怎么解读SPSS做出的主成分分析结果 一般要读KMO、碎石图、累计解释率、共同度、因子最大正交旋转后的rotate图
急急急！SPSS主成分分析都要把旋转中方法设为最大方差法吗，公因子问题请教 最大方差旋转2113 只是其中的一种旋转方法，因5261为该方法旋转后的结果很4102清楚，所以1653一般默认选择都是这种方法至于你做主成分分析 是需要看你的原始数据情况的，如果你原始数据变量就很少，不超过三五个这样的，就没必要做主成分分析。看看你的数据应该是做主成分分析的变量也就只有2个吧 这样根本没必要做主成分分析
SPSS中主成分分析结果问题，急！！！！ 因子分析（你这里使用主成分法做因子分析）的好坏主要就是看看KMO，特征值方差贡献率，共同度和因子载荷，如果都比较好（一般就是说KMO值0.8以上，方差贡献率起码0.4，共同。
关于主成分分析的主成分选取，我有4个主成分特征值大于1，到第四个其累积方差有96% 纯讨论哈。仅取前五项进行分析的结果能再算一次吗？不用10个了。
SPSS主成分分析时，是不是得到的方差百分比就是贡献率，累计百分比就是累计贡献率？？
请问做完主成分分析后怎么看各个波段的成分以及特征值贡献率 做完分析后会有贡献率的文档，打开一看就知道每个主成分对应各个波段的贡献率是多少了。主成分不是用来分析相关性的，要分析提取主成分后再进行相关分析。total就是特征值，%0f variance 方差贡献率，Cumulative累积方差贡献率
在因子分析中，怎么算方差贡献和共同度，请举例说明。 贡献率(%)=贡献量(产出量2113，所得量)/投入量5261(消耗量，占用4102复量)×100%贡献率也用于分析经济增长中各因素作1653用大小的程度。计算方制法是：贡献率(%)=某因素贡献量(增量或增长程度)/总贡献量(总增量或增长程度)×100%。样本中各数据与样本平均数的差的平方和的平均数叫bai做样本方差；样本方差的算术平方根叫做样本标准差。样本方差和样本标准差都是衡量一个样本波动大小的量，样本方差或样本标准差越大，样本数据的波动就越大。显然 方差贡献率 是指贡献率的波动情况，累计方差贡献率就是指贡献率的波动情况的累计。扩展资料：因子分析的方法有两类。一类是探索性因子分析法，另一类是验证性因子分析。探索性因子分析不事先假定因子与测度项之间的关系，而让数据“自己说话”。主成分分析和共因子分析是其中的典型方法。验证性因子分析假定因子与测度项的关系是部分知道的，即哪个测度项对应于哪个因子，虽然我们尚且不知道具体的系数。探索的因子分析有一些局限性：1、它假定所有的因子(旋转后)都会影响测度项。在实际研究中，我们往往会假定一个因子之间没有因果关系，所以可能不会影响另外一个因子的测度项。2、探索性因子分析假定测度项残差之间是。
SPSS软件主成分分析中可以通过累计贡献率85%这种方法来选取主成分吗，即软件分析出来的结果已经大于85%谢 因素分析的主要目的还是简化题目的结构，把多数单个的题目进行归类，归为少数几个因子，所以在spss里面因素分析在降维菜单下。因此，因素分析最主要的还是要用最少的维度来贡献最多的变异，这应该才是最主要的标准。即便贡献率超过85%，也要看：第一，是否产生了过多的维度，维度过多因素分析就意义不大了；第二，是否有些维度的贡献率偏低，贡献率偏低的话不要也罢。事实上对于做研究，40%的累积贡献率已经算是可以接受，50%以上就可以作为实际应用的标准了。倒是85%显得过于严苛。当然如果能达到这个水平且维度少，每个维度的贡献率又都比较高，那就很理想。spss做因素分析选取主成分个数的标准一般就是两个：第一是特征值，大于1的提取出来，这只是个大概；第二是参考碎石图，看看碎石图拐点出现的位置，看看图从什么地方开始趋于平缓。综合这两点，然后再看看累积贡献率是否合适，就可以完成成份的选取。
累计方差贡献率和方差贡献率是什么关系SPSS中~~ 各方差贡献率相加和等于累计方差贡献率。主成分分析的重点在于解释各变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。主成分分析中不需要有假设，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，特殊因子之间也不相关，共同因子和特殊因子之间也不相关。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，主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。扩展资料：利用因子分析法分析累计方差贡献率和方差贡献率：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，e799bee5baa6e79fa5e98193e4b893e5b19e31333431356637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。
主成分分析结果怎么看 最低0.27元开通文库会员，查看完整内容>；原发布者：20085718相关矩阵表各个变量之间存在着较强的相关关系，如果直接对其进行分析的话，有可能产生严重的共线性的问题，所以，就有必要对其进行主成分分析。上面表中的空格表明自身相关系数为1，它的不相关的显著性概率为0，也就不再显示出来了。变量共同度上面表中所显示出来的变量的共同度对所有的变量都是1，说明这个模型解释了每一个变量的全部的方差，然而就不需要特殊因子了，也就是说特殊因子的方差为0。解释总方差表根据上面解释总方差表的显示，我们可以知道表中所列出的所有的主成分，他们是按照特征根从大到小的顺序排列的。可以得知，第一个主成分的特征根是4.625，它解释了总变异的77.084%；第二个主成分的特征根是0.793，虽然它解释了总变异的13.220%，但是由于它的特征根0.793远小于1，这就说明了第二主成分的解释力度还不如直接引进原始的变量大。所以，根据主成分的个数的确定原则，也就是累积方差贡献率达到80%~85%以上并且要求特征值要大于1这两个原则才可以，就确定了这6个变量所需要提取一个主成分。碎石图碎石图其实就是按照特征根大小排列的主成分散点图，如上图所示的，第一主成分的特征根大于1，从第二。
