因子分析有什么用处？

1. 因子分析有什么用处？

因子分析的用处是：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。用来确定维度数量，对标体系的维度由主观来做判断。
因子分析的内容：
因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。
他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。
将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。

2. 因子分析有什么用处

问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。
在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。
但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：
传统上所谈的因素分析）factor analysis)指的是探索性因素分析）exploratory factor analysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。
随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor analysis，EFA)及验证性因素分析）confirmatory factor analysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解释资料变项间的共变关系。探索性因素分析需考虑的步骤包括:估计共通值） communalities)，决定因素的数目，估计因素负荷量，对因素做转轴）rotation)以得最好的结果，最后则为对结果作解释。验证性因素分 析则需考虑对因素结构关系之确立）model specification)，是否能对参数找出单一组解）identification)，参数的估计法）estimation)，检验资料与假设模式 之间的适合度）evaluation)。比较二者，EFA算是探索可能的因素结构之一种方法，而CFA则是验证假设因素结构存在的方法，因此CFA较 EFA对模式使用了较多的假设，也多了模式检验的过程。除了以上这两类的分析外，读者可能还听过结构方程模式）structural equation modeling，SEM)，其所常使用的分析软体包括:LISREL，EQS，AMOS，Mplus等。结构方程模式是用在对因素间之关系更明确时，其 模式中可含有许多潜在变项及观察变项，研究者对各变项间之关系有一定程度之了解及假设，并可经由检验此假设模式并经过模式之修正及再检验后，确立最后可解 释资料的模式，以了解资料变项间之关系。

3. 因子分析是什么？

　　因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。

　　共同度是指一个测验条目在所有因子上的因子载荷平方和，它代表了所有因子合起来对该条目的变异解释量，我们知道因子是用来代替繁多的条目的简化测量指标，那么共同度高即代表某个条目与其他条目相关性高，而共同度低则表明该条目与其他条目共通性很低，也就是说这个条目的独特性很强。

4. 什么是因子分析？

因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
共同度是指一个测验条目在所有因子上的因子载荷平方和，它代表了所有因子合起来对该条目的变异解释量，因子是用来代替繁多的条目的简化测量指标，那么共同度高即代表某个条目与其他条目相关性高，而共同度低则表明该条目与其他条目共通性很低，也就是说这个条目的独特性很强。

扩展资料：
主因子的权重就是其方差贡献率占这7个主因子的累计贡献率
各原始变量的权重是，先根据SPSS算出的L载荷矩阵，除以对应的特征根值，算出A矩阵。再用A矩阵中的x系数除以对应x的标准差，算出的是各个原始变量的系数。各个系数占所有系数之和的比例就是权重。
因子分析法确定指标权重
权重体系构建常见于企业财务竞争力体系，绩效权重体系或者管理者领导力权重体系模型等。
常用的权重研究分析方法中，AHP层次分析法，熵值法，组合赋值法均无法直接使用SPSS软件进行计算，因此在SPSS上利用因子分析法进行计算权重是一种常规做法。
参考资料来源：百度百科——因子分析

5. 为什么要进行因子分析?

问题一：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了 
  
   问题二：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 
  
   问题三：为什么在做SPSS因子分析时要进行不止一次的因子的抽取  一次抽取过后，不合适的项目要删除。之后要再抽取，再删除项目。这样就多次了。 
  当然，如果数据、结构够好，一次也可以探索成良好结构 
  
   问题四：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。 
  
   问题五：进行因子分析的前提条件是各变量之间应该怎么做  本来想给你截图的，可是传不上来，我就简单说一下哈。 
  首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。 
  通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。 
  点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。 
  点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。 
  旋转里边选最大方差法，输出旋转解。继续。 
  得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。 
  确定。 
  然后就可以分析结果了。 
  先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常0.7以上为一般，0.5以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于0.05，当然越小越好，就适于因子分析。 
  如果这两个检验都合格的话，才可以去写因子模型。 
  为了便于描述，假设我们有两个因子f1，f2， 
  旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。 
  因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。 
  根据这个我们就能算出因子得分了。 
  因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量， 
  然后我们不是有一个公式吗 
  总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+... 
  根据这个公式计算一下就可以了。 
  用spss或者Excel都可以。 
  希望能对你有帮助哦。 
  ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。 
  
   问题六：因子分析后得到的几个成分做回归分析，为什么还要考虑多重共线性?  因为他不是用的因子得分，是线性计算的值 
  理论上用因子得分 
  
   问题七：请问 做相关分析前，一定要做因子分析吗？因子分析的目的是什么？ 谢谢！  主成分分析和因子分析的区别 :jok: 
  1，因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成 
  个变量的线性组合。 
  2，主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之 
  间的协方差。 
  3，主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假 
  设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同 
  因子和特殊因子之间也不相关。 
  4，主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分 
  一般是独特的；而因子分析中因子不是独特的，可以旋转得到不到的因子。 
  5，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，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 
  总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前 
  ，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分 
  析一般很少单独使用：a，了解数据。(screening the data),b,和cluster *** ysis一 
  起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可 
  能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回 
  归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性 
  。 
  在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方差矩阵的 
  对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的 
  
   问题八：用SPSS作因子分析，数据为什么要标准化  不标准化 可能会由于不同列的数据本身的大小差异影响结果 
  比如一列重量数据的范围可能都是几g，数据都是个位数，然后一列数据的计量单位是m，但实际值都是0.0001起的，因为主成份分析时，只考虑数据，未把计量单位考虑进去，这样两列数据的大小差异很大，会影响结果，因此对数据进行一定的标准化处理，使所有列的数据范围都在正负1之间，这样可以避免数据差异的影响 
  
   问题九：实证一定要进行因子分析吗  实证是相对于理论而言的，凡是涉及到数据和统计分析的，都可以叫实证，而因子分析只是众多统计分析方法中的一个而已，自然就不是必须的了。（南心网SPSS实证分析） 
  
   问题十：因子分析后为什么要进行回归分析  用因子得分FAC1-1做回归，那个因子载荷阵是原变量与因子的相关系数，你可以参考网上的文献，另外新生成的因子是不相关的，不用做相关分析了

6. 什么叫“因子分析”

因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
共同度是指一个测验条目在所有因子上的因子载荷平方和，它代表了所有因子合起来对该条目的变异解释量，因子是用来代替繁多的条目的简化测量指标，那么共同度高即代表某个条目与其他条目相关性高，而共同度低则表明该条目与其他条目共通性很低，也就是说这个条目的独特性很强。

扩展资料：
主因子的权重就是其方差贡献率占这7个主因子的累计贡献率
各原始变量的权重是，先根据SPSS算出的L载荷矩阵，除以对应的特征根值，算出A矩阵。再用A矩阵中的x系数除以对应x的标准差，算出的是各个原始变量的系数。各个系数占所有系数之和的比例就是权重。
因子分析法确定指标权重
权重体系构建常见于企业财务竞争力体系，绩效权重体系或者管理者领导力权重体系模型等。
常用的权重研究分析方法中，AHP层次分析法，熵值法，组合赋值法均无法直接使用SPSS软件进行计算，因此在SPSS上利用因子分析法进行计算权重是一种常规做法。
参考资料来源：百度百科——因子分析

7. 什么是因子分析因子分析的应用

　　因子分析是指研究从变量群中提取共性因子的统计技术。那么你对因子分析了解多少呢?以下是由我整理关于什么是因子分析的内容，希望大家喜欢!
   
      
       　　因子分析的简介   
    　　因子分析的  方法  约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，采用不同的共同性□2估值。在社会学研究中，因子分析常采用以主成分分析为基础的反覆法。
   
    　　主成分分析为基础的反覆法　主成分分析的目的与因子分析不同，它不是抽取变量群中的共性因子，而是将变量□1，□2，…,□□进行线性组合，成为互为正交的新变量□1，□2，…,□□，以确保新变量具有最大的方差：
   
    　　在求解中，正如因子分析一样,要用到相关系数矩阵或协方差矩阵。其特征值□1，□2，…，□□,正是□1，□2,…，□□的方差，对应的标准化特征向量，正是方程中的系数□，□，…，□。如果□1>□2,…，□□，则对应的□1，□2，…，□□分别称作第一主成分,第二主成分，……,直至第□主成分。如果信息无需保留100%，则可依次保留一部分主成分□1，□2，…，□□(□<□)。
   
    　　当根据主成分分析，决定保留□个主成分之后，接着求□个特征向量的行平方和，作为共同性□：
   
    　　□并将此值代替相关数矩阵对角线之值，形成约相关矩阵。根据约相关系数矩阵，可进一步通过反复求特征值和特征向量方法确定因子数目和因子的系数。
   
    　　因子旋转为了确定因子的实际内容,还须进一步旋转因子，使每一个变量尽量只负荷于一个因子之上。这就是简单的结构准则。常用的旋转有直角旋转法和斜角旋转法。作直角旋转时，各因素仍保持相对独立。在作斜角旋转时，允许因素间存在一定关系。
   
    　　Q型因子分析 上述从变量群中提取共性因子的方法，又称R型因子分析和R型主要成分分析。但如果研究个案群的共性因子，则称Q型因子分析和Q型主成分分析。这时只须把调查的□个方案，当作□个变量，其分析方法与R型因子分析完全相同。
   
    　　因子分析是社会研究的一种有力工具，但不能肯定地说一项研究中含有几个因子，当研究中选择的变量变化时，因子的数量也要变化。此外对每个因子实际含意的解释也不是绝对的。
       　　因子分析的应用   
    　　在市场调研中，研究人员关心的是一些研究指标的集成或者组合，这些概念通常是通过等级评分问题来测量的，如利用李克特量表取得的变量。每一个指标的集合(或一组相关联的指标)就是一个因子，指标概念等级得分就是因子得分。
   
    　　因子分析在市场调研中有着广泛的应用，主要包括：
   
    　　(1)消费者习惯和态度研究(U&A)
   
    　　(2) 品牌形象和特性研究
   
    　　(3)服务质量调查
   
    　　(4) 个性测试
   
    　　(5)形象调查
   
    　　(6) 市场划分识别
   
    　　(7)顾客、产品和行为分类
   
    　　在实际应用中，通过因子得分可以得出不同因子的重要性指标，而管理者则可根据这些指标的重要性来决定首先要解决的市场问题或产品问题。
       　　因子分析的描述   
    　　验证性因子分析的强项正是在于它允许研究者明确描述一个理论模型中的细节。那么一个研究者想描述什么呢?我们曾经提到因为测量误差的存在，研究者需要使用多个测度项。当使用多个测度项之后，我们就有测度项的“质量”问题，即有效性检验。而有效性检验就是要看一个测度项是否与其所设计的因子有显著的载荷，并与其不相干的因子没有显著的载荷。当然，我们可能进一步检验一个测度项工具中是否存在单一方法偏差，一些测度项之间是否存在“子因子”。这些测试都要求研究者明确描述测度项、因子、残差之间的关系。对这种关系的描述又叫测度模型 (measurement model)。对测度模型的质量检验是假设检验之前的必要步骤。

8. 解释因子分析起到什么作用

因子分析的用处是：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。用来确定维度数量，对标体系的维度由主观来做判断。
因子分析的内容：
因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。
他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。
将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。