因子分析適合的數據類型是

A. KMO值小於0.5,不適合因子分析應該換什麼分析法

當所有變數間的簡單相關系數平方和遠遠大於偏相關系數平方和時，KMO值接近1.KMO值越接近於1,意味著變數間的相關性越強，原有變數越適合作因子分析；當所有變數間的簡單相關系數平方和接近0時，KMO值接近0.KMO值越接近於0,意味著變數間的相關性越弱，原有變數越不適合作因子分析。這個時候試試從其他角度思考下，比如對數據做些預處理，然後重新計算下；另外一種思路就是，可以試試主成分分析，層次分析法等等均可以

B. 因子分析法需要哪些數據，用什麼軟體做

因子分析是用因子概括變數信息，所以首先自變數是什麼?三年數據當然是一起錄入，通過三年的變化來反映因變數的變化。

C. 我想問下，某些數據進行SPSS分析結果得到以下的這圖，可以證明那些數據適合做因子分析嗎

en 這個KMO和巴球檢驗是用來檢驗是否可以進行因子分析，單從這個檢驗結果來看，是說明可以進行因子分析的

D. 論文用因子分析需要列出哪些數據，三線表需要有哪些

這個表格比較多，包括KMO檢驗，方差解釋率表格，旋轉後因子載荷系數值這三個表格一般是需要的，有時候還需要碎石圖。網頁版本SPSS就是SPSSAU這個裡面全部都會有，關鍵是裡面都有智能化文字分析可以直接使用，表格也都是全部整理好的直接下載到EXCEL就能使用。

E. 我想通過因子分析得出來的數據再進行群體差異的比較，應該用什麼數據進行單因素方差分析呢

關鍵是您做哪方面的內容了，確定內容之後，搜集數據或者用問卷調查等方式獲得數據，然後才能做相應分析。（南心網 SPSS數據分析）

F. 用spss做因子分析後得出四個因子，然後是用什麼數據做相關啊

因子分析將多個指標合並成一個變數，通常有兩種做法：

一、計算平均值

針對問卷量表數據，同時幾個題表示一個維度。比如想要將「我在工作中能獲得成就感」、「我可以在工作中發揮個人的才能」這兩題合並成一個維度（影響因素），可以通過SPSSAU的【生成變數】功能計算均值，生成新的變數用於後續分析。

在主成分分析時，勾選成分得分即可。

G. 主成分分析，因子分析是應用於總體數據還是樣本數據

主成分分析和因子分析有十大區別
1.原理不同
主成分分析基本原理：利用降維（線性變換)的思想，在損失很少信息的前提下把多個指標轉化為幾個不相關的綜合指標（主成分),即每個主成分都是原始變數的線性組合,且各個主成分之間互不相關,使得主成分比原始變數具有某些更優越的性能（主成分必須保留原始變數90%以上的信息），從而達到簡化系統結構，抓住問題實質的目的。
因子分析基本原理：利用降維的思想，由研究原始變數相關矩陣內部的依賴關系出發，把一些具有錯綜復雜關系的變數表示成少數的公共因子和僅對某一個變數有作用的特殊因子線性組合而成。就是要從數據中提取對變數起解釋作用的少數公共因子（因子分析是主成分的推廣，相對於主成分分析，更傾向於描述原始變數之間的相關關系）
2.線性表示方向不同
因子分析是把變數表示成各公因子的線性組合；而主成分分析中則是把主成分表示成各變數的線性組合。
3.假設條件不同
主成分分析：不需要有假設(assumptions),
因子分析：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（specific factor）之間也不相關，共同因子和特殊因子之間也不相關。
4.求解方法不同
求解主成分的方法：從協方差陣出發（協方差陣已知），從相關陣出發（相關陣R已知），採用的方法只有主成分法。
（實際研究中，總體協方差陣與相關陣是未知的，必須通過樣本數據來估計）
注意事項：由協方差陣出發與由相關陣出發求解主成分所得結果不一致時，要恰當的選取某一種方法；一般當變數單位相同或者變數在同一數量等級的情況下，可以直接採用協方差陣進行計算；對於度量單位不同的指標或是取值范圍彼此差異非常大的指標，應考慮將數據標准化，再由協方差陣求主成分；實際應用中應該盡可能的避免標准化，因為在標准化的過程中會抹殺一部分原本刻畫變數之間離散程度差異的信息。此外，最理想的情況是主成分分析前的變數之間相關性高，且變數之間不存在多重共線性問題(會出現最小特徵根接近0的情況)；
求解因子載荷的方法：主成分法，主軸因子法，極大似然法，最小二乘法，a因子提取法。
5.主成分和因子的變化不同
主成分分析：當給定的協方差矩陣或者相關矩陣的特徵值唯一時，主成分一般是固定的獨特的；
因子分析：因子不是固定的，可以旋轉得到不同的因子。
6.因子數量與主成分的數量
主成分分析：主成分的數量是一定的，一般有幾個變數就有幾個主成分（只是主成分所解釋的信息量不等），實際應用時會根據碎石圖提取前幾個主要的主成分。
因子分析：因子個數需要分析者指定（SPSS和SAS根據一定的條件自動設定，只要是特徵值大於1的因子主可進入分析），指定的因子數量不同而結果也不同；
7.解釋重點不同：
主成分分析：重點在於解釋各變數的總方差，
因子分析：則把重點放在解釋各變數之間的協方差。
8.演算法上的不同：
主成分分析：協方差矩陣的對角元素是變數的方差；
因子分析：所採用的協方差矩陣的對角元素不在是變數的方差，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）
9.優點不同：
因子分析：對於因子分析，可以使用旋轉技術，使得因子更好的得到解釋，因此在解釋主成分方面因子分析更占優勢；其次因子分析不是對原有變數的取捨，而是根據原始變數的信息進行重新組合，找出影響變數的共同因子，化簡數據；
主成分分析：
第一：如果僅僅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，不過一般情況下也可以使用因子分析；
第二：通過計算綜合主成分函數得分，對客觀經濟現象進行科學評價；
第三：它在應用上側重於信息貢獻影響力綜合評價。
第四：應用范圍廣，主成分分析不要求數據來自正態分布總體，其技術來源是矩陣運算的技術以及矩陣對角化和矩陣的譜分解技術，因而凡是涉及多維度問題，都可以應用主成分降維；
10.應用場景不同：
主成分分析：
可以用於系統運營狀態做出評估，一般是將多個指標綜合成一個變數，即將多維問題降維至一維，這樣才能方便排序評估；
此外還可以應用於經濟效益、經濟發展水平、經濟發展競爭力、生活水平、生活質量的評價研究上；
主成分還可以用於和回歸分析相結合，進行主成分回歸分析，甚至可以利用主成分分析進行挑選變數，選擇少數變數再進行進一步的研究。
一般情況下主成分用於探索性分析，很少單獨使用，用主成分來分析數據，可以讓我們對數據有一個大致的了解。

H. 在進行因子分析時,要求所使用的變數必須是什麼變數

因子分析從研究變數內部相關的依賴關系出發，把一些具有錯綜復雜關系的變數歸結為少數幾個綜合因子的一種多變數統計分析方法。

它的基本思想是將觀測變數進行分類，將相關性較高，即聯系比較緊密的分在同一類中，而不同類變數之間的相關性則較低，那麼每一類變數實際上就代表了一個基本結構，即公共因子。

對於所研究的問題就是試圖用最少個數的不可測的所謂公共因子的線性函數與特殊因子之和來描述原來觀測的每一分量。

因子分析模型描述如下：

⑴X=(x1，x2，…，xp）￠是可觀測隨機向量，均值向量E(X)=0，協方差陣Cov(X)=∑，且協方差陣∑與相關矩陣R相等（只要將變數標准化即可實現）。

⑵F=(F1，F2，…，Fm）￠（m<p）是不可測的向量，其均值向量E(F)=0，協方差矩陣Cov(F)=I，即向量的各分量是相互獨立的。

⑶e=(e1，e2，…，ep）￠與F相互獨立，且E(e)=0，e的協方差陣∑是對角陣，即各分量e之間是相互獨立的，則模型：

x1=a11F1+a12F2+…+a1mFm+e1

x2=a21F1+a22F2+…+a2mFm+e2

………

xp=ap1F1+ap2F2+…+apmFm+ep

稱為因子分析模型，由於該模型是針對變數進行的，各因子又是正交的，所以也稱為R型正交因子模型。

其矩陣形式為：x=AF+e.

其中：

x=，A=，F=，e=

這里，

⑴m￡p；

⑵Cov(F，e)=0，即F和e是不相關的；

⑶D(F)=Im，即F1，F2，…，Fm不相關且方差均為1；

D(e)=，即e1，e2，…，ep不相關，且方差不同。

我們把F稱為X的公共因子或潛因子，矩陣A稱為因子載荷矩陣，e稱為X的特殊因子。

A=(aij），aij為因子載荷。數學上可以證明，因子載荷aij就是第i變數與第j因子的相關系數，反映了第i變數在第j因子上的重要性。

(8)因子分析適合的數據類型是擴展閱讀：

因子分析的核心問題有兩個：一是如何構造因子變數；二是如何對因子變數進行命名解釋。因此，因子分析的基本步驟和解決思路就是圍繞這兩個核心問題展開的。

（i）因子分析常常有以下四個基本步驟：

⑴確認待分析的原變數是否適合作因子分析。

⑵構造因子變數。

⑶利用旋轉方法使因子變數更具有可解釋性。

⑷計算因子變數得分。

（ii）因子分析的計算過程：

⑴將原始數據標准化，以消除變數間在數量級和量綱上的不同。

⑵求標准化數據的相關矩陣；

⑶求相關矩陣的特徵值和特徵向量；

⑷計算方差貢獻率與累積方差貢獻率；

⑸確定因子：

設F1，F2，…，Fp為p個因子，其中前m個因子包含的數據信息總量（即其累積貢獻率）不低於80%時，可取前m個因子來反映原評價指標；

⑹因子旋轉：

若所得的m個因子無法確定或其實際意義不是很明顯，這時需將因子進行旋轉以獲得較為明顯的實際含義。

⑺用原指標的線性組合來求各因子得分：

採用回歸估計法，Bartlett估計法或Thomson估計法計算因子得分。

⑻綜合得分

以各因子的方差貢獻率為權，由各因子的線性組合得到綜合評價指標函數。

F=(w1F1+w2F2+…+wmFm)/(w1+w2+…+wm)

此處wi為旋轉前或旋轉後因子的方差貢獻率。

⑼得分排序：利用綜合得分可以得到得分名次。

網路——因子分析

I. 數據不適合做spss因子分析 ，怎樣改數據讓它適合因子分析

因子分析是發現變數中潛在的因素。一般而言，有n個變數則最多可以提前n各公因子。現在有變數，最多