1、因子分析+聚类分析：一 对数据进行因子分析，实验步骤：1 在 SPSS 窗口中选择：分析-降维-因子分析，在因子分析主界面将变量 X1 移入变量框2 点击“描述” ，在对话框中，统计量选择：原始分析结果，相关矩阵选择：系数，以描述相关系数，点击继续3 点击“抽取” ，在对话框中，方法为主成份，分析选择：相关性矩阵，输出选择：未旋转的因子解和碎石图，抽取中选择基于特征值（特征值大于 1）或者因子的固定数量（要提取的因子为 2） ，点击继续4 点击“旋转” ，在对话框中，方法为最大方差法，在输出中选择旋转解和载荷图（当因子数=2 时） ，点击继续5 点击“得分” ，在对话框中，选中 “保存为变量”
2、和“显示因子得分系数矩阵 ”，在方法中选择“回归” ，点击继续6 点击确定实验结果分析：1. 特征根和累计贡献率解释的总方差初始特征值 提取平方和载入 旋转平方和载入成份 合计 方差的 % 累积 % 合计 方差的 % 累积 % 合计 方差的 % 累积 %1 2.731 45.520 45.520 2.731 45.520 45.520 2.688 44.802 44.8022 2.218 36.969 82.488 2.218 36.969 82.488 2.261 37.687 82.4883 .442 7.360 89.8484 .341 5.688 95.5365 .183 3.044
3、98.5806 .085 1.420 100.000提取方法：主成份分析。由表中可以看出，因为成份 1 和 2 的特征值1 ，被提取出来，而且由于第三个特征根相比下降比较快，我们也只选取两个公共因子，对 1 和 2 旋转后其累计贡献率为 82.488%。（缩小版碎石图）由碎石图，我们也可以看出 1 和 2 的特征值大于 1，可以被提取出来，其余变量特征值过小，不予提取。成份矩阵 a成份1 2v1 .928 .253v2 -.301 .795v3 .936 .131v4 -.342 .789v5 -.869 -.351v6 -.177 .871由旋转前的成分矩阵可以写出每个原始变量关于各个成份的
4、表达式。旋转成份矩阵 a成份1 2v1 .962 -.027v2 -.057 .848v3 .934 -.146v4 -.098 .854v5 -.933 -.084v6 .083 .885从旋转成份矩阵可以看出，经过旋转的载荷系数产生了明显的区别，横向找到最大的一个数，如上表中黄色部分画出，第一个公因子在v1,v3,v5上占有较大载荷，说明于这三个指标有较大的相关性，命名为；第二个公因子 在v2,v4,v6上有较大载荷，有较大相关性，归为一类，可命名为。成份转换矩阵成份 1 21 .957 -.2902 .290 .957该表为成分转换矩阵，给出旋转所需的矩阵成份得分系数矩阵成份1 2v1
5、.358 .011v2 -.001 .375v3 .345 -.043v4 -.017 .377v5 -.350 -.059v6 .052 .395可以用成份得分系数矩阵写出各个因子关于中心标准化后的变量的表达式。F1=0.385x1-0.001x2+F2=(分析的举例：第一个因子在 外貌 自信心 洞察力 推销能力 工作魄力 志向抱负 理解能力 潜能 等变量上有较大的系数，可以抽象为应聘者主客观工作能力因子第二个因子在 简历格式 工作经验 适应力变量上有较大的系数，可抽象为应聘者对客观环境的适应力因子第三个因子在兴趣爱好 诚信度 求职渴望度变量上有较大的系数，可抽象为应聘者的兴趣和诚信因子。第
6、四个因子在研究能力变量上系数较大，可抽象为应聘者的学习能力因子。 ）一、 进行聚类分析实验步骤：(同之前聚类分析相同的步骤)1 在SPSS中选择分析-分类 -系统聚类，在主界面中，将fac1-1,fac1-2导入变量框中，分群中选择个案，输出框中选择统计量和图2 点击“统计量”，选择“合并进程表”，在聚类成员框中选择单一方案，聚类数输入4，点击继续3 点击“绘制”，选择“树状图”，在冰柱及方向框中为默认值，点击继续4 点击“方法”，聚类方法选择“组间联接”，区间选择Euclidean距离，标准化中选择Z得分，点击继续5 点击“保存”，选择单一方案，聚类数设置为46 点击“确定”，在数据视图中可以看到增加了一列“CLU4-1”7 在图形下拉菜单中选择“图表构建程序”，点击散点图，在右边4*2的样式选择框中选择第二个，将fac1-1拖入x轴。fac1-2 拖入 y轴，average linkage拖入“设置颜色”，点击确定8 双击输出的散点图，在选项中加入x轴及y轴参考线实验结果分析：（结合实际意义）第一类样本大多聚集在在公共因子1上为正，在公共因子2上为负的范围内，说明第一类样本在什么方面比较重要第二三四类
