公共因子的方差貢獻

⑴ 累計方差貢獻率和方差貢獻率是什麼關系SPSS中~~

各方差貢獻率相加和等於累計方差貢獻率。

主成分分析的重點在於解釋各變數的總方差，而因子分析則把重點放在解釋各變數之間的協方差。

主成分分析中不需要有假設，因子分析則需要一些假設。因子分析的假設包括：各個共同因子之間不相關，特殊因子之間也不相關，共同因子和特殊因子之間也不相關。

主成分分析中，當給定的協方差矩陣或者相關矩陣的特徵值是唯一的時候，主成分一般是獨特的；而因子分析中因子不是獨特的，可以旋轉得到不同的因子。

(1)公共因子的方差貢獻擴展閱讀：

利用因子分析法分析累計方差貢獻率和方差貢獻率：

在因子分析中，因子個數需要分析者指定，spss根據一定的條件自動設定，只要是特徵值大於1的因子進入分析，而指定的因子數量不同而結果不同。

在主成分分析中，成分的數量是一定的，一般有幾個變數就有幾個主成分。和主成分分析相比，由於因子分析可以使用旋轉技術幫助解釋因子，在解釋方面更加有優勢。

大致說來，當需要尋找潛在的因子，並對這些因子進行解釋的時候，更加傾向於使用因子分析，並且藉助旋轉技術幫助更好解釋。

而如果想把現有的變數變成少數幾個新的變數新的變數，幾乎帶有原來所有變數的信息，來進入後續的分析，則可以使用主成分分析。當然，這種情況也可以使用因子得分做到。所以這種區分不是絕對的。

在演算法上，主成分分析和因子分析很類似，不過在因子分析中所採用的協方差矩陣的對角元素不再是變數的方差，而是和變數對應的共同度，變數方差中被各因子所解釋的部分。

⑵ 因子分析的累計貢獻率是什麼意思

累計貢獻率是因子分析中抽取出的因子特徵值之和和所有因子特徵值之和內（該值等於容因子分析中的變數數）的比值。
可以將其意義理解為抽取出的因子變異對所有變數變異的解釋力，也可以理解為抽取出的因子對所有變數的代表性，很顯然代表性高一些好，因為因子分析的目的就是化簡變數，用盡量少的因子代表盡量多的變數，使變數的意義更加明確。

⑶ 請問在spss中怎麼求出綜合因子得分，我只能得到4個因子的方差貢獻率

在線分析軟體spssau可以直接保存綜合得分，分析時直接勾選「綜合得分」即可保存。

⑷ 關於因子分析 方差累計貢獻率的問題

這種情況很常見的， 可以多抽，沒問題的
綜合得分是這樣計算的

⑸ 因子分析法中的方差貢獻率是什麼

貢獻率（％）＝貢獻量（產出量，所得量）／投入量（消耗量，佔用復量）×100％貢獻率也用於分析經濟增長中各因素作用大小的程度。

計算方製法是：貢獻率（％）＝某因素貢獻量（增量或增長程度）／總貢獻量（總增量或增長程度）×100％。樣本中各數據與樣本平均數的差的平方和的平均數叫做樣本方差；樣本方差的算術平方根叫做樣本標准差。

樣本方差和樣本標准差都度量了樣本波動的大小。樣本方差或樣本標准差越大，樣本數據的波動越大。顯然，方差貢獻率是指貢獻率的波動，累積方差貢獻率是指貢獻率波動的累積。

(5)公共因子的方差貢獻擴展閱讀：

有兩種因素分析方法。一種是探索性因素分析，另一種是驗證性因素分析。探索性因子分析讓數據「不言自明」，無需預設因子和測量項之間的關系。

主成分分析和輔助因子分析是典型的方法。驗證性因子分析假設一個因子和一個測度項之間的關系是部分已知的，即哪個測度項對應哪個因子，雖然我們還不知道具體的系數。

探索的因素分析有一定的局限性：

1、它假設所有的因素（旋轉之後）都會影響度量項。在實際研究中，我們傾向於假設一個因素之間不存在因果關系，因此可能不會影響另一個因素的測度項。

2、探索性因子分析假設測度項殘差是相互獨立的。

事實上，測度項的殘差可以通過單方法偏差、子因素和其他因素進行關聯。

3、探索性因素分析迫使所有因素獨立。

雖然這是解決因素數量的權宜之計，但與大多數研究模型不一致。最明顯的是，自變數和因變數應該是相關的，而不是獨立的。

這些局限性需要一種更靈活的建模方法，這使得研究人員不僅可以更詳細地描述測量項和因素之間的關系，還可以直接測試它們之間的關系。在探索性因子分析中，一個被檢驗的模型（如正交因子）往往不是研究者理論中的精確模型。

⑹ 您好，老師，我進行因子分析時，累計方差貢獻率最後兩個因子都是100%，這樣可以嗎

可以的，但是很少會出現這種情況，要考慮你的數據是不是真的適合因子分析

⑺ 因子分析中的方差貢獻率怎麼求

方差貢獻率就算是每個因子對問題的解釋程度，希望能幫到您！

⑻ 在因子分析中，怎麼算方差貢獻和共同度，請舉例說明。

貢獻率(%)=貢獻量(產出量,所得量)/投入量(消耗量,佔用復量)×100% 貢獻率也用於分析經濟增長中各因素作用大小的程度。

計算方製法是: 貢獻率(%)=某因素貢獻量(增量或增長程度)/總貢獻量(總增量或增長程度)×100%。樣本中各數據與樣本平均數的差的平方和的平均數叫做樣本方差；樣本方差的算術平方根叫做樣本標准差。

樣本方差和樣本標准差都是衡量一個樣本波動大小的量，樣本方差或樣本標准差越大，樣本數據的波動就越大。顯然 方差貢獻率 是指貢獻率的波動情況，累計方差貢獻率就是指貢獻率的波動情況的累計。

(8)公共因子的方差貢獻擴展閱讀：

因子分析的方法有兩類。一類是探索性因子分析法，另一類是驗證性因子分析。探索性因子分析不事先假定因子與測度項之間的關系，而讓數據「自己說話」。

主成分分析和共因子分析是其中的典型方法。驗證性因子分析假定因子與測度項的關系是部分知道的，即哪個測度項對應於哪個因子，雖然我們尚且不知道具體的系數。

探索的因子分析有一些局限性：

1、它假定所有的因子(旋轉後) 都會影響測度項。在實際研究中，我們往往會假定一個因子之間沒有因果關系，所以可能不會影響另外一個因子的測度項。

2、探索性因子分析假定測度項殘差之間是相互獨立的。

實際上，測度項的殘差之間可以因為單一方法偏差、子因子等因素而相關。

3、探索性因子分析強制所有的因子為獨立的。

這雖然是求解因子個數時不得不採用的權宜之計，卻與大部分的研究模型不符。最明顯的是，自變數與應變數之間是應該相關的，而不是獨立的。

這些局限性就要求有一種更加靈活的建模方法，使研究者不但可以更細致地描述測度項與因子之間的關系，而且可以對這個關系直接進行測試。而在探索性因子分析中，一個被測試的模型(比如正交的因子) 往往不是研究者理論中的確切的模型。

⑼ 因子分析法中的方差貢獻率是什麼

方差貢獻率表示同一公共因子Fj對各變數所提供的方差貢獻的總和，用來衡量每一個公共因子相對重要性的一個尺度。

⑽ 旋轉後的主成分因子矩陣的方差貢獻率如何計算的

旋轉矩陣里的因子載荷和每個成分的方差貢獻率算出每個成分的得分了，公式為：

每一回主成分答得分=（標准化後指標的數據*旋轉矩陣里的因子載荷）的累加/根號下（主成分的方差貢獻率）

綜合成分F得分=（每個主成分的得分*方差貢獻率）累加

(10)公共因子的方差貢獻擴展閱讀：

成分旋轉這後各成分的方差貢獻率將重新分配，此時就不可再稱之為「主成分」而僅僅是「成分」。旋轉又可分為正交旋轉和斜交旋轉。正交旋轉的流行方法是方差最大化，需要在principal中增加rotate='varimax'參數加以實現。也有觀點認為主成分分析一般不需要進行旋轉。

在計算出主成分得分之後，還可以將其進行回歸等做進一步分析處理。但注意如果輸入數據不是原始數據時，則無法計算主成分得分。我們需要在principal中增加score=T的參數設置，結果將存放在結果的score元素中。