1、电子科技大学政治与公共管理学院本科教学实验报告（实验）课程名称：数据分析技术系列实验电子科技大学教务处制表1电 子 科 技 大 学实 验 报 告学生姓名：刘晨飞 学 号：2013120101027 指导教师：高天鹏一、实验室名称： 电子政务可视化实验室二、实验项目名称：因子分析三、实验原理使用 SPSS 软件的因子分析对数据样本进行分析相关分析的原理：步骤一：将原始数据标准化。因子分析的第一步是主成分分析，将总量较多的因素通过线性组合的方式组合成几个因素，且这些因素之间相互独立。步骤二：建立变量的相关系数矩阵 RAnalyse-Dimention Ruduction- Fctor -Extra
2、ction-勾选 Correlation matrix 可以输出相关系数矩阵，相关系数矩阵计算了变量之间两两的 pearson 相关系数。步骤三：适用性检验使用 Bartlett 球形检验或者 KMO 球形检验来检验样本是否适合进行因子分析。评价标准：KMO 检验用于检验变量间的偏相关系数是否过小，一般情况下，当 KMO 大于 0.9时效果最佳，小于 0.5 时不适宜做因子分析。Bartlett 球形检验用于检验相关系数矩阵是否是单位阵，如果结论是不拒绝该假设，则表示各个变量都是各自独立的。步骤四：根据因子贡献率选取因子，特征值和特征向量构建因子载荷矩阵 A。处于简化和抽取核心的思想，一般会按
3、照某种标准选取前几个对观测结果影响较大的因素构建因子载荷矩阵，一般的标准是选取特征根大于 1 的因子。并要求累积贡献率达到 90%以上。步骤五：对 A 进行因子旋转2因子旋转的目的是使因子载荷矩阵的结构发生变化，使每个变量仅在一个因子上有较大载荷。是将因子矩阵在一个空间里投影，使单个向量的投影在仅在一个变量的方向有较大的值，这样做可以简化分析。步骤六：计算因子得分：计算因子得分是计算在不同样本水平下观测指标的水平的方式。计算因子得分需要用到因子得分计算函数，这个计算的结果是无量纲的，仅表示各因子在这个水平下观测指标的值，这也是因子分析的目标，将不可观测的目标观测量用一个函数与可以观测的变量联系
4、起来。四、实验目的理解因子分析的含义，以及数学原理，掌握使用 spss 进行因子分析的方法，并能对spss 因子分析产生的输出结果进行分析。五、实验内容及步骤本次实验包含两个例子：实验步骤：(0) 问题描述 实验一题目要求：对我国主要城市的市政基础设施情况进行因子分析。 实验二题目要求：主要城市日照数 sav 为例 ,其中的变量包括城市的名称“city”、各个月份的日照数(1) 实验二步骤：执行 analyze-dimention reduction-factor-rotation 如下勾选3(2) 执行 Analyse-Dimention Ruduction，打开分析窗口打开参数设置窗口加入
5、变量(3)点击 Descripitives，选择 initial solution（输出原始分析结果）、coefficients（输出相关系数矩阵）、勾选进行 KMO 和 bartlett 球形检验，完成之后点击 continue 回到参数设置窗口4输出选项（4）点击 Extraction 输出碎石图，完成之后点击 continue 回到参数设置窗口勾选输出碎石图（5）勾选输出因子得分，完成之后点击 continue 回到参数设置窗口5输出因子得分（6）选择缺失的值用均值代替，完成之后点击 continue 回到参数设置窗口均值代替缺失数据（7）点击 OK，输出分析结果6六、实验器材（设备、元
6、器件）：计算机、打印机、硒鼓、碳粉、纸张七、实验数据及结果分析(1) 实验一主要结果及分析:KMO and Bartletts TestKaiser-Meyer-Olkin Measure of Sampling Adequacy. .856Approx. Chi-Square 281.248df 15Bartletts Test of SphericitySig. .000KMO and Bartletts球形检验的结果从表里的结果可以看出，KMO 的检验值为 0.856，一般 KMO 值大于 0.9 认为适合做因子分析，这个值为 0.856 接近 0.9，适合做因子分析。Correlati
7、on Matrix年末实有道路长度（公里）年末实有道路面积（万平方米）城市桥梁（座）城市排水管道长度（公里）城市污水日处理能力（万立方米） 城市路灯（盏）年末实有道路长度（公里）1.000 .983 .783 .939 .896 .883年末实有道路面积（万平方米）.983 1.000 .738 .940 .853 .867城市桥梁（座） .783 .738 1.000 .759 .873 .719城市排水管道长度（公里）.939 .940 .759 1.000 .845 .916城市污水日处理能力（万立方米）.896 .853 .873 .845 1.000 .822Correlation城
8、市路灯（盏） .883 .867 .719 .916 .822 1.000相关系数矩阵从这个表格中可以看出这六个变量之间有很高的相关度，需要标准化。7CommunalitiesInitial Extraction年末实有道路长度（公里） 1.000 .954年末实有道路面积（万平方米） 1.000 .919城市桥梁（座） 1.000 .742城市排水管道长度（公里） 1.000 .924城市污水日处理能力（万立方米）1.000 .882城市路灯（盏） 1.000 .859Extraction Method: Principal Component Analysis.变量共同度表这个表，表示提取
9、公共因子之后各个变量的共同度，就是原始信息的保留度，例如第一个变量有95.4%的信息被保留下来了。Total Variance ExplainedInitial Eigenvalues Extraction Sums of Squared LoadingsComponent Total % of Variance Cumulative % Total % of Variance Cumulative %1 5.280 88.001 88.001 5.280 88.001 88.0012 .390 6.503 94.5043 .162 2.707 97.2114 .104 1.738 98.95
10、05 .051 .849 99.7996 .012 .201 100.000Extraction Method: Principal Component Analysis.主成分表按照之前的设置，保留了一个特征值大于1的因子，这个因子的贡献率为88%8特征值和变量的散点图可以看出，除了第一个因子之外其他的因子特征值都很小。Component MatrixaComponent1年末实有道路长度（公里） .977年末实有道路面积（万平方米） .959城市桥梁（座） .862城市排水管道长度（公里） .961城市污水日处理能力（万立方米）.939城市路灯（盏） .927因子负荷矩阵这个可以用来表示因
11、子的线性组合。9Component Score Coefficient MatrixComponent1年末实有道路长度（公里） .185年末实有道路面积（万平方米） .182城市桥梁（座） .163城市排水管道长度（公里） .182城市污水日处理能力（万立方米） .178城市路灯（盏） .176因子得分系数矩阵用主成分分析方法得出的因子得分系数矩阵，可以计算因子得分函数。Component Score Covariance MatrixComponent 11 1.000因子之间关系的矩阵.这个只选择出一个因子，这个实际上没有意义(2) 实验二结果及分析 :CommunalitiesInit
12、ial Extraction一月日照时数 1.000 .915二月日照时数 1.000 .918三月日照时数 1.000 .896四月日照时数 1.000 .933五月日照时数 1.000 .882六月日照时数 1.000 .778七月日照时数 1.000 .617八月日照时数 1.000 .874九月日照时数 1.000 .754十月日照时数 1.000 .863十一月日照时数 1.000 .847十二月日照时数 1.000 .854变量共同度表.10Total Variance ExplainedInitial EigenvaluesExtraction Sums of Squared L
13、oadingsRotation Sums of Squared LoadingsComponent Total% of VarianceCumulative % Total% of VarianceCumulative % Total% of VarianceCumulative %1 6.845 57.041 57.041 6.845 57.041 57.041 4.581 38.173 38.1732 1.962 16.347 73.388 1.962 16.347 73.388 2.886 24.047 62.2203 1.324 11.034 84.421 1.324 11.034 8
14、4.421 2.664 22.201 84.4214 .725 6.045 90.4665 .394 3.283 93.7496 .250 2.085 95.8337 .171 1.423 97.2568 .104 .870 98.1269 .080 .670 98.79610 .065 .539 99.33511 .047 .395 99.73112 .032 .269 100.000Extraction Method: Principal Component Analysis.主成分表选取了前三个特征解大于1的值Component MatrixaComponent1 2 3一月日照时数 .
15、852 -.435 -.015二月日照时数 .854 -.419 -.115三月日照时数 .869 -.275 -.257四月日照时数 .805 -.079 -.528五月日照时数 .888 -.033 -.303六月日照时数 .764 .439 -.038七月日照时数 .364 .644 -.265八月日照时数 .465 .809 .066九月日照时数 .794 .295 .192十月日照时数 .800 .251 .400十一月日照时数 .825 -.275 .300十二月日照时数 .562 -.164 .715因子载荷矩阵显示提取出来的三个因子的线性组合11Rotated Componen
16、t MatrixaComponent1 2 3一月日照时数 .837 -.014 .463二月日照时数 .882 .013 .375三月日照时数 .901 .163 .241四月日照时数 .903 .340 -.049五月日照时数 .834 .392 .179六月日照时数 .405 .730 .285七月日照时数 .128 .763 -.134八月日照时数 -.031 .917 .178九月日照时数 .376 .588 .516十月日照时数 .297 .528 .704十一月日照时数 .592 .081 .700十二月日照时数 .140 .018 .913旋转之后的因子载荷矩阵使各因子的载荷不
17、再集中，可以看出，第一个因子主要由前5个变量决定，中间的因子主要由中间三个因子决定，后面的一个因子主要由后四个因子决定Component Transformation MatrixComponent 1 2 31 .754 .437 .4912 -.432 .892 -.1313 -.495 -.113 .861因子转换矩阵12八、实验结论因子分析可以有效降低维度，抽取对观测指标影响最大的几个变量的线性组合，简化研究的过程。九、总结及心得体会有了数据分析软件可以节省大量的数据分析的时间，但是根据数据分析的结果对样本数据进行评估还是需要人员操作，看不懂分析的结果，不懂得分析结果的意思就无法进行接下来的工作，所以我们不仅要熟练掌握数据分析的方法，还要了解其中的原理，这样才能充分发挥软件给我们带来的好处，有意识地利用软件帮助我们进行计算，而不只是模仿教程上面的操作步骤，得出自己也看不懂的分析结果。十、对本实验过程及方法、手段的改进建议可以选取不能进行因子分析的例子，体会因子分析使用的限制。
