因子旋转的目的

问题一：spss因子分析为什么要对因子进行旋转？ 因子旋转是为了更有利于用现实语言来描述所得因子。正常因子分析得出的因子可能逻辑意义不明显，理解起来很困难。但旋转之后就可能得到有逻辑意义的因子。

问题二：因子分析中正交旋转的原因和目的是什么？ 因子分析中正交旋转的原因和目的是：为了更突出各个因子的典型代表变量是谁,这样更容易发觉因子的作用。

因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，以较少的几个因子反映原资料的大部分信息。运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力运用这种研究技术，我们还可以为市场细分做前期分析。

问题三：在因子分析中，为什么要对因子进行旋转 主成分分析不能旋转，因子分析才能。很多论文这个方面都误用了 统计专业，为您服务

问题四：用SPSS进行主成分分析时，可以进行旋转因子吗，还是说有前提条件才能旋转？另外，旋转因子的目的是什 主成分分析不能旋转，因子分析才能。很多论文这个方面都误用了

统计专业，为您服务

问题五：因子分析法的统计意义 模型中F1，F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。e1，e2，…，ep叫做特殊因子，是向量x的分量xi(i=1，2，…，p）所特有的因子，各特殊因子之间以及特殊因子与所有公共因子之间都是相互独立的。模型中载荷矩阵A中的元素（aij）是为因子载荷。因子载荷aij是xi与Fj的协方差，也是xi与Fj的相关系数，它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权，aij的绝对值越大（|aij|￡1），表明xi与Fj的相依程度越大，或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1，F2，…，Fm的共同依赖程度大。将因子载荷矩阵A的第j列（ j =1，2，…，m）的各元素的平方和记为gj2，称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i= 1，2，…，p）所提供方差的总和，它是衡量公共因子相对重要性的指标。gj2越大，表明公共因子Fj对x的贡献越大，或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2 ( j =1，2，…，m）都计算出来，使其按照大小排序，就可以依此提炼出最有影响力的公共因子。3 因子旋转建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。旋转的方法有很多，正交旋转（orthogonal rotation）和斜交旋转（oblique rotation）是因子旋转的两类方法。最常用的方法是最大方差正交旋转法（Varimax）。进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。常用的斜交旋转方法有Promax法等。4因子得分因子分析模型建立后，还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。例如地区经济发展的因子分析模型建立后，我们希望知道每个地区经济发展的情况，把区域经济划分归类，哪些地区发展较快，哪些中等发达，哪些较慢等。这时需要将公共因子用变量的线性组合来表示，也即由地区经济的各项指标值来估计它的因子得分。设公共因子F由变量x表示的线性组合为：Fj = uj1 xj1+ uj2 xj2+…+ujp j=1，2，…，m该式称为因子得分函数，由它来计算每个样品的公共因子得分。若取m=2，则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2，并将其在平面上做因子得分散点图，进而对样品进行分类或对原始数据进行更深入的研究。但因子得分函数中方程的个数m小于变量的个数p，所以并不能精确计算出因子得分，只能对因子得分进行估计。估计因子得分的方法较多，常用的有回归估计法，Bartlett估计法，Thomson估计法。⑴回归估计法F = X b = X (X ￠X)-1A￠ = XR-1A>>

问题六：关于旋转因子 旋转因子是W nk N （nk是上标，N是下标）

n指的是原序列里的某一点，k是DFT（或FFT）后的序列某一点，N为变换的点数。

W nk N =e^[-j2pink/N]，这是一个复指数项。

记得吴镇扬那本书第一次提到是在75页的组合数FFT

至于为什么叫旋转因子我也不是很清楚，可能因为指的是Z面的圆上旋转吧。

问题七：spss因子分析结果旋转看不懂啊 看旋转后的，看每种食物在哪个成分上的因子载荷最大，那么就是说成分最能代表食物。多种食物在某种成分上的载荷都是最大的，就是说几种食物之间的相似性最大。

问题八：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。

问题九：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

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 至于做主成分分析，是需要看原始数据情况的，如果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。

扩展资料：

SPSS之方差分析总结

1，从自变量和因变量的数目上看，如果只有一个自变量和一个因变量，那我们采用“单因素方差分析”；如果有多个自变量和一个因变量，那我们采用“多因素方差分析”；如果有一个自变量和多个因变量，采用“单因素多元方差分析”；如果有多个自变量和多个因变量，则采用“多因素多元方差分析”。

2，其中，“单因素多元方差分析”和“多因素多元方差分析”统称为“多元方差分析，在SPSS上的实现步骤完全一致。

3，另外，对于“协方差分析”法，大家可以将其理解为“控制变量法”，即控制一个因素不变，研究其他因素对试验结果的影响。其中，需要控制的变量就是“协方差分析”中的协变量。而“重复测量方差分析”和字面意义一样，当我们需要对观测结果进行多次取值时，该方法即是最好的选择。

4，从数据结构方面来看，细心的朋友可能已经从前面的几章中发现，方差分析的数据都要求“数值型”，变量类型可以为“分类变量”，也可为数值变量。之所以补充此处，是因为在SPSS软件中，如果不事先设置好相关数据结构，可能在SPSS操作时你会发现有些按钮是灰色的，点不了。

Rotated Component Matrix 即为“旋转后的因子载荷矩阵”,即“旋转成分矩阵”。这表示的是因子分析模型的系数。component score coefficient matrix即成分得分系数矩阵,