主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。
在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。
主成分分析首先是由K皮尔森（Karl Pearson）对非随机变量引入的，尔后H霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。
主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。
最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来P个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1, F2)=0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第P个主成分。
你好，经过我查阅相关资料得知
看spss效度分析成分矩阵的方式是:
1）一个研究项对应多个因子，此时应结合专业知识进行判断具体归属于那个因子，比如上图A1既可归属到因子1，也可归属到因子3中，这时就需要综合考虑，需不需要做处理。
2）某研究项与因子对应关系情况，与心理预期完全不符，可考虑删除该研究项。比如上图D3预期对应因子4，但实际分析中，发现对应因子1与预期严重不符。此时可考虑删除该研究项。
3）某因子和研究项无对应关系，此时可考虑减少1个因子
4）某研究项和因子无对应关系，可考虑删除该研究项
如果对分析方法还有疑问，可登录SPSSAU官网，使用SPSSAU上面的案例数据，进行实际的操作分析。
我觉得他说的不对 spss中的得分 并不是主成分得分 是另一中度量 也可以排序 但是和我们一般认识的 “主成分得分” 是有区别的
因子载荷矩阵肯定是要的 还要通过公式计算特征向量矩阵 才能得出主成分表达式 再算得分
这里也讲不好 给你看个 参考资料里的百度文库 有spss求主成分分析主要步骤 不懂的可以再问我
在因子分析时只需要在“抽取”中将“基于特征值大于1”改为抽取你维度的个数。即可。
因子分析时，提取主成份是默认特征值大于1提取的。因为你的主成份（因子）特征值只有一个大于1，因此仅提取了一个主成份（因子），提取一个主成份（因子）旋转成份矩阵是无法旋转的。如果你问卷设置多个维度，你可以在抽取中将基于特征值大于1改为抽取你维度的个数。这样旋转成份就可以旋转了。不过这个对数据要求是比较高的，一般你收集的问卷，旋转成份矩阵后，很难得到你事先划分好的维度，他所得到的不一定符合你的预期。除非你问卷设计的非常好。
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 analyze
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。
成分矩阵旋转次数的意义是，成分矩阵是主成分分析法得到的，随着成分矩阵旋转次数，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。
欢迎分享，转载请注明来源：品搜搜测评网
微信扫一扫
支付宝扫一扫
