Question

用spss软件做的因子分析得到的结论都是什么意思

KMO 和 Bartlett 的检验
取样足够度的 Kaiser-Meyer-Olkin 度量。 .674
Bartlett 的球形度检验 近似卡方 704.019
df 28
Sig. .000

解释的总方差
成份 初始特征值 提取平方和载入
合计 方差的 % 累积 % 合计 方差的 %
1 4.647 58.087 58.087 4.647 58.087
2 1.641 20.518 78.604 1.641 20.518
3 .635 7.935 86.540
4 .617 7.716 94.256
5 .323 4.037 98.292
6 .105 1.310 99.602
7 .031 .392 99.994
8 .000 .006 100.000
提取方法：主成份分析。

旋转成份矩阵a
成份
1 2
X1 .580 .643
X2 -.020 -.826
X3 .854 .057
X4 .974 .156
X5 .948 .062
X6 .675 .275
X7 .091 .894
X8 .952 .069
提取方法 :主成分分析法。
旋转法 :具有 Kaiser 标准化的正交旋转法。
a. 旋转在 3 次迭代后收敛。

成份得分系数矩阵
成份
1 2
X1 .070 .287
X2 .101 -.461
X3 .217 -.078
X4 .236 -.038
X5 .241 -.087
X6 .142 .068
X7 -.091 .490
X8 .241 -.084
提取方法 :主成分分析法。
旋转法 :具有 Kaiser 标准化的正交旋转法。
构成得分。

Answer 1

KMO 和 Bartlett 的检验是为了检验是否适合做因子分析，一般来说KMO的值越接近于1越好，大于0.5的话适合做因子分析，你的KMO值是0.674大于0.5。Bartlett 的检验主要看Sig.越小越好，你的接近于0.由此可以得出，你的数据适合做因子分析。
第二个表是提取了两个个公因子来替代原来的8个原始变量，这两个因子的方差贡献率是78.604%，也就是说这两个公因子能够解释原来8个原始变量所包含信息的78.604%。
第三个表是旋转因子载荷，是为了方便对提取的两个公因子命名，旋转后，第一个因子在X1上的载荷最大，第二个因子在X2与X7上载荷最大，你可以根据X1,X2，X7的含义来对这两个因子命名。
第四个表是为了计算因子得分。比如第一个因子F1=X1*0.7+X2*0.101+X3*0.217+X4*0.236.....+X8*0.241，xi到X8这8个原始变量的值的大小你是知道的，带进去就可以求出这两个因子的分数。
纯手打，希望能帮助到您，呵呵！

Answer 2

引用波特五力的回答：
KMO 和 Bartlett 的检验是为了检验是否适合做因子分析，一般来说KMO的值越接近于1越好，大于0.5的话适合做因子分析，你的KMO值是0.674大于0.5。Bartlett 的检验主要看Sig.越小越好，你的接近于0.由此可以得出，你的数据适合做因子分析。
第二个表是提取了两个个公因子来替代原来的8个原始变量，这两个因子的方差贡献率是78.604%，也就是说这两个公因子能够解释原来8个原始变量所包含信息的78.604%。
第三个表是旋转因子载荷，是为了方便对提取的两个公因子命名，旋转后，第一个因子在X1上的载荷最大，第二个因子在X2与X7上载荷最大，你可以根据X1,X2，X7的含义来对这两个因子命名。
第四个表是为了计算因子得分。比如第一个因子F1=X1*0.7+X2*0.101+X3*0.217+X4*0.236.....+X8*0.241，xi到X8这8个原始变量的值的大小你是知道的，带进去就可以求出这两个因子的分数。
纯手打，希望能帮助到您，呵呵！

第一个因子在x4上得载荷最大

Answer 3

你把结论贴出来看下啊，有些遗忘了！