Spss是IBM推出的一款软件分析软件。如果用spss软件对数据结构进行处理，可以用因子分析简化数据结构，将关系复杂的变量合成数据较少的因子，以最少的信息损失完成变量的分类。

研究问题的时候尽可能多的收集数据，这样才能全面的了解问题，这样真的方便全面准确的描述事物。在实际数据建模中，有些变量可能并没有真正发挥作用，可能会增加计算工作量，因此需要进行因子分析。对于高纬度变量和海量数据，不可忽视。收集到的变量数据之间存在一定的相关性，变量之间信息的高度重叠和高度相关给统计方法带来了困难。比如在多元线性回归分析中，如果变量之间存在很强的相关性，会给回归方程参数的估计带来困难，导致参数不准确，模型无法使用。

1.因子相关性检验：方法包括相关系数矩阵、反射像相关矩阵、巴特利特球度检验和KMO检验。

2.因子提取和因子负荷矩阵求解：基于主成分模型的主成分分析、基于因子分析模型的主轴因子法、最大似然法、最小二乘法、因子A提取法和图像分析法。主成分分析可以为因子分析提供初始解，因子分析是主成分分析结果的延伸和拓展。

3.因子命名和轮换：在因子负荷矩阵中，多行的情况下，变量与多个因子的相关性较大，即变量需要多个因子一起解释；在多列的情况下，一个因素可以同时解释多个变量。说明一个因子不能单独代表一个原始变量，因子是模棱两可的，但实际情况是对因子有明确的认识，所以因子轮换。有必要使一个变量在尽可能少的因素上具有相对较高的负载。

4.计算因子得分：因子得分是因子分析的最终体现。计算每个样本上每个因子的具体值，即因子得分，形成的变量称为因子变量。在接下来的分析中，因子变量可以代替原始变量进行数据建模、降维或简化问题。

输出结果分析：

借助相关系数矩阵、反射像相关矩阵、巴特利特球度检验和KMO检验。大部分相关系数高，线性关系强，能提取共同因子，适合因子分析。在KMO，0.000的概率小于显著性水平，原始假设被拒绝，这与恒等式矩阵有显著差异。KMO为0.882，说明适合因子分析。

各组的列向量意义、特征值、方差贡献率和累积方差贡献率。第二栏提取了两个因素，共同解释了84.259%，丢失的信息较少。第三列显示旋转因子。总方差贡献率没有变化，也就是说没有影响原来的通用性。重新分配各因子，解释原变量的方差，改变各因子的方差贡献率。

砾石图：纵坐标为特征值，横坐标为因子个数。特征值越小，对原始变量的贡献越小，可以忽略不计，因此可以提取两个。

成分矩阵：结果是一个变量等于两个因子之和乘以相应的系数。从观察可以看出，第一个因素与所有变量的关联度都很高，但与第二个因素的关联度不高，意义模糊，不利于命名，所以要轮换因素。

因子命名说明：利用方差最大化方法正交旋转因子负荷矩阵，使因子具有命名说明。您可以指定以第一个系数载荷的降序输出旋转的系数载荷。如图所示，合资企业、股份企业、集体企业和国有企业在第一个因素中的负荷较高，这可以

以上是运用spss进行因子分析的过程。如果看完本教程还是不明白，请在下方留言区留言。