spss因子分析详细教程

哈喽，大家好，上两个视频呢，我们主要介绍了性度和效度分析，那今天这个视频我们就来聊聊因子分析。 因子分析他最常见的作用呢，也就是因子降维。什么是因子降维呢？也就是通过因子分析对多个变量进行降维处理，把这些多个变量归纳为少数的几个工因子，用这些少数的工因子来衡量整体， 用来提高数据的处理效率。比如说我们在分析用户对产品的态度以及品质等，这样的量表数据就可以进行因此降为 啊，我们今天使用到的数据还是前面两个限度效度的数据，也就是 a 一到 b 四这九个量表 题。然后我们来介绍一下英语分析的操作步骤和结果的解读。先把这些数据复制一下， 要带上这个变量名一起复制，然后打开一个新的 s p s s 文件，嗯，再点击鼠标右键， 选择与变量棉一起粘贴，这样数据就粘贴到 s p s s 里面了。然后我们来做因子分析，点击这个分析降为因子， 然后把这些变量都选到右边的变量框里，再点击描述，勾选 k， m， o 和 buttlet 求行检验，然后点击提取。这里使用的方法主要 是主成分分析法，然后这里都可以使用默认的值，基于特征值，这里选择大于一，然后点击继续， 再点击旋转，然后在方法这里选择最大方插法，点击继续，再点击得分，然后选择因子得分系数矩阵，点击继续， 再点击选项，然后可以选择这个禁止显示小系数，这个绝对值呢，我们可以设置成零点五，然后点击继续， 这样就设置好了，点击确定就可以了， 这个就是因子分析得到的一些表格。首先 看一下 k m o 和巴特利的检验，就是上一个视频中我们提到的效度检验，这里效度检验主要看 k m o 的值， k m o 大于零点八，那也就说明这份数据是通过了效度检验的， 然后这里显著性也是小于零点零五，也就是说明这份数据是适合做因子分析的。然后看一下公因子方叉这个表，这里面就是嗯，对 a 一到 b 四这九个 题目对他进行提取的一个解释程度，这个提取值越高，也就是说明这个变量被解释的变异程度是越高的。然后再看一下总方差解释这个表，这个表里面就可以 看出我们一共提取了几个主成分，这里可以看到，嗯，一共是提取了两个主成分，然后这两个主成分一共的累计解释贡献率也就是这个百分之六十八点四八。 然后再看一下旋转后的成分矩阵，这个就是呃对两个主成分进行的划分，每一个主成分主要包含哪几个小变量？ 可以看到第一个主成分主要包括 a 一到 a 五，然后第二个主成分主要包括 b 一到 b 四， 然后我们主要需要看的也就是这几个表。呃，再回过头来看一下总方差解释，这 这里可以看到，如果我们提取两个主成分的话，那他累计的解释方差也就是百分之六十八点多，这里其实我们一般是要这个累计方差百分比要 呃大于百分之七十的，现在他是小于百分之七十，说明这两个主成分对整体的解释程度可能不是特别好。 然后我们看一下，假如说可以提取三个主成分的话，那他的累积百分比就达到了百分之七十七了，这个时候就说明他的呃 三个主成分对整体的解释效果是比较好的。那现在我们怎样提取三个主成分呢？就要重新回到因子分析这里点击分 息降为因子，然后在提取这里可以看到，因为我们刚刚默认的是提取机遇特征值大于一的，现在我们想让他提取的百分比大于七十的话，那就要提取三个因子嘛，这里我们就手动输入三， 选择固因子的固定数目，然后输入三，再点击继续，这样的话他就会生成一个三个因子的结果，点击确定看一下 哦，总方差解释这里你看就提取了三个主成分嘛，这个时候他的累积百分比就达到了百分之七十七点四九七，这个效果就 是比较好的。然后看一下旋转后的成分矩阵，这个时候就是提取了三个主成分，然后第一个主成分主要包括 a 一到 a 四，第二个主成分主要包括 b 二到 b 四， 第三个主成分可以是包括 a 五 b 一这两个小维度的，这个就是呃，我们手动的选择提取几个主成分的方法。 好，以上就是因子分析的操作步骤和结果的解读。

哈喽，小伙伴们，毕业即将至，很多同学拿到数据时重复性的数据，那么要进行一些分叉的分析和显著性的一些分析啊，才能够完成整个的论文。那么这期视频呢，就给大家说一说如何用 spss 进行快速的数据上的分析和处理。 开这个软件呢，首先看下面有一个数据试图和一个变量试图，数据试图呢就像我这样，然后输入两列数据就可以，然后变量数图呢是对 你的呃数据试图的一个定义，或者说是一个属性，那么他的这个零零一，第一列的话是数你的字别量，第二列的话是数你的音变量，看一下第一列在这边，第二列在呃另一边，然后呃这个 类型这一部分你可以改一下他输的数据的一些格式，你可以把它输成呃一些文本啊，或者是数据什么的，你可以自行的改正，然后可以改一下这个小数点的位数， 嗯，这是咱们经常用的呃两个地方，然后甚至可以改一下就是这个表格的宽度。那 那么呃这个第一列式自变量我们应该怎么说？比如说我这个实验是分为五个时期，五个阶段，那么每个阶段做了三个重复性的实验，那么我就把它都标为一， 然后第二个阶段就都变为二啊，比如说你第一个阶段可能是加呃十毫升的用量，或者是说呃是一个呃植物的不同的采收时期， 都可以啊，去自行的定义，只要你呃能够把你的定义和你的实验的这个呃自便量对应上就可以。然后我为了方便呢，就用一二三四五表示， 呃，这第二列呢，就是你在呃每次实验后做出的数据，你可以直接从你平时的实验记录本或者是一个赛欧当中直接粘贴过来，然后 后就开始咱们的呃数据的处理的部分啊，直接可以点击上面的分析，然后这里面有一个比较平均值 以及这个单因素方式分析。呃，注意这个呃音变量的这个列表，一定要输入这个音变量，不要和那个自变量搞反了，然后咱们音变量时第二列，自变量时第一列，然后再选择这个时候比较，然后就像我这样选选择一个 s lsd， 途径 sb， 还有一个沃尔顿坦，嗯，然后咱们的显著性水平设为零点零五，因为零点零一就是极显著了吗？然后选择继续嗯，选项，这边再点击一下，然后把描述和方查其性检验勾选上，然后点击确定，就可以 进入这个数据分析的结果的界面了。嗯，这个单项的话，我一般都是把这个嗯实验的名称就打在这里面，作为一个文件夹的名称吗？然后这一列的描描述，呃， 描述这里的话是有计算这一些数据的平均值，方差这些，呃，你用 excel 做是一样的。呃，所以的话就如果大家 粘贴这个呃描述的话，可以直接右键，然后把它保存为不同的格式，如果说你只想粘贴某一个格的数据，你可以说点击他，然后让他变黑，然后勾选这一区域的数据。 那么这边讲完了之后是比较重点的是这个多重比较啊，多重比较就是在分析你的显著性，这边就是刚才用的啊，咱们勾选的 lsd 吗？然后大家都知道这个星号是表示你这个是 实验是否具有显著性？呃，有一个信号的话，就表示你这个实验是有显著性的。呃，这边实验你看有一个显著性的一个说明，前面这个没有的话， 其实他是零，是显著性，是零点零零，然后后面没有没有算吗？就是其实他已经是极显著的了，咱们已经定义零点零五是显著的。呃，他前面只打了一颗星。如果是说你最后做的数据的表格里面，其实他是可以打两颗星的吗？因为是极限柱。 嗯，然后这边比较难看懂的是，呃，这第一列已经和第一组输血，已经和第二组、第三组、第四组、第五组比较完了，他都是有 信号的话都是显著的，但是这个第二组数据又跟一三四五进行了比较。那么为什么要进行比较呢？呃，这一块的话，一跟二、三四五比较，只能说一跟二、三四五是有显著性的，但你不能说明。呃，二跟三也是有显著性的，是吧？你 跟二比完了是有显著性的，二跟一比完也是有显著性的。一般这个东西都是对称的吗？但是你不能说明啊，二跟三是有 显著性差异的，所以说，呃，就是这一轮比完了之后还要再比一轮。嗯，这边数据的话基本上都是有显著性差异的，说明你的实验数据是比较好的。但是也有这个第四组和第五组数据进行比， 他是显著性这一栏，这一边是。呃大于零点零五的嘛，所以他就没有标星说明第四组数据和第五组数据他们之间是没有显著性差异的。嗯，这个实验的数据只只有你有显著性的。嗯，差异，你才 才能说你这个四面量有影响到一面量吗？不然的话你没有差异其实是没有太大的意义的，也不能说没有意义，也只 比如说你这个自备量没有影响到他，然后，嗯，最后拉，拉到这个。呃，乌罗洞坎这边，这 这边的话就是，呃，你要怎么去标你的建筑性？第一种方法就是标星吗？啊，那个是比较简单，但是也有这种 标字母的。嗯，大家对标字母的这个可能一直不太熟悉。呃，先跟大家说这个文献该怎么看，比如说，呃，这个柱子上面标的是 ab， 这个柱子标的是 a， 这两个柱子有同一个字母 a， 那说明他们俩之间又不显著，但是呃，这个第一个和第三个柱子之间他们之间是没有相同的字母的，那我们开玩笑的时候就知道，呃， 这第一个和第三个是有显著性的差异的。然后除了有这种柱状图的，还有这种，呃，写表格的，写表格的话直接是把它标在呃数据平均值加分叉，然后加减分叉吗？后，然后这个数值的后面。嗯， 判的话也是像我刚才说的，就是看两组数据之间有没有相同的字母就可以了， 现在标的话一般都是用这个字母去标识了，很少会用新号去标识，所以说，呃，大家要把这块就是搞清楚，那咱们自己怎么去标这些呢？嗯， 这就用到了咱们刚才勾选这个涡轮增坎。嗯，这个表格呢，看一个右下 角的数据啊，他是从下到上按照平均值的从大到小去排列的，所以这个七十六点一三，大家看到的是平均值最大的一个数，然后其次是，呃，六十五、二十六， 那么从你的右到左就开始标 abcd 啊，那么大家注意一个规则，就是同意 横行的，有重复就标同一个字母，同一数列，有重复的就标同一字母啊， 我这边的实验数据是非常的简单啊，第四组数据和第五组数据他们在同一个数列，那他们俩就都标的就可以了。还有种情况是同一横行的，可能也会有 在一起的啊，像这种情况一定要先标数列， abcde， 标完了之后再去标你的。很好啊，比如说这个第七组和第八组数据，他们是 没有显著性差异的，因为他们在同一个横行吗？那你可以标西，也可以标地，但是一般情况下都是标西的，因为标那个平均值大的吗？然后这样的话就可以做出那个字母标记法的分析的表格了， 然后这个数据一定不要扔掉，如果是你投稿的话可能会，嗯，杂志社会要你的原始性的数据和一些分析，如果说交 有论文的话啊，这个文件你保存或者是不保存都是啊，无所谓的。嗯，那么今天的视频呢，就到这里了，嗯，喜欢我的小伙伴呢，请一箭三联，爱你们哦。

呃，大家好，今天开始录制的是英子分析，用的还是北师大马秀琳老师的教材。 其实在录这个之前，我还是有比较多的疑惑的，在查一些文献资料的时候来准备讲这个课。英则分析，我本来以为他是一个比较 比较简单的，其实确实也比较简单，但是感觉他用的用的范围相当的广泛， 怎么说呢，后面大家也会知道他，我感觉他用的地方会比较多。首先讲一下什么是因子分析，我们知道我们 大家看看这一个问卷啊，对大二大学生活的一个满意度的调查，我们可以看到他这里有十一道题，前面两个总题，后面九个分题，十一道题。但是你想一下，这些题 难道都是必要的吗？或者说会不会有两道题他基本上反应的东西是同一个，比如说你对大呃，多媒体教室， 多媒体教室的环境和一个啊，这点看不出来。比如说第一个吧，你是否适应在大学的生活和你对学校教师授课的总体情况是否感到满意？大家觉得这两道问题， 这两个问题他有没有联系的地方，其实一看就是有的，对吧？因为如果你对教师授课的总体情况感到满意的话，那么基本上也说明你 可以说明你是适应了大学生活的。也就是说一般如果有同学填第一个问题，选的是 a 选项，很不适应，那么对这个教师授课的总体情况，一般也会选 a， 很不适应，很不满意。也就是说可能在某些方面他们反应的问题 是一样的，比如说教师上课的情况和教师使用 ppt 的情况，其实他都是对教师教学的情况一个呃，一个同样的反应，所以说英子分析是什么呢？英子 分析就是把这些很多个问题去提取他一个公共因素，也叫做他的一个前述性，就是把他提取出来， 把多个问题用更少的、更简洁的几个变量来表达出来，其实他就是一个，大家也可以想到就是一个降维的思想，对吧？因为他就是一个化减的过程，一个去提取供应素的过程。 好，现在讲的他的概念。那么我们来讲一下怎样的数据适合做音质分析。 首先第一个要求就是你必须是具有层次相同的若干分项变量，不能是总分型变量，也不能。是啊，反正就是层次必须相同的一个 个分相变量。什么意思呢？大家？我给大家看一下这个， 看一下这个数还是这个。大家看这个。第一个问题，你对当前的大学生活满意吗？ 然后第二个问题，你对当前的家庭生活满意吗？大家其实看到他其实就是一个总的变量，然后后面的几个你是否适应大学生活？多媒体教室啊，授课情况是不是都可以归属于到你这个大学生活里面？ 是不是？所以说这样来说，这第一个问题对大学生活感到满意，其实就是一个总变量，一个总像，然后后面几个你是否适应啊，多媒体教师啊，受到情况等等，其实就是 一个分项，也就说大家在做因子分析的时候，你必须是具有层次相同的若干分项变量，也就是说你不能，你不能同时把这一个问题和其他的问题放在一起进行分析，你只能把这些分项放在一起分析， 所以这就是他的一个要求，第一个要求，然后第二个要求， 各变量之间存在亲疏不同的关系。什么意思？就是某些变量有很强的相关性，某些变量又有很弱的相关性。 可能大家不太理解，为什么又强又弱啊？我给大家举个例子，比如我这边有三个变量，然后这里有三个变量， 想一下什么叫做某些变量之间有较强的相关性，是不是这三个变量之间有较强的相关性，所以他们才会聚在一起，才可以提取一个供应素， 对吧？然后这三个变量有较强的相关性，所以他们也可以聚在一起提取一个供应素，对吧？然后呢，某些变量之间有很弱的相关性，你看一下这三个变量和这三个变量之间，他们之间的相关性是不是很弱的， 对吧？所以说他这个亲属关系，就是你能聚成一类的变量之间，他们之间的相关性很强，然后你这个变量与这一些另外一个变量之间，他们之间的相关性又比较弱， 就是他既有很亲密的关系，变量之间，然后变量之间又有很弱的一个很疏远的一个关系，只有这样的数据，这样的一个整体的数据才可以做因子分析。 那么我们怎么去判断他这个很亲密的关系和这个很虚弱的关系呢？怎么判断呢？就是用这个 kmo 和巴特利特球星检验，大家看这个是不是很熟悉啊？其实就是在之前讲笑度检验的地方， 消毒检验的地方是讲到了这个巴特利特和 km 检验，也正是因为我刚刚开始不是说我觉得他应用比较大吗？然后又觉得有点复杂什么的，其实就是在消毒检验里面 这个因子分析用的很复杂，在我看来有一点复杂，反正给我弄了好久。 好，那我们来讲一下 kmo 和巴特利特检验怎么来去判断他的一个亲属关系呢？就如果你的 kmo 的值大于零点六，就说明你他的一个变量之间就这两这几个变量之间有较强的相关性。 如果你的巴特利特显著性小于零点零五，就说明你这个这两个变量之间有比较疏远的关系。 就是通过一个 kmo， 一个巴特利特，一个判断他的一个相关性，一个办他判断他的一个疏远性，那么这样就可以，如果两个都符合的话，那么他就可以做因子分析了。先给大家直接来判断一下 这个量表的一个 kmo 和巴萨利特减，大家看到这是一个九个问题，然后加上前面两个总问题，对应的就是这个量表的大学生活，他们是一对应的，从边梁石头也可以看到。 那好，我们现在来分析一下它的一个 kmo 和巴特利特检验在降为音质分析。 啊，点错了，分析降为音字怎么会没有呢？稍等一下 啊，我调理一下把它调回来了。在分析降为因子分析里面，大家可以看到我这些问题现在都有了，刚刚说 的一个做英子分析的一个前提是什么？不能放总分型变量，对吧？所以在这里的情况，第一个我不能把这两个问题还有前面的一些基础信息放进去，我只能放后面的分项变量 把它放进去。然后我要做的是 kmo 检验，在描述这里这有个 kmo 和巴特利特的球形检验，然后确定，然后点确定，然后大家可以看到一个 这里有他的一个结果。下面的不看，下面的是那个英子分析的内容， 大家可以看到他的 km 是零点七五七，然后显著性是呃，零点零， km 大于零点六的时候还有显著性小， 有零点零五的时候，说明这个数据是适合做因子分析的。刚好我们这两个一个是大于零点六等于零点七，一个小于零点零五是零，所以说我们这个数据是可以做因子分析的。 那么接下来讲一下，知道了这个数据做因子分析，按道理来说我们就应该去给他做因子分析，对吧？在做因子分析之前，给大家讲一下这个 它的一个原理吧。我们知道因子分析是降为，它是把很多个变量的问题，然后去给它降成提取供应素，把它用更少的变量来解释它， 他的思路是什么呢？他是基于众多的变量和他的取值，从中提取能够比较反应全面的，反应事务性质的若干个供应素好，我们首先众多的变量及其取值，我们把它设为 x， 比如 x 一、 x 二，我把它指 x 二等等 xi， 然后提取出能够全面反映事物性质的若干个公共因素 c， 我把它设为 c 一、 c 二，一直到 cj。 好，现在大家知道了 x 是什么意思吧？就是你原来的问题，原来的众多变量好， c 是什么意思？是你提取出出来的公共因素，对吧？好，最后你是可以得到一个 方程的，就是 x 等于 n， 比如说 xi， 你就等于 ni 一乘以 c 一，加上 ni 二乘以 c 二。好，我给大家解释一下这个公式。这个方程，首先 xi， 大家知道是众多变量，就是你原来的问题， c 一是你提取的 公因素，就是你一个公因素 c 一。那这个恩爱一是什么意思呢？它叫做因素在和， 比如 n 三二就是第二个公共因素对第三个变量的影响力。好，驾驶好，假设这个 i 是一， n 一一是什么意思？就说明你这个第一个公共因素 c 一对于 x 一 x 一的影响力，这个 n e e 代表的就是这个影响力的大小。其实我在之前有一节稍微讲了一下， 所以这个方程的意思呢？就是说明你对于众多变量，就是对于某一个问题， x 一 他有几个供应素组成的，他由 c 一、 c 二和其他的一些供应素组成。然后前面有一个因素载鹤，对吧？这个因素载鹤就说明了这个供应素对你这个问题的一个影响力。 好，大家现在可以看到这一个观测量不就是我们的原始问题原始的一个变量吗？然后我们可以提取 c 一、 c 二、 c 三这一些公共因素， 然后每一个公共因素对于你这个观测量都会提供一定的影响力，对吧？这个影响力的大小就是你前面这个系数，嗯，来表示的。 然后最后你把每一个观测量用他的公共因素来表示出来，这后面其实还可以加一个残叉，这里没有加， 就是每一个表示出来之后，你会得到一样这个方程式，对吧？这个方程式，然后你就一个方程组啊，你把这个方程组他的这些因素载荷，他的系数给他提取出来，最后是不是就可以得到一个举针？ 当然讲到这里后面就没必要再讲了，那我们就可以知道这个举证他的作用是什么，他就是我们做因子分 分析所有的一些方法的基础，我们所有的因子分析的一些原理啊什么的都是基于这个举证来做的， 大家只要吃到这里就可以了，就是利用这个矩阵进行各种运算处理，最后提取一些供应子啊什么的，都是从这个地方开始出发的。 嗯，那接下来就讲一下用子 boss 做因子分析的一些流程，还有一些结果的解读吧。 直接把数据调上来啊，还讲，还是讲一下那个方法，就是你有什么什么方法啊？不行还是先讲一下这个特征跟，哈哈，太多样这样的了，就这个有一个特征跟 他不说供应素 c 是对所有变量的一个总的贡献量吗？所以他就叫做一个供应素的特征根。 嗯？什么意思呢？这个特征跟的意思大家在这里记一下就行了。就是说这里不是有个 c 一吗？然后前面有一个在后吗？就是表示的这个这个在后表示就是 c 一对这个变量的一个贡献量，对吧？然后 他是供应速 c 对所有变量的一个总共限量，也就是说你这个 c 一，因为你 c 一不只对观测量一有贡献，你还对观测量二有贡献，观测量三有贡献，也就说这个 特征跟他就是你这个嗯嗯起的一个总和，所以他就是一 一个总的贡献量，所以他就是一个特征根，只有特征根大于一的公共因素才会被保留，只有这样的因子他才能够提取，只有这样的才会被提取成一个供应素。 然后接下来是一些提取方法，当然这里光讲概念可能大家也不太清楚，就是有四个方法，一个主成分分析法，然后未加全的最小平均法，然后极大自然法和主轴因子分解法。 四个原理我不讲，用的最多的是主成分分机，一般大家用这个主成分分析法就够了，直接开始吧，因为我们刚刚已经做了这个 km 和巴特利特警， 知道了他是适合做因子分析的，所以我们这里就不做了，那么我们直接开始做因子分析分析，降为因子，我们把这些分量拉过来了，然后 写一下，选一下一些选项，这里就选这两个吧，相关性勾一下，这两个 啊，爱勾不勾，我勾一下，然后提取，看这里有方法，对吧？刚刚说了四个其实有很多，但是用的最多是主成分，大家选主成分就行了，找一些举证，用相关性举证吧，碎石图也可以勾一下， 然后基于特征跟就是大于一嘛，就是刚刚给大家讲的那个特征值， 给大家看一下，这是一个特征根就大于一，最大迭代次数旋转，这里等一下讲，等一下会讲到 这个地方也挺重要的。然后得分，这里大家也可以保存一下一些纸什么的，巴特利特啊，回归啊，一些纸得分矩阵， 然后这里是对缺失值的一些处理，这里排除个案，就是 如果你这个数据里面有缺失的话，他就会给你排除掉，但是如果你这个就是你的数据量比较少的话，你就可以把它替换为平均值。确定 好，大家可以看到我刚刚勾了一个相关性举证，这里就是一个相关的关系。嗯？ 什么意思呢？显著性单位，大家可以看到这个动作标示应否和这个多媒体教室他的一个 p 值显著性小于零点零、零点零五，就说明他们是相关的，就说明这两个问题之间他有相关性，懂吧？ 你看教师教学啊，和多媒体教室有相关性啊，只要小于零点零五就说明有相关性，像这种住宿条件和这个教师教学就没有相关性了，对吧？ 然后这个住宿条件和这个教练像，也没有和这个住宿条件和这个啊，图书馆啊，教师教学看错了， 基本上都问题之间都是相关的。巴特力特表示适合中英子分析。大于零点六，小于零点零五， 然后公音字方叉，他是什么意思呢？他是一开始的时候就假设你是有几个问题，就设为几个公音字，一开始给你假设的 好，这个图就很关键，大家可以看这个图，这前面是什么意思？就是特征跟的意思，第一排这个总计就是特征跟一点九，四点二。刚刚我们有一个 讲了一个，只有你在特征跟大于一的时候，你这个公共因素才会被保留，大家可以看到他特征跟大于一的情况有几个？有两个，对吧？也就是说你把 这八个问题最后提取，提取公共因素只能提取两个成分，就是两个公因素，因为只有两个，他的特征跟大于一。然后后面这个 就是说明你这个公共因素的影响力，这个影响力是百分之四十六，这个第二个公共因素影响力是百分之二十二，也就是说这两个因素加起来就能对你这八个变量有百分之将近百分之七十的影响力。 所以说你最后提取了两个供应素，然后碎石图，就是说明你一个特征跟大于一的情况有几个，一个，两个，对吧？这个差一点点，所以他不算，大家也可以看到是零点九，他没有到，所以你最后 提取的是两个供应素。好，接下来就是对结果的解读了，大家可以看到这里有一个成分举证， 大家看这个举证其实是不太好解读的，我们提取了两个供应素，一个是一，一个是二，对吧？两个，然后用这两个供应素来表示这九个问题，但大家可以看到你这个成分举证一， 他在所有的问题的影响力上都比较大，就说明你这个成分一，他不能够 表述的很清楚他这一个供应素的话，但是大家看一下成分二，他在网络环境下， 住宿条件、伙食情况下，他有一定的影响力，然后在其他的地方都比较小，甚至是富的，也就是说你这个组成分二，你就可以比较被容易被读取，在这个三个，大家可以把它稍微读取一下，怎么读呢？ 你看伙食情况、网络环境、住宿条件，在成分二上他的表现情况比较好。我们知道因子分析，他是提取供音子吧？大家可以看这三个问题，他有什么？ 有什么公共因素，对吧？基本上就是一个学校的一些环境，硬件环境，对吧？ 也就是说最后你提取的一个公共因素二，很可能就是一个学校的硬件啊，也不说硬件吗？ 就是一些生活环境的情况，生活饮食环境的情况， 但是这个成分因你是读不出来的，所以我们现在要用另一种方法让他成功的读取出来。 好，那我们用什么方法呢？分析降为音质分析，在刚刚我给大家讲了一个旋转，对吧？就是旋转的时候我还没有讲，我说这个很重要，那现在我就给大家用一下， 那这么多旋转方法用哪一个呢？给大家看一下 旋转方法的一些原理。首先你对成分旋转的一个必要性，他是为什么要旋转？大家也看到 刚刚有一些是读不出来的那个成分因我是读不出来的，所以现在我通过旋转要找到一些最优情况，就是各个组成分上粘合数量差不多的同类变量， 就是我要通过旋转让他读出来，然后这就是一些旋转的方法最大方差啊，四次方正交啊，然后平均正交啊。好，现在我就用一下这几个方法，用一下最大方差吧。 today， 按一下 旋转后的成分曲针。好，大家现在可以看这个，一个经过了一个最大方差的 旋转之后，大家可以看到这个矩阵的一个图啊，有点小， 没事将就着看吧。啊，截个屏吧，我感觉这个确实还是有一点小， 大家可以看一个旋转之后的成分的图，我们知道之前这一列主成分一，他的数字都是非常大的，我们读不出来。主成分二，只有在刚刚在伙食情况、网络环境和注册条件下，我们把它读出来了。 那现在大家看一下这个能不能读出来，我们可以看到他在适应否啊，多媒体教室啊，教师教学、图书馆教材的情况下，他的值都比较大，对吧？也就是说 他在这些方面有较强的影响力。这个组成分一，这个较印象不知道是什么，先不管，也就是说在这些方面组成分一有较强的影响力，然后 主乘方二在伙食情况、网络环境、住宿条件，最多加上一个适应，否则里有一个较强的影响力，那么最后我们就可以得到一个结果。我们不看这个图看的不清晰，我们看这一个， 这是一个科，这是一个创业，创业的问卷，大家可以看到他是最后提取了三个因子，然后前面的四个，他的一个再后会比较高，然后后面的中间的因子二， 在这下面四个问题有较强的影响力，然后这有一个因子三，在这中间三个问题有较少的影响力，所以最后他就可以提出三个因子，而且这三个因子就对应着一些问题，是不是大家可以看到他对应的是一些问题， 那么我们最后就可以去提取出这三个供应词，它到底代表着什么？大家可以看到， 首先公因子一，他对于这四个问题是什么？都是什么？科技发展，对于创业，科技发展、网络创业、网络，然后科技创业， 那么我们就可以知道这个因子耶，他其实就是科技相关的，就是科技对于创业的相关内容， 然后看一下英子二下面四个问题。学历受教育程度、修教育程度，然后受教育水平，那么我们就可以知道公英子二很有可能就是受教育水平对于创业成功的影响。 然后看一下英子三社会关系，社会关系，社会关系，那么公英四三很有可能就是社会关系对于创业因素的影响。所以最后我们就可以提取三个公英字，第一个是科技，第二个是 受教育程度，第三个是社会关系。所以最后我们也可以把自己的表读一下，就可以读取出一个因子分析之后的结果。那最还是回到最 最开始，最开始我们讲那个因子分析，他的概念是什么啊？ 是提取一些公共因素，对吧？提取一个前面量，那么我们刚刚通过的一些操作去提取了一些前面量出来，对吧？从那么多问题当中，从那 很多问题当中来提取了一些公共因素，提取了两个，两个主成分，两个主因素，对吧？所以我们说因此分析在这里是已经完成了， 而且 spa 时尚怎么去做，我也教了大家分析，然后降为，然后因子分析，把这些移过来之后，然后通过一些 操作啊什么的，然后最后确定得到了一些旋转举证，通过你这样的旋转举证去读取结果，最后提取供音词到这里。

sbss 操作步骤讲解系列第十九课探索性因子分析 探索性因子分析用于检验量表的结构效度情况，先采用 k 梦和巴特利特球形度检验检验数据是否适合使用探索性因子分析后采用主成分分析提取供音子最大方差法对提取的供音子进行旋转。 第一步，将数据导入 spss 中并复制后点击分析降为因子。 第二步，进入图中对话框后，先将量表提像放入变量框中，点击描述勾选 k 梦和巴特利特球形度检验，点击继续旋转，勾选最大方程 夸法，点击继续选项勾选排除小细数绝对值如下，框中输入零点五，点击继续确定。 然后探索性因子分析的 k 梦和巴特利特球形检验供因子方差，总解释方差成分矩阵，旋转后的成分矩阵结果就出来了。 结果出来后，将旋转后成分举证结果粘贴复制到表格中后，将供应子方差下的提取数据放入表格右侧，再将 k 梦和巴特利特检验结果，即总解释方差中的初始特征值和累积方差百分比放在表格的下方。 观看完记得点赞关注哟，可以带座指导学习交流！

一秒搞懂因子分析结果做因子分析需要重点关注这三个指标， k 某值用于检验是否适合因子分析的指标，一般大于零点六即可。 birtwitch 球型度检验对应的屁值小于零点零五则说明适合进行因子分析。分叉解释率是因子 取的信息量累计方差解释率是所有因子提取出的信息量，该指标值一般大于百分之五十即可。用 so 做因子分析不仅可以得到多样化图表，还有智能分析分析建议帮助你理解表格指标，你学会了吗？如有其他疑问，请在评论区告诉我。

好，我们今天要学习的是量表数据如何进行分析。首先我将量表数据的分析步骤列了一个 word 给大家看。首先是进行性度检验，采用的是克隆巴赫系数，在性度检验通过的基础上，采用效度检验，采用的是 k、 m、 o 系数。 然后当克隆巴赫系数和 km 系 km 系数都达到了零点七级以上的时候，就代表量表和分量表的性度和效度是良好的，就可以做接下来的统计分析。接下来对数据进行因子分析，可以看到我们这个数据能否做因子分析。 以下是判断能否做因子分析的条件。接着进行相关性分析。相关性分析采用了两种系数，一个是朴训系数，一个是斯表曼系数。这两个系数的适用条件是不同的，一个是在正态的条件下使用的，一个是 不考虑数据是否是正态都可以使用的。然后接着就是顺理成章是我们的正态性检验。好，我们今天要讲的就是性度检验、像度 检验和因子分析这三个板块。好，我们结合数据来看。首先我们看到这个数据，我现在框的黄色的部分就是第一个维度的六个小问题。然后这个呢，就是第一个维度求了一个总和，有的时候会求一个均值，有的时候求的是总和，所以看你的用途是什么。然后后面是第二个维度，也是一样的。 然后接着是第三个维度。好，我们整个问卷就是三个维度，那我们每一个维度都来做一下这个信度分析。首先点击分析，然后点击刻度，然后点击可靠性分析。点进来过后，首先我们看到第一个维度，从一感信度量这里开始， 同时按住键盘上的 shift 加 ctrl 键，然后就可以同时选择这么多，那这个就是第一个维度，选到相这里来，然后模型呢，就是这个 alpha， alpha 就是 克隆巴赫系数，你也可以选折半系数，这是看你自己的选择。我们先选个 alpha 系数，然后点击确定好。这个时候我们就可以看到他这个克隆巴赫系数是零点九四八，是非常高的，就说明这个维度的信度是非常高的。接着我们把其他两个维度也做一下， 把这些选回来，然后选择第二个维度，点击确定好。第二个维度的科龙八号系数是零点九六五，进度也是非常高的。然后我们看最后一个维度， 最后维度是零点九三九，它的性度也很高。这个时候我们来做一个总体的性度分析，我们刚才是将三个分维度的都来做了可性度分析，这个时候我们来做总体的 好，总体的一个科罗巴赫系数是零点九七五，就说明了总体的量表和分量表的性度都达到了要求，并且性度都非常高。然后性度检验就通过了。通过过后我们要进行效度检验，那么还是点分析，然后点击降维， 然后点击因子好。首先将第一个维度选过来，然后点击描述，记得这里要选 k m o 和巴特利特球形度检验，初始结可以不用选。然后点击确定，那我们第一个维度的效度就出来了， 我们可以看到这个表中它的 km 系数是零点八八五，而且它的巴特利特球形度检验，这这个 p 值是零点零零零，就说明受访者对于该维度回答的问题是非常具有一致性的，效度是非常高的。 好，那么我们第一个维度就已经结束了。第二个维度一样的方式。 好，第二个维度的 km 是零点九零七，然后这个 p 值也是零点零零零，也是一致性程度非常高。 第三个维度第三个维度呢，它是 k， m 是零点八六六，它的撇值也是零点零零，是小于零点零五的，所以它也是非常一致的。所以三者的性度和效度检验都是通过了的。然后我们现在来看一下整体问卷的效度， 点击确定好整体位置的效度呢，是零点九三三，也是非常高的， p 值也是小于零点零五的。就说明 我们整个问卷分量，不管是分量表还是总量表，他的性度、效度都是通过检验的。那好，我们前两个性度效度检验就讲到这里。然后接着是因子分析。因子分析其实在我们输出 kmo 结果的时候，他同时也就给我们输出了一个因子分析的结果。 好，我们首先看到整个界面的左侧，它这里有 这些是信度的结果，从效度开始，也就是从这，这是第一个维度的效度输出的结果零点八八五。然后接下来呢，这个矩阵呢，是成分矩阵，也就是说他在这个维度中的这几个问题中，只提取了一个成分出来， 所以他这个维度是不适合做因子分析的。然后接着看第二个维度，也是只提取了一个，然后第三个维度也是只提取了一个出来， 说明分量表都是不适合做因子分析的，但是如果把这三个量表统一在一起的话，我们可以看到他就提取了两个成分出来。这两个成分咱们来看每个问题属于哪一个成分呢？就是我们看他的这个绝对值，每个成分的绝对值。我们看到第一个 制度性度量，这里他在第一个成分上面得分是零点八五三，第二个成分上面得分是零点三四三。所以他就属于第一个成分，哪个大就属于哪个成分，如果出现了负数的话，就绝对值就可以了。好， 我们来进行一个系统的学习。因子分析，点击分析，点击降为点击因子。好，我们把所有的这个选过来了，过后点击描述。好，这里有 kmo。 点击继续提取。我们选择的是主成分提取法，然后要显示未旋转的因子解。然后我们再选一个碎石图吧。碎石图呢就可以看到他从哪一个点开始有了急剧的下降，急剧 下降过后趋于平缓，那我们就可以提取几个主成分。好，我们提取的这个方式是基于特征值，我们只提取特征值大于一的，这个是默认的条件，然后迭代次数，这些不用管。二十五次。点击继续旋转。 旋转的成分矩阵，我们采取的是最大方插法，一般都是选择的最大方插法。然后再选择一个载合图，我们就可以看到每一个问题在每个成分上面的载荷的情况。点击继续，然后得分，不用管选项也不用管，然后点击确定 好，这个时候他就输出了这么一个结果。这个第一个表呢，是总体的这个量表的 k m o 系数，也就是它的效度，它的效度是非常高的，大家可以看到是零点九三三，然后它的三也就是个 p 值， 零点零零零是小于零点零五的，也是说明题制性程度非常高。下面这个图呢就是碎石图，我们可以看到在等于二的时候，他有一个 急剧的下降，并且趋于平缓，然后这个就是我们一个参考的依据，所以估计后面提取的成分数量是二或者是三。然后往后面看。好。我们这里就看到刚才所呈现的一个成分矩阵，就是在第一个成分和第二个成分上面的成分矩阵，然后之前给大家说了应该怎么样选取它是属于哪个成分的。 好，这里就是一个总方差解释。那它最后也是提取了两个成分，它的特征值都是大于一的，提取的是大于一的解。然后这个是旋转后的成分矩阵，那我们一般看呢就是看这个旋转后的成分矩阵，然后来确定它的哪个问题是属于哪一个成分的。 这里呢就是一个载合图，可以看到它是属于哪一个象限。比如说我们提取的这两个 成分，我们就可以对成分进行命名，可以根据每个成分中所含的问题的特征进行一个命名。比如说第一个成分，你看他有是有这个易感性度量的，易感性度量很多都属于第一个成分。 嗯，还有这个保护行为度量，也就是说易感性和保护行为度量可以抽离为一个成分。然后制度性度量呢是属于第二个成分，那么我们第一个成分就可以说是自我保护的一个指标，第二个成分呢，就可以说是制度性保护的一个指标。这样的话就可以把指标进行命名，然后进行进一步的探索。 你看它这个所属的，我们刚才看到了一个是否做适合做因子分析的条件，特征值都大于一，对我们提取出来的两个成分是不是特征值都大于一，然后第二个提取的因子在其载褐上的载褐系数都大于等于零点四，这个怎么看呢？就是我们看这个旋转后的成分， 你看他第一个问题，在一二两个成分上面，最高的是属于第二个成分是零点八一六，他是大于零点四的，所以他这个是有效的，每一个都这么去看。然后最后一个判断条件是至少提取了大于一个的公因子，我们这里是提取了两个公因子，所以的话他整体是适合来做因子分析的。 今天的课程就上到这里，接下来我们会讲相关性分析以及正态性检验。

一下关于音质分析或者是组成分分析的第二种方法啊，因为有很多，现在有很多人他问我，哎，为什么？呃，有的人在第一步去标准化，有的人在做完过后，第二步做完过后，然后再去标准化，其实这是最主要是什么？主音的分析和 主因组成的分析和因子分析，他这个是有两种方法的，所以大家可能会呃迷糊，甚至有的时候会会做错，也就是这个原因。 然后现在我给大家展示第二种方法，我建议是用第二种方法，第二种方法啊，如果熟练的话，他会特别好上手，呃特别清晰。然后第一步比较麻烦，因为第一步需要转两步，就是 用 a 一，转到 b 一，再转到 z 一，然后但是第二步就只需要一步，就直接在第一步进行标准化啊，然后再进行转一下就好了。首先我们点开这个，这是这是数据，我们点完这个数据，然后就直接先标准化， 首先要标准化，标准化在哪里？在描述统计分析里面，然后我们把这所选的值进行标准化的，然后标准化为 z 值，我们在这里就直接去去进行一个标准化，标准化完了过后，呃这个就会出现这种 z 带 z 的值， 然后在飞的都是标准化的值，可以看到我这个已经标准化的，然后下面我们就是下面还是一样的，就跟第一种方法是一样的，首先我们要降为因子，然后把这这时候我们要选的是这个标准化之后的值 移过来，移过来，然后我们进行操作 降维，然后我们点描述系数 km 五指，我们一定会要的显著水水平，其实要不要无所谓，单边量描述啊，这个应该不需要的，然后相关信息这个碎视图我们也要，要的 旋转，因为是因子分析嘛，所以我们要用最大放大，如果不是因子是组成的分析的话，我们就选一个无也行，然后再和图，我们也要的， 然后继续得分，我们是保存为变量。呃，得分系数，这个我们需要的选项，这个我们就不需要，然后点击确定 这个我们就出来一个 km 五指，看 km 五指零点四八八，还行，一般是零点五以上，但是接近于零点五，我们讲视频就说啊，六十四点，六十四点八四四，嗯，这个主音就可以看到，在第四个下单， 然后一般情况下我们要百分之八十以上，然后我们应该选三个因子，三个因子之后再跑一次，就点分析，点降为点因子的，然后在这里提取里面选择这个选择三就好了。在这里我们讲视频就不做那么麻烦， 然后这里也可以看到成分，可以看到成分成分在这里，然后也可以看到这个斜斜方叉的矩阵，然后是碎式图成分矩阵， 嗯，然后我们这时候就要计算，开始计算了，点击分析转换，转换，然后这里写一， 然后因为这因子吗过来，然后乘以，记住这里不是开哥，是不是那个第一种方法那种，然后这里我们要找再和因子，是四十一点啊，四十一点四八二括号， 然后点击确定， 然后四十一点，哎，计算错了，好像是计算错了，那个计算错了，二点应该是二点二点零五八，嗯， 对，应该是二点零五八，然后再计算，然后 zl 的字， zl 的字是用它，然后乘以 s q r t s q r t 是开根号的意思，在这里一点一八五， 一点一八五，括号 啊。好了，这时候我们就会计算出 z 一和 z 二的字 a 一和 z 二值，大家可以看到在这里应该已经出来， z 一和 z 二的值已经出来， a 和 z 二的值出来过后，我们要其实要算一个思考呢，最终的一个得分，最终的一个得分他是怎么算的呢？他是用呃，这个 人，人以人啊去得出来一个人，然后我们再进去，其实再继续就是一个再继续转换的一个过程，他就是等于，呃， s c 五二一，看我呢，然后一点零六七， 然后就等于这个是我们要看一下这个在哪里，总方差减四十二点 五八，乘以零点一，然后再加上一点一八五，乘以零二， 然后再括号，然后再除以括号，二点一五二，加上一点一二五，括号，对，就是这样，然后就就可以计算出一个最终的得分了。好了，今天的视频讲解结束。

论文写作常用分析方法二、因此分析因此分析用于探索分析项应该分成几个因子，就是用个数较少的新变量代替原始变量，并且希望新变量能涵盖原始变量较多的信息。因此分析步骤，一， 判断是否适合因子分析二，因子与题项对应关系判断三，因子命名在 special 系统中选择分析方法。因此分析 上传数据后，拖拽样本至右侧分析框，选择自动输出或自己设定因子个数，一键得出分析结果。你学会了吗？

大家好，我是君磊，这期视频呢，咱们来讲一下这个因子分析的优化方案啊，那本期视频的一些资料呢？可以在公众号上回复因子分析优化来获得啊， 那因此分析的这个结果不好，通常呢有两种情况啊，第一种就是这个 kmo 值太低啊。啊，这个呢是一般是与那个相关性有关啊。那第二呢，就是那个维度数与自己预期的不相符合啊， 一种情况是与自己预期的那个数目低啊，另外一个是与这个预期数目高。那下面呢，我们来讲讲这个两种情况啊。 好，那第一种情况呢，就是这个 kmo 值，泰迪亚，那这个情况呢，一般呢就是与我们的这个数据的相关度有关啊。那 什么是数据相关注呢？我们举个例子啊，呃，就比如这样一份数据，这个数据是一个比较良好的一个数据，我们可以先测一下这个相关性啊， 看一下。那这个相关性呢，是一个呃比较理想的一种相关性呢，就是相关性程度在零点三零点四左右，就是说我这个自身这个题目跟其他题目有一定的关联，但是关联性又不是 那么大，如果都是零点七零点八的那种，或者零点九以上这个相关性就是就是他自己可能本身就已经没有什么自己独特性了啊， 像这样一个题目，他与其他题目有一定的相关性，他又又有自己的个性，那这样的一些一个数据呢，是一个比较良好的数据，所以一般这样的数据去做这个因子分析啊，他是 kmo 值啊，一般他都是都是不低的啊，我们可以看 给点拇指把它里，哎，我们来做一下这个行为，这款橘子。 好，我们可以做一下啊，哎，这个值呢？你看他那个 kmo 值呢？是在零点八啊，这个已经是非常不错的了啊，提取了两个因子啊，提取两个因子，嗯，那这个数据呢，我们再去操作一下啊， 如果呢，我们把他的这个，嗯，我在事先呢给他排下序啊，把那些都是选五的，这样的给他排在前面，如果我们降低他的相关性，就比如我们把这都选五的给他删除啊， 或者前面这一堆，这前面这一堆都是比较相关的啊，我们来删除一些，删除个一些样本，我们破坏一下他这个相关系啊，然后我们再做一下啊，再做一下。 好，你看这时候的这个 km 就是从零点零点八，对吧？零点八下降到了零点七八，对吧？零点七九九下降到了零点七八，这就说明我是把原始数据那个相关性给他打破了啊，给他破坏了一些，然后呢他的数据他 km 就降低了啊，那我们再看看例子啊， 我们新建个数据，然后这个呢，这时候是我事先准备的一个， 呃，前有 random， 就是那个，呃，那个那个 excel 的一个函数啊， random 比拖延一和到五就是生成了一个随机的数数字，对吧？也是 也是这么一些数据，我们用这个随机申请的数据去测一下这个 k m 值，对吧？然后我们做一个分析，那这数据是完全都是随机的啊，完全都是随机的， 那随机的数据他们之间是相关度是比较低的，那么这时候啊， km 这零点零点四，其实这还是算比较高的了，这说明这随机的数据里面他也有一定的一个相关度，我们测一下。 呃，你看零点一几还是有一定的啊？有一定的，只是说啊，不显著吧？不显著，但是也是有一定的一个相关度，零点二几年的啊？ 嗯，我的想表达什么意思呢？就是说 km 值是与相关性密切相关的，那 如果我们想提升我们的这个 km 值啊，一个是要把我们的核载比较低的那些题目给他删除，因为核载比较低的题目，他的含义就是说跟自己维度的那些那些题目相关性 比较差，所以优先可以剔除相关啊，和在比较低的题目。那第二呢，就是在样本入手，从样本入手就是说你可以增加一些样本啊，再去调验一些样本，他说不定就提升了 啊。所以啊，这个 kmo 值的这个优化基本呢就是从样本和题目这两个角度去入手啊，题目的话就是那个删除和再低的样本的话，你要知道什么是好样本，什么是差样本啊。那么对于这个 kmo 值来说啊，这个这样的样本随机的这样样本是不是差样本？ 那这样的样本呢，就是都是选五的那种样本啊。啊，这种对刚才我身上那些样本，这样样本反而是一种好样本。 好，我们再来讲第二个问题啊，唯独数不符，那这个问题可能是我们做问卷分析遇到的最头疼啊，最难解决的问题 之一了啊。那这个问题呢，就是我给大家提供一个思路作为参考啊。嗯，首先我们把握一个原则， 第一个就是原则，就是啊，我们这个维度命名啊，以那个核载较高的占多数题目为准啊， 就是我们不要上来就期望他提出来那个因子刚好跟我维度设置的啊，一样啊，那个太理想了啊，我们是以那个维度内的占多数的那个题目啊，核载较高的占多数题目为准啊， 那么允许少数题目跑到，跑到其他维度下，就是说如果有一两个题目创造了其他题目下，你是可以保留的啊，可以保留，但是你如果觉得实在不想保留，你就把它删除啊。好，那我们有这两个原则之后，再去看对应的这个情况，我们 进行处理哈。好，那我们接着这个数据来看一下这两种情况啊。第一个就是这个大于预期啊，也就是我们抽取出来那个数量是大于我们实际想要那个数量的啊， 我们看一下这个数据啊，我们做下这个因子分析，那这个因子分析呢？我实际上是想抽取两个因子，也是 f r 也是 pi， 那我们可以做一下这设置，我都设置好了哈。好，那实际上出来之后这个结果我们可以看到啊，特效只能大于一的有三个，也就是说它实际上是 踢出来三个啊，踢出来三个意思。我们看一下这个因子和仔的一个相声比赛啊，我们看一下他这个四五六 p i 的四五六在一起了，对吧？然后呢？一二三在一起了，然后又把 fi 的另外一个因子给拖过来了，对吧？有人说 pi 一二三加上 fi 四形成了一个因子，然后 fr 一二三形成一个因子，那这个地方呢？我们就可以进行删减了哈， 那我们再来分一下这个结果啊，那 fr 一二三他们是没有问题的，那么我们可以用这个三个题目，也就是维度三来作为 fr， 对吧？ 然后问题就出在前面这两个因子，我们保留。保留谁？我们可以将这个一二三四、 fi 四和 pi 的一二三都删除啊，只保留 pi 的四五六。将 pi 四五六来代表这个 pi 是第一种做法，第二种做法是我们把 pi 的四五六删除啊，然后用这四个题目来代表 pi 啊。我们可以先做一下啊，我们将这个，呃 pi 一二三和这个都删掉啊。 pi 一二三 这个删掉，我们来再做一下，我们看一下这个都符合两个音字，然后出来这个结果，那我们可以用这个结果作为我们的这个实际的啊，那个唯独设置， 大家有同学说我删这么多题目合适吗？还是一个乘除量表没问题啊？我们用因子分析去做的时候，我们可以将这个步骤作为我们呃，对量表进行优化，或者说我们对我们的维度进行优化，这样一个过程啊，删是没问题的啊，删没没问题你就勇敢的删啊。 然后我们再来试一下第二种做法，我们可以保留这个，保留一二三，我们把这个四五六给删除啊， 看一下这个还是啊？就是，呃，你看刚才我说到这个，允许有一个题目串到这个位置吧，对吧？我们可以将 fs 同这啊 pi 一二三一起作为这个 pi 啊，当然你就说一下，行了，我们以主要题目作为命名，将其命名为 pi， 对吧？ 好，那么这是第一种啊，就是这个维度数啊，啊，那个大于这个逾期数啊。 好，咱来看第二种情况，这个小玉系数啊，那这种做法怎么做呢？呃，比如说我想提取四个因子，结果他就给我出来三个啊，那么我们怎么做呢？我们这时候就要强制提取，我们回到我们的因子分析， 然后在提取设置里面，我们把这个也搞进来啊，我们把那个提取设置里面在这里也设置，我他他出来三个，但是我实际想要四个，我们这里显示四，然后我们再做一下看一下，那这时候呢，他就有墙 制提取了四个啊，四个因子，那这时候要注意啊，如果你的数据本身质量不 不足以支撑四个维度，或者不足以支撑我的预期啊，你的预期那个维度设置，呃，他这里就是第四个特征值，就非常小，非常小，比如像这个零点七就不足以支撑啊，如果你这时候这个特征值在零点九以上，或者是 零点八九啊，是也接近零点九，那还可以勉强说他能够提取出来啊，四个维度啊，那首先你要看这里他是不是一个比较高的一个特征值啊？零点九是一个，呃，能够接受的一个一个标准啊。 好，那这个零点九的之后呢，我们再看下面这个旋转成分矩阵，如果他多出来那个维度啊，比如这里啊，他多出来一个 f f i 二，对吧？如果多出来这个呢？他刚好是 在两个或者是两个以上，对吧？呃，就是新做出来那个维度呢，在两个两个以上，那，那他构成了一个新的维度 啊，那这时候你就可以以新出来那个维度作为你的那个啊，少那个维度的命名了，对吧？ 嗯，当然了，这个这完全是碰运气的样，有一可能是啊，有一可能是你前置踢了之后，他出来这个全都乱掉了啊，那这个呢？呃，实在不行你就把某个维度全部都踢出啊，全部踢出只保留那个啊，他踢出来那个样子啊。 嗯，那基本呢就是，呃，这几种做法，其实我们看到这个也没有什么特别好的办法，因为因此分析啊，因此分析呢，就是这样啊，他提出来什么样，我们就基本上以他什么样的那个为准了啊，只能通过这样的方法去 平合理的优化啊。当然我们还是建议啊，能用成熟量表就用成熟量表，毕竟成熟量表这个胎草性因子分析是可以跳过的哈。 嗯，那我们今天视频到这里了，我们下期再见，谢谢大家。

零基础搞定毕业论文，因此分析因此分析用于探索定量数据应该分为几个变量，因此分析可分为三个步骤，如下说明， sport 操作如下，将数据拖拽到右侧分析框，点击开始分析。 分析结果解读可以查看 spso 智能分析与分析建议，更多疑难问题可以查看 spso 帮助手册说明 你学会了吗？

hello， 大家好，我是 doctor 李，大家呢在接触统计分析的时候呢，经常有很多疑惑，比如说我无从下手分析出来的结果呢，不知道怎么样去解读， 不知道论文当中该如何选择合适的数据分析方法等等等等。接下来呢我们一起来学习 ss 统计分析，一起来解决这些疑惑。首先呢我们学习的是数据的导入， 咱们大多数人呢，大部分都是通过 windows 星来进行数据的收集，那接下来我们来看一下 windows 星收集到的数据如何导入到 spas 软件当中。首先打开 windows， 然后选中自己所所调查到的问卷，然后点击分析下载，点击查看下载答卷，再点击下载答卷数据中的按选项序号下载，由于这个速度比较慢，所以之前已经下载好了一个，大家可以看一下，这就是我们 所收集到的数据啊，这当中呢不需要的一些选项呢，可以提前删除，点击保存， 然后打开我们的 spas 软件，将数据呢导入到 spas 软件当中，点击文件打开数据，然后选择我们保存文件所在的位置桌面， 然后下面选取文件类型。 swats 呢，它兼容性比较强，很多文件类型呢都是可以进行分析的。然后我们保存的是 excel 文件，然后选中我们要分析的数据，点击打开， 然后点击确定，这样的话我们的数据就已经完成 导入到了 spas 软件当中。导入过来的数据呢，我们要进行一些标注，首先呢看变量式橱窗呢名称这一栏，我们需要对这一栏呢进行一个编码， 此次数据的收集呢，主要验证工作排斥，工作创新以及组织自尊以及网络闲逛之间的一个影响关系探究。所以说呢，这些问项呢，都是针对于这四个变量进行提问的。本研究呢，前六个主要针针对的是工作排斥， 后面五个呢，主要是网络闲逛，其次呢是工作创新以及组织自尊这几个变量。所以说呢，我们需要对这些变量呢进行编码， p， h， e， 然后依次呢在我们这些问题上进行编码。 其次呢，需要对每一个变量呢进行复值，因为我们采用的是李克特五分量表，所以说呢，哎，每一分代表什么，我们需要在这里标注，变成一，代表的是 完全不符合，然后点击添加啊，二，标签不符合点击添加。三，一般点击添加四，符合 添加五，完全符合点减六，然后确定剩下的变量呢，也是依次 将它进行复制。现在呢，各个变量的编码以及复制均已完成，接下来呢，就可以进行我们的数据分析。好，今天的课程就讲到这里，下节课呢，我们来讲一下数据的转换。

amos 操作步骤讲解系列验证性因子分析验证性因子分析需要采用 amos 软件进行检验，验证性因子分析用于检验数据的内容效度情况，它属于结构方程中较为简单的一种模型。 amos 软件可以直接打开，也可以在 s p s s 中打开，但需要安装同版本的。在 excel 表格中对数据进行预处理后，导入 s p s s 中并保存好数据。打开 amos 软件进行内容校度的检验。 打开 amos 的界面。前变量的构建，点击椭圆，在右侧白色画布中画出对应的前变量个数。 显变量的构建，选中显变量。添加图标后，在前变量上添加对应题像数的显变量框。变量整体调整，选中旋转图标，点击前变量框旋转到合适的位置， 变量整体移动，同时选中保持整体和移动图标，然后将所有的变量移动到对应的位置。 导入数据，点击导入数据后点击 file name， 找到对应数据保存位置，并选择对应的数据后点击 ok。 显变量放入显变量框中，点击数据展示，将对应的题像拖入显变量框中。选中前变量框，点击单手指图标， 选中前变量框。变量间连接相关线，点击 plug in stroke variances 变量间的相关线就连接好。调整相关线，点击改变形状，放在最外层，拖动到想要的位置， 现调整。点击变量为调，点击想调整的地方取消选定，点击取消选定变量。名称修改，点击变量设置，在名称框中填入变量名， 添加未命名的变量。长指残叉，点击点击 propines name an observed variables 添加未命名的变量名称勾选选 项，验证性因子分析中只用勾选标准化系数即可。模型保存，点击运行后选择保存的地点，按保存名点击保存。 运行完成，在运行过程中未出现报错情况，即图中红色箭头变红，按红色方框中显示结果，表明结果运行完成。 结果查看，点击结果查看模型是配度结果，点击 model fit 就可以看到 模型的适配度指标，一般主要看 seeming d f， 即 baseline comparisons 中的指标。重要的 reserve 指标系数结果，点击 estimates， 在右侧结果框中有对应的结果标准化的因子在和系数看标准化的相关性，系数结果添加，将标准的因子在和系数看相关性添加到模型图中。首先选中标准化，然后点击上方红色箭头 模型图，即结果复制，点击复制，将模型图就可以复制到表格中。 结果整理，将结果复制粘贴到 excel 表格中。首先整理的是模型适配度， seeming d， f， v， c， r 等指标，然后是根据标准化的因子载合系数计算 evernu 和 c 二值后根据标准化的相关系数与 ever 的平方根进行比较， 最后展示模型图，然后将整理的结果复制粘贴到 word 文档中，进行三线表的制作及文字解释。 学会了么？记得一箭三连呦，可以代作指导。

一百五十秒教你学会 amos 验证性，因此分析可代作指导学习。第一步，先将数据导入 spss 软件中并保存，打开 amos 插件并根据每个维度题像画模型图并命名前变量名称。 第二步，选中前变量框，添加相关信息后添加误差项。 第三步，点击图中 filength， 导入保存的 spss 数据，点击 ok。 第四步，点击图中左侧标记处后，跳出图中数据提相框后选中对应提相，放入对应的框中，助拖动提相到对应框中时，须等提相放入框中 方可。第五步，勾选图中所示选项后点击运行，然后我们需要的结果就出来了。 第六步，将结果粘贴复制到 excel 表格中进行整理，可参照图中整理结果整理。 将整理好的结果粘贴复制到 word 文档中进行表格的制作和文字描述可参照图中制作和解释。

哈喽，大家好，我是 doctor 里，今天呢我们开始学习方差分析，也就是 r 分析，它也是一种差异分析。我们要进行方差分析呢，要具备两个条件，首先是各个总体呢服从正态分布，一般情况下呢，我们调研到的数据，在随机自然的情况下，它是都是服从正态分布的。 当然了，检验正态分布者也有很多方法，我们这个呢，在以后的课程当中呢，会给大家讲解如何检验正态分布。第二个方叉情性检验， f 检验，也就是说方差要是一致的， 如果说当方叉不一致的时候，我们就没有办法分辨出究竟是控制因素，哎，对这个观测变量产生的影响呢？还是内在波动对这个观测变量产生的影响，所以说方叉一定要保持一致，这是方叉分析的两个基本条件。 方差分析呢，主要有两种，第一种呢是单因素方差分析，第二种是多因素方差分析。今天呢我们注重讲解单因 单元素房产分析的目的呢，就是为了检验某一个控制因素的改变呢，会不会对观测变量带来的显著影响，一定要记住啊，一个控制因素，下面呢可以是两个或以上的主体。好，我们来看个例子， 市场经济不景气呢，闸机店老板想要了解一下分布在不同商圈的三个闸机店的销售额情况，以便根据不同的情况呢制定不一样的营销策略。他这个呢就是一个控制因素商圈，但是这个商圈呢，下面有两或两个以上的主体，所以说我们要进行单因素化妆分析。如何进行单因素化妆分析呢？我们来打开 sports 同学软件， 好，这是我们收集到的商圈呢，它是这个控制因素，我们要了解商圈是否对销售额产生影响，然后商圈下面呢有三个主体哎，中路店啊，江南区以及宏大区这三个店的三个地方的炸鸡店呢， 销售额的统计好了，我们点击分析，在比较平均值当中选择单音算的话，分析好了，我们将商圈呢导入到因子当中，销售额呢导入到音变量列表当中，对比我们不用管。首先我们来看这个选项，首先呢一般进行基本的描述，然后检验方差其性， 好点击继续即可。然后呢我们点击事后比较，就是说如果这个商圈对销售额存在一定的影响呢，我们就要看到底是分布在哪些地方，杂技店对销售额有成影响，这叫事后的比较分析，一般呢我们来选择第一个 l、 s、 d 即可，然后点击继续好确定， 这就是我们这个单元素发展分析的一个分析结果。首先我们来看描述位于宏大的闸机店呢，它的平均销售额为六十八点一四，位于中路区的这个闸机店呢，销售额为五十九点六四， 位于江南区的闸机店呢，他的销售额是六十九点三啊，这是他的一个平均值，我们通过平均值呢也可以大概判断一下，哎，哪几个闸机店的销售额是比较高的呢？但是呢是不具有统计学意义的，对吧，所以我们来看下面。好，我们进行方叉分析呢，就要判断方叉是否齐性， 我们来看这个一般是基于品质的显著性，如果 p 值是大于零点零五的呢，我们就可以认为方叉是一直啊是满足进行方叉分析的一个条件。好看阿罗马分析的结果，他 p 值是也是小于零点零五的，也就是说商圈呢，对这个销售额是存在差异的。 但是我们调查这个商圈是三个商圈，是三个不同地方的杂技店，那到底是所有的杂技店的销售额不一样呢？还是其中两个不一样呢？我们就要进行事后检验，做成比较。这个结果来看，我们来看一下这个 宏大店和中路店，他的显著性是小于零点零五的，也就是说中路和宏大是存在显著差异的。对这个销售额，我们来看，宏大和江南区呢，他是大于零点零五的，所以说他是不显著的，也就是说宏大店和江南店的这个炸鸡店销售额呢，是没有差异的。好，我们看这个中路和宏大店， 是吧？刚才第一个已经判断了，他是有明显差异的，中路和江南呢，我们来看他是小于零点零五的，也是有显著差异的，也就是说中路和江南区呢，他是存在差异的，对这个销售额 好，这个也是一样的，也就说明了呢，这个平均值，恒大和中路呢，看他们的平均销售额是存在形成差异的，而中路和江南呢， 他也是存在系数差异的，而恒大和江南呢，他是几乎是没有差异的，这就是我们这个单元素方向分析的一个过程和结果。那么我们分析出来的这个结果呢，如何进行解读呢？我们一起来看一下。首先呢，我们需要将这个 描述的这个表格呢要放在自己的论文当中，还有这个阿罗马分析的表格，以及我们看到这个多重比较，如果说这个 p 值是大于零点零五的话，也就说商圈对这个销售额是没有影响的呢，也就没有必要进行下一个分析了。 好，我们进行简单一个文字叙述即可，然后道出中路和加蓝区，以及中路和宏大的销售额是存在显著差异的，这就是我们讲的单因素方向分析以及如何解读。好，今天的课程就讲到这里。