在因子分析中，怎么算方差贡献和共同度，请举例说明。 贡献2113率(%)=贡献量(产出量，所得量)/投入量(消耗量，占用复5261量)×100%贡献率也用于4102分析经济增长中1653各因素作用大小的程度。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。
主成分分析，聚类分析，因子分析的基本思想以及他们各自的优缺点. 主成分分析就是将多项指标转化为少数几项综合指标，用综合指标来解释多变量的方差-协方差结构.综合指标即为主成分.所得出的少数几个主成分，要尽可能多地保留原始变量的信息，且彼此不相关.因子分析是研究如何以最少的信息丢失，将众多原始变量浓缩成少数几个因子变量，以及如何使因子变量具有较强的可解释性的一种多元统计分析方法.聚类分析是依据实验数据本身所具有的定性或定量的特征来对大量的数据进行分组归类以了解数据集的内在结构，并且对每一个数据集进行描述的过程.其主要依据是聚到同一个数据集中的样本应该彼此相似，而属于不同组的样本应该足够不相似.三种分析方法既有区别也有联系，本文力图将三者的异同进行比较，并举例说明三者在实际应用中的联系，以期为更好地利用这些高级统计方法为研究所用有所裨益.二、基本思想的异同(一)共同点主成分分析法和因子分析法都是用少数的几个变量(因子)来综合反映原始变量(因子)的主要信息，变量虽然较原始变量少，但所包含的信息量却占原始信息的85%以上，所以即使用少数的几个新变量，可信度也很高，也可以有效地解释问题.并且新的变量彼此间互不相关，消除了多重共线性.这两种分析法得出的新变量，并不是原始变量筛选后剩余的变量。.
spss因子分析提取的主成分比预想少 固定因子个数这么做可以吗？ SPSSAU-在线SPSS分析软件 ？www.spssau.com？100001000如果特征根在0.9几还是可以考虑提取的。提取的因子比预设少，说明你的量表维度设置本身就不合理。而探索性因子分析的。
