pasos detallados del análisis factorial spss
Pasos detallados del análisis factorial
Prueba de KMO y Bartlett
Utilice el análisis factorial para realizar una investigación de concentración de información Primero, analice si los datos de la investigación son adecuados para el factor. análisis De lo anterior Como se puede ver en la tabla: KMO es 0,876, que es mayor que 0,6, lo que cumple con los requisitos previos del análisis factorial, lo que significa que los datos se pueden utilizar para la investigación del análisis factorial. Y los datos pasaron la prueba de esfericidad de Bartlett (p<0,05), lo que indica que los datos de la investigación son adecuados para el análisis factorial.
2. Tabla de tasas de explicación de la varianza
Se utiliza principalmente para juzgar cuántos factores es apropiado extraer. Así como la tasa de explicación de la varianza y la tasa de explicación de la varianza acumulada de cada factor. Cuanto mayor sea la tasa de explicación de la varianza, más información contienen los factores de los datos originales. En el análisis factorial, nos centramos principalmente en la parte de datos rotados.
De la tabla anterior, podemos ver que la tasa de explicación de la varianza acumulada es del 78,213%, lo que significa que los cuatro factores extraídos pueden extraer el 78,213% de la información total de los 11 ítems, y la varianza de los cuatro factores Las tasas de explicación (cantidad de información extraída) son: 21,407%, 21,277%, 20,807% y 14,723% respectivamente. La cantidad de información extraída está distribuida de manera relativamente uniforme, lo que indica de manera integral que los resultados de este análisis factorial son buenos.
Nota complementaria: si el investigador no preestablece las dimensiones. Al seleccionar la opción predeterminada, SPSSAU utiliza de forma predeterminada una raíz característica mayor que 1 como estándar. Por supuesto, el análisis factorial generalmente requiere un juicio integral basado en el propio conocimiento profesional. Incluso si el valor raíz característico es menor que 1, aún se pueden extraer factores.
3. Tabla de coeficientes de carga factorial después de la rotación
De la tabla anterior podemos ver que los valores de identidad correspondientes a todos los ítems de investigación son superiores a 0,4, lo que significa que la relación entre los elementos de investigación y los factores Existe una fuerte correlación entre los factores, y los factores pueden extraer información de manera efectiva. Finalmente, los cuatro factores condensados fueron nombrados respectivamente: dimensiones A, B, C y D.
4. Gráfico de grava
Al mismo tiempo, el gráfico de pedregal se puede combinar para ayudar a juzgar la cantidad de factores que se extraerán. Cuando la polilínea cambia repentinamente de pendiente a suave, el número de factores correspondientes a la pendiente y la suavidad es el número de factores de extracción de referencia. En la investigación real, se utiliza más el conocimiento profesional, combinado con la relación correspondiente entre factores y elementos de investigación, y una ponderación y juicio integrales para determinar el número de factores.
Instrucciones complementarias: ponderaciones de cálculo de factores
6. Matriz de coeficientes de puntuación de componentes
7. Diagrama de carga
El diagrama de carga se utiliza para mostrar. cada uno Con respecto a la relación entre factores y valores de carga, se recomienda utilizarlo en función de la situación real.
Primero: si extrae 1 componente (o factor), no puede mostrar el diagrama de componentes de carga.
Segundo: si extrae más de 1 componente (o factor), sí puede; Cambie de forma independiente para ver el diagrama de carga correspondiente.
El eje X y el eje Y se pueden cambiar de la siguiente manera:
8. Coeficientes de combinación lineal y resultados de peso