解释的总方差和旋转成分矩阵要怎么进行解释？ 5分 说明效度好不好

统计专业研究生工作室为您服务

问题七：怎么根据spss旋转成分矩阵划分量表的维度？ 50分 同一列下面因子载荷最大

问题八：SPSS分析中解释的总方差和旋转成分矩阵要怎么进行解释？就是说怎么对这个结果进行说明，然后写进论文里？ 100分 最大方差旋转 只是其中的一种旋转方法，因为该方法旋转后的结果很清楚，所以一般默认选择都是这种方法 至于你做主成分分析 是需要看你的原始数据情况的，如果你原始数据变量就很少，不超过三五个这样的，就没必要做主成分分析。看 看你的数据应该是做主成分分析的变量也就只有2个吧 这样根本没必要做主成分分析

问题九：spss因子分析中旋转成份矩阵中出现负数 负数表示该题目与因子中其他题目的方向是相反的，至于信度比较低，除了这些题目内容一致性不是很高外，还和题目数量有关。（南心网 SPSS 信度分析）

问题十：spss因子分析时 旋转成分矩阵是什么 成分的分析数矩阵是什么 你肯定是选择了正交或斜交旋转才会产生“旋转成分矩阵”,你可以用主成分分析法来做一下就会发现没有“旋转成分矩阵”了,所以两者是没有关系的,因为“成分矩阵”是主成分分析法得到的,“旋转成分矩阵”是因子分析得到的,（主成分分析和因子分析的关系应该知道吧,理解一下就ok了） 因子载荷的意思是左边的和因子的相关系数因子载荷在“成分矩阵”里分别是0778、0453、0553、0785,这是左边的那些TB对上面的因子的载荷――因此可以说是因子1=0778TB3+0453TB4+0553TB1+0785TB2,（我这么说我像你应该能理解因子2的公式了吧）因子载荷在旋转成分矩阵里也是一样的这种纵向的公式

(1)首先将数据标准化，这是考虑到不同数据间的量纲不一致，因而必须要无量纲化。

(2)对标准化后的数据进行因子分析(主成分方法)，使用方差最大化旋转。

(3)写出主因子得分和每个主因子的方程贡献率。 Fj =β1jX1 +β2jX2 +β3jX3 + ……+ βnjXn ; Fj 为主成分(j=1、2、……、m)，X1、X2 、X3 、……、Xn 为各个指标，β1j、β2j、β3j、……、βnj为各指标在主成分Fj 中的系数得分，用ej表示Fj的方程贡献率。

(4)求出指标权重。 ωi=[(m∑j)βijej]/[(n∑i)(m∑j)βijej]，ωi就是指标Xi的权重。

扩展资料

产品特点

1、操作简便

界面非常友好，除了数据录入及部分命令程序等少数输入工作需要键盘键入外，大多数操作可通过鼠标拖曳、点击“菜单”、“按钮”和“对话框”来完成。

2、编程方便

具有第四代语言的特点，告诉系统要做什么，无需告诉怎样做。只要了解统计分析的原理，无需通晓统计方法的各种算法，即可得到需要的统计分析结果。

对于常见的统计方法，SPSS的命令语句、子命令及选择项的选择绝大部分由“对话框”的操作完成。因此，用户无需花大量时间记忆大量的命令、过程、选择项。

3、功能强大

具有完整的数据输入、编辑、统计分析、报表、图形制作等功能。自带11种类型136个函数。SPSS提供了从简单的统计描述到复杂的多因素统计分析方法，比如数据的探索性分析、统计描述、列联表分析、二维相关、秩相关、偏相关、方差分析、非参数检验、多元回归、生存分析、协方差分析、判别分析、因子分析、聚类分析、非线性回归、Logistic回归等。

-spss

spss因子分析时选择了正交或斜交旋转才会产生“旋转成分矩阵”。“成分矩阵”是主成分分析法得到的。

“旋转成分矩阵”是因子分析得到的，看每个变量在各个因子中系数的大小，表示变量在因子的载荷大小，一般大于05的就归于该因子当中。负数表示该因子中其他的方向是相反的。

“成分矩阵”是主成分分析法得到的。此法可从原始数据获得许多有益的情报。主成分分析法是一种将多个变量化为少数综合变量的一种多元统计方法，利用此法可从原始数据中获得许多有益的信息，但是由于这种方法需要借电子计算机来求解，且计算复杂，但应用较少。

在矩阵图的基础上，把各个因素分别放在行和列，然后在行和列的交叉点中用数量来描述这些因素之间的对比，再进行数量计算，定量分析，确定哪些因素相对比较重要的。

扩展资料：

与矩阵数据分析结合使用的方法：

1、可以利用亲和图（affinity diagram）把这些要求归纳成几个主要的方面。然后，利用这里介绍进行成对对比，再汇总统计，定量给每个方面进行重要性排队。

2、过程决策图执行时确定哪个决策合适时可以采用。

3、质量功能展开。两者有差别的。本办法是各个因素之间的相互对比，确定重要程度；而质量功能展开可以利用这个方法的结果。用来确定具体产品或者某个特性的重要程度。这种方法的好处之一是可以利用电子表格软件来进行。

--矩阵数据分析法

--矩阵资料分析法

1你有几组数据？数据变量太少（三四个）就没必要主成分分析了。一般来说，即使你的数据是三四组，2个公因子也不可能达到100%的贡献率的，最多只是接近100%。除非操作有误或数据有误或是你没看明白结果。

2一般来说，主成分分析（PCA）要求数据之间自相关性不能太强，因此数据选取要考虑数据变量之间的相关性不能太强（彼此相关性太强的数据可以剔除，留下其中一组就行）。

3每一个公因子F代表所有数据所反映的某一方面的共性，因此不同F之间是相互垂直的（所代表的信息是彼此不相关的）。如果两个公因子就达到95%以上的累积贡献率，说明两组共性就表达了绝大部分的总信息量，所选数据代表的信息量不是很大。

3第一个公因子就达到85%以上，说明一个问题：数据组太简单（同一变量的数据个数不够），或是数据之间的相关性太强（一个数据就代表了其他数据的绝大部分信息，数据多其实也只是重复反映同一个问题，等于数据不够）。这样的数据不适合做PCA分析。

EF-Tu、EF-Ts以及EF-G（其中EF-Tu和EF-Ts可以复合为EF-T）3个原始因子。基于主成分模型的主成分分析法、基于因子分析模型的主轴因子法、极大似然法、最小二乘法、a因子提取法、映像分析法。主成分分析法能够为因子分析提供初始解，因子分析是主成分分析结果的延伸和拓展。

扩展资料：

在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。

和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。

而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这种情况也可以使用因子得分做到。所以这种区分不是绝对的。

-因子分析法