深入浅出详解因子分析，附案例教学（全）

本文链接：https://blog.csdn.net/qq_41686130/article/details/121542675

因子分析是一种降维方法，通过整合多个变量为少数因子，保持数据信息并揭示变量间关系。本文详细讲解因子分析的作用、输入输出、案例操作及结果解读，包括KMO检验、Bartlett检验、因子载荷矩阵等，适用于数据分析和问卷分析，有助于理解变量间复杂关联。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、作用

因子分析是基于降维的思想，在尽可能不损失或者少损失原始数据信息的情况下，将错综复杂的众多变量聚合成少数几个独立的公共因子，这几个公共因子可以反映原来众多变量的主要信息，在减少变量个数的同时，又反映了变量之间的内在联系。通常因子分析有三种作用：一是用于因子降维，二是计算因子权重，三是计算加权计算因子汇总综合得分。

2、输入输出描述

输入：2个或两个以上的定量变量（假设为N个变量）。
输出：最低可降维成1维（一个变量，一般用于综合评价），最多可降维成N个变量（一般用于数据脱敏），同时可以获取降维后各个变量的组成权重，用于代表原先变量的数据保留情况。

3、案例示例

根据该地区2021年的生产总值、人均可支配收入等多个指标，量化评估多个省市地区的经济发展水平排名或者各指标的权重。

4、案例数据

因子分析数据

5、案例操作

Step1：新建项目；
Step2：上传数据；
Step3：选择对应数据打开后进行预览，确认无误后点击开始分析；

step4：选择【因子分析】；
step5：查看对应的数据数据格式，【因子分析】要求输入数据为放入 [定量] 自变量X（变量数≥2）。
step6：选择主成分个数、因子旋转方式（注意：在因子分析中倾向于描述原始变量之间的相关关系，所以一般情况下在因子分析选取的主成分个数也就是自变量X个数，而特征根选择则是根据设定的阈值为界限，以大于该界限对应的主成分个数作为选取的主成分个数，默认为1。）
step7：点击【开始分析】，完成全部操作。