全站文章列表 | 收藏本站 | RSS订阅 SPSS教程|答疑|案例|训练营
SPSS案例沈浩老师讲SPSS因子分析

沈浩老师讲SPSS因子分析
时间:2015年11月12日 | 栏目:SPSS案例 | 评论:4 | 点击: 5803



  • 沈浩老师的博客,有一个分享干货的栏目,叫做“每周一讲多变量分析”,已经连续进行了十多期,从理论到实践再到经验分享,值得SPSS爱好者们读一读,今天先精选其中的“因子分析”一期内容,对于理解因子分析本身、调查问卷的因子分析、以及市场研究等都有很大帮助,分享给博客的读者们。


    因子分析(Factor Analysis)是一种非常有用的多变量分析技术。我想说,你要想学好多变量分析技术,一是:理解多元回归分析,二是:理解因子分析;这是多变量分析技术的两个出发点。为什么这么说呢?多元回归分析是掌握有因变量影响关系的重点,无论什么分析,只要研究的变量有Y,也就是因变量,一般都是回归思想,无非就是Y的测量尺度不同,选择不同的变形方法。而因子分析则是研究没有因变量和自变量之分的一组变量X1 X2 X3 ... Xn之间的关系。


    在市场研究中,我们经常要测量消费者的消费行为、态度、信仰和价值观,当然最重要的是测量消费者的消费行为和态度!我们往往采用一组态度量表进行测量,用1-5打分或1-9打分,经常提到的李克特量表。 

    上面的数据是我们为了测量消费者的生活方式或者价值观什么的,选择了24个语句,让消费者进行评估,同意还是不同意,像我还是不像,赞成还是不赞成等等,用1-9打分;


    因子分析有探索性因子分析和证实性因子分析之分,这里我们主要讨论探索性因子分析!证实性因子分析主要采用SEM结构方程式来解决。

    从探索性因子分析角度看:

    ➔ 一种非常实用的多元统计分析方法;

    ➔ 一种探索性变量分析技术;

    ➔ 分析多变量相互依赖关系的方法;

    ➔ 数据和变量的消减技术;

    ➔ 其它细分技术的预处理过程;


    我们为什么要用因子分析呢?


    首先,24个可测量的观测变量之间的存在相互依赖关系,并且我们确信某些观测变量指示了潜在的结构-因子,也就是存在潜在的因子;而潜在的因子是不可观测的,例如:真实的满意度水平,购买的倾向性、收获、态度、经济地位、忠诚度、促销、广告效果、品牌形象等,所以,我们必须从多个角度或维度去测量,比如多维度测量购买产品的动机、消费习惯、生活态度和方式等;

    这样,一组量表,有太多的变量,我们希望能够消减变量,用一个新的、更小的由原始变量集组合成的新变量集作进一步分析。这就是因子分析的本质,所以在SPSS软件中,因子分析方法归类在消减变量菜单下。新的变量集能够更好的说明问题,利于简化和解释问题。

    当然,因子分析也往往是预处理技术,例如,在市场研究中我们要进行市场细分研究,往往采用一组量表测量消费者,首先,通过因子分析得到消减变量后的正交的因子(概念),然后利用因子进行聚类分析,而不再用原来的测量变量了!我想这是市场研究中因子分析的主要应用!  

    其实,你可以想象,例如在多元回归分析中,如果多个自变量存在相关性,如果可以用因子分析,得到几个不相关的变量(因子),再进行回归,就解决了自变量共线性问题。(理论上是这样的,但市场研究很少这么操作!)


    下面是要理解的因子分析的基本概念:

    ➔ 一种简化数据的技术。

    ➔ 探索性因子分析和证实性因子分析

    ➔ 因子分析就是要找到具有本质意义的少量因子。

    ➔ 用一定的结构/模型,去表达或解释大量可观测的变量。

    ➔ 用相对少量的几个因子解释原来许多相互关联的变量之间的关系。

    ➔ 描述的变量是可观测的——显在变量。

    ➔ 相关性较高,联系比较紧密的变量放在一类。

    ➔ 每一类变量隐含一个因子——潜在变量。

    ➔ 不同类的变量之间相关性较弱。

    ➔ 各个因子之间不相关。


    案例:我们通过SPSS Statistics软件来进行操作!



    1、缺失值处理及KMO检验

    在进行因子分析前,大家务必明确你的数据集中24个变量是否存在缺失值问题!默认情况下系统采用Lisewase,也即是只要24个变量有一个缺失,该记录删除,也就是说如果你的样本存在大量缺失,可能造成因子分析的样本量大量收缩!

    我们将24个变量选择后,选择描述对话框,可以选择KMO和Bartlett的球形度检验!这个指标主要从统计角度给出24个变量是否存在内在结构,也就是潜在因子结构,说白了,就是不适合因子分析!极端可能就是所有24个变量都测量的是一个维度的因子概念,另一个极端就是24个变量全部是正交不相关的,根本不存在因子,不适合因子分析!


    2、接下来我们要选择抽取因子的方法:

    在方法上,我们如果不是非常理解或有特殊要求,就选择主成份方法;这也是为什么在SPSS软件中没有独立的主成份分析,其实是包容在因子分析中了!记住一点:如果24个变量存在因子结构,用什么方法得当的结果基本相同!况且,市场研究采用量表24个变量的测量尺度都是一致的!如果你没有特殊要求,默然选择抽取特征值大于1的因子!选择碎石图——也是表达因子选择的图示方式!因为是研究结构,所以从相关矩阵出发,实际上就是标准化后的方差矩阵,没有了量纲!


    3、接下来,我们选择因子旋转方法!

    因子旋转是因子分析的核心技巧,也是我们期望得到的结果。旋转的概念就是坐标变换,不过旋转有正交和斜交旋转差别罢了!从解释因子结构的角度正交旋转是最容易解释的,得到的因子也是不相关的;斜交则得到的因子具有相关性,但更符合或能捕捉数据的维度!所以,有一种说法,如果是接下来要进行市场细分,最好采用斜交更好!当然,我们最常用的,一般采用最大方差旋转!


    4、最后,有一个选择要完成,就是选项对话框!

    我们要选择按大小排序,并且将因子负荷小于0.4的都不显示,这样我们看的更清楚!

    为什么选择0.4呢?这主要依赖样本量和绝对误差的考虑!

    从样本量角度看因子负荷,大部分市场研究样本量都在200以上!

    记住:如果你不能精细考虑,就选0.4吧!


    5、下面我们就可以执行了!我们看看结果:

    从结果可以看出,Bartlett球检验是显著的,说明存在因子结构,另外KMO=0.764,较适宜因子分析!,一般KMO=0.8就是Excellent了!

    接下来看因子方差解释,总的方差解释是63.448%,总共存在7个公因子,说明如果将来不用24个变量,而改用这7个因子可以说明原来24个变量的63.4%的变差。(如果你确认了这样的结果,可以选择把7个因子得分保存为变量了)

    如果我们只是看非旋转的话,就是主成份分析部分了,我们来看旋转后的结果:

    我们可以看到因子排列非常恰当和明显,这都是因为我们在选项中选择了排序和压缩了小于0.4的负荷值!

    你可以看到F1_6变量在3和4因子上都有负荷,这就产生了双负荷!如果存在大量的双负荷,我们就要考虑是否要斜交旋转了!

    最后,我们要完成因子命名!如果不能给出好的因子命名,我们放弃24个变量用7个因子变量都不知道意义,如何分析呢!当然如何命名因子是个艺术活了!我一般的思考方式是:1)先看意义,哪些变量负荷在一个因子上,是否能解释这些因子;2)如果可以,选择因子名称;3)如果不能给出恰当名字,就选择负荷变量的简称综合在一起,先代表着;4)随着后续的分析,因子慢慢确定;


    到这里因子分析就完成了!


    但因子分析往往是预处理技术,如果要用来细分市场,该如何进一步操作呢?是选因子还是选前两个负荷最大的变量,这都是留给你来思考的!


    (文/图:均来自沈浩老师的搜狐博客

    (有微小修改,大数据、市场研究、可视化等方面,推荐大家关注沈浩老师的微博)


    同类荐读:SPSS教程  数据分析师  因子分析  聚类分析 

    本文来自:数据小兵博客

    本文地址:http://datasoldier.net/post/yinzi3.html

    版权说明:如非注明,本站文章均为 数据小兵博客 原创,转载请注明出处和附带本文链接。

  • 已有4位网友发表了看法:

    1#王东雨  2015-11-13 20:27:43 回复该评论
    求沈浩老师的博客地址,想去看看上几期的文章,谢谢
    2#数据小兵  2015-11-13 20:49:45 回复该评论
    沈浩老师的博客:http://shenhaolaoshi.blog.sohu.com/
    3#数据小兵  2015-11-13 20:49:48 回复该评论
    沈浩老师的博客:http://shenhaolaoshi.blog.sohu.com/
    4#王东雨  2015-11-13 20:57:12 回复该评论
    感谢

    发表评论

    必填

    选填

    选填

    必填

    ◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。