1. (一)利用SPSS进行因子分析
将原始数据输入SPSS数据编辑窗口,将4个变量分别命名为X1~X4。在SPSS窗口中选择Analyze→Data Reduction→Factor菜单项,调出因子分析主对话框,并将变量X1~X4移入Variables框中,其他均保持系统默认选项,单击OK按钮,执行因子分析过程,得到如表1所示的特征根和方差贡献表以及表2所示的因子载荷阵。
表1中Total列为各因子对应的特征根,在本例中采用的是默认的提取的特征根大于1的因子,因此共提取两个公因子;% of Variance列为各因子的方差贡献率;Cumulative %列为累积方差贡献率,由表中可以看出,前两个因子的方差贡献率达到91.289%,即这两个因子已经可以解释原始变量91.289%的信息。
表1 特征根与方差贡献率
Total Variance Explained |
Component |
Initial Eigenvalues |
Extraction Sums of Squared Loa
ings |
Total |
% of Varianc
|
Cumulative % |
Total |
% of Vari
nce |
Cumulative % |
1 |
3.541 |
88.527 |
88.527 |
3.541 |
88.527 |
88.527 |
2 |
.313 |
7.835 |
96.362 |
.313 |
7.835 |
96.362 |
3 |
.079 |
1.985 |
98.347 |
|
|
|
4 |
.066 |
1.653 |
100.000 |
|
|
|
Extraction Method: Principal Component Analysis. |
|
|
|
表2 因子载荷阵
Component Matrixa |
|
Component |
|
1 |
2 |
身高 |
.935 |
-.304 |
体重 |
.968 |
.118 |
胸围 |
.905 |
.406 |
坐高 |
.954 |
-.206 |
Extraction Method: Principal Component Analysis. |
二)利用因子分析结果进行主成分分析
1. 将表1中的因子载荷阵中的数据输入SPSS数据编辑窗口,两个变量分别命名为a1和a2。
2. 计算特征向量矩阵
为了计算第一个特征向量,我们利用因子载荷与特征向量元素间的关系 ,点击菜单项中的Transform→Compute,调出Compute variable对话框,如图4所示,在对话框中输入等式:“z1=a1 / SQRT(3.541) ”。点击OK按钮,即可在数据编辑窗口中得到以t1为变量名的第一特征向量。再次调出Compute variable对话框,在对话框中输入等式:“z2=a2 / SQRT(0.313)”,运行后得到以t2为变量名第二特征向量。
得到了如表3所示的特征向量矩阵。
表3特征向量矩阵
0.49687671785646326 -0.5433772041064034
0.5144135431925737 0.2109161515939329
0.48093414936909007 0.7256945554842099
0.5069736778984661 -0.3682095527826286
故得到的主成分的表达式为
Y2=-0.54x1+0.21x2+0.73x3-0.37x4
就可以计算得到两个主成分Y1和Y2,然后再次调用Compute命令,调出Compute variable对话框,输入Y=0.88527*Y1+0.0785*Y2,得到综合得分Y(如表4)。
表4 各个变量主成分得分
|