因子分析spss步骤
步骤如下：
1、在新建的Excel表格中，插入六列数据，有种类、AC1、AC2、AC3、AC4和AC5；
2、打开SPSS分析工具，点击文件菜单，打开数据选择excel表格，从而导入数据；
3、导入数据之后，调整变量列展示的宽度，展示默认数据视图；
4、单击分析菜单，然后选择降维中的因子；
5、打开因子分析窗口，将AC1、AC2、AC3、AC4和AC5移到变量框中；
6、点击描述按钮，打开对应的窗口，统计勾选初始解，相关系数矩阵勾选系数和KMO和巴特利特球形度检验；
7、接着点击提取按钮，打开窗口并勾选分析相关性矩阵，显示勾选未旋转因子解和碎石图；
8、选择旋转打开窗口，方法选择最大方差法，显示勾选旋转后的解和载荷图；
9、点击得分按钮，打开因子得分窗口，勾选保存为变量，方法选择回归，然后单击继续；
10、最后设置选项，缺失值勾选成列排除个数，系数显示格式勾选按大小排序，然后点击继续；
11、确定之后，生成因子分析结果，有相关性矩阵、KMO和巴特利特检验；
12、根据已选的几个变量，生成公因子方差和总方差解释；
13、接着，生成以组件号为横坐标，特征值为纵坐标，构成碎石图；
14、还可以生成成分矩阵和旋转后的成分矩阵，提取方法是主成分分析法；
15、在成分转换矩阵下方，生成旋转后的空间中的组件图；
16、最后按照成分，生成成分得分系数矩阵和成分得分协方差矩阵。
spss因子分析详细步骤
1、在新建的Excel表格中，插入六列数据，有种类、AC1、AC2、AC3、AC4和AC5；
2、打开SPSS分析工具，点击文件菜单，打开数据选择excel表格，从而导入数据；
3、导入数据之后，调整变量列展示的宽度，展示默认数据视图；
4、单击分析菜单，然后选择降维中的因子；
5、打开因子分析窗口，将AC1、AC2、AC3、AC4和AC5移到变量框中；
6、点击描述按钮，打开对应的窗口，统计勾选初始解，相关系数矩阵勾选系数和KMO和巴特利特球形度检验；
7、接着点击提取按钮，打开窗口并勾选分析相关性矩阵，显示勾选未旋转因子解和碎石图；
8、选择旋转打开窗口，方法选择最大方差法，显示勾选旋转后的解和载荷图；
9、点击得分按钮，打开因子得分窗口，勾选保存为变量，方法选择回归，然后单击继续；
10、最后设置选项，缺失值勾选成列排除个数，系数显示格式勾选按大小排序，然后点击继续；
11、确定之后，生成因子分析结果，有相关性矩阵、KMO和巴特利特检验；
12、根据已选的几个变量，生成公因子方差和总方差解释；
13、接着，生成以组件号为横坐标，特征值为纵坐标，构成碎石图；
14、还可以生成成分矩阵和旋转后的成分矩阵，提取方法是主成分分析法；
15、在成分转换矩阵下方，生成旋转后的空间中的组件图；
16、最后按照成分，生成成分得分系数矩阵和成分得分协方差矩阵。
怎样用spss做因子分析？
可以使用在线spss平台SPSSAU进行分析，因子分析用于探索定量数据可以浓缩为几个方面(因子)，每个方面(因子)和题项对应关系。因子分析步骤：
1、选择进阶方法>>因子
2、设置输出维度（因子）个数
3、点击开始分析
因子分析通常有三个步骤：第一步是判断是否适合进行因子分析；第二步是因子与题项对应关系判断；第三步是因子命名。
第一步:判断是否进行因子分析,判断标准为KMO值大于0.6;
第二步:因子与题项对应关系判断。如因子与题项对应关系与预期严重不符则可考虑对题项进行删除
第三步：在第二步删除掉不合理题项后,并且确认因子与题项对应关系良好后,则可结合因子与题项对应关系,对因子进行命名。
6. SPSS基本使用：因子分析
因子分析几乎可以等同于主成分分析，本质就是PCA降维，因子数太多减少因子数。示例如下
先导入老师给的数据，然后点击分析-降维-因子分析
点击描述按钮-选择KMO和球形检验
点击提取-方法选择主成分-同时勾选碎石图
特征值这里一般是大于1，然后因子数可以按照自己的需求加。
旋转方法一般选择最大方差法，勾选载荷图，迭代次数选择30次，
实际当中有可能旋转次数不够出不来结果，我们就把迭代次数勾选上去。
因子得分这里勾选保存为变量，然后勾选上得分系数矩阵
选项这里勾选上按照大小排序，排除小系数，绝对值这里选0.3，我们看看后续的结果再来分析。
操作后生成结果如上，KMO这里需要大于0.7，这样子的话各个因子的相互度才满足因子分析的条件，有相关性。
公因子方差部分提取部分看提取了多少比例的信息，以q1_1为例，0.581相当于提取了58.1%的信息。只要这个比例大于0.5就还可以，提取效果不错。
碎石图主要是统计上用来选择特征值个数的，如果上图中，可以看到应该选择4个特征值，但是老师前面讲了8个因子代表性都不够，别说4个特征值，所以实际过程中可能不太实用。可以把这个东西写在报告里面。
成分矩阵这里（其实挺老师讲应该叫载荷矩阵？？），是没有旋转前的因子组成。因为之前在选项中进行了排序，并且，去掉了小于0.3(其实0.5以下都没啥用），所以如上可以看到因子1主要有问题5_3 到问题3_4组成的。这里需要重点关注下0.4几的这种数据，譬如0.490（小于0.5的用处比较小）。另外老师提到了q7_3,在因子2和因子3中都是0.4几，那么如何判断它到底属于哪个因子，可以看旋转后的。
旋转后的q7_3是0.734归到了因子2，和因子3没有关系了。
可以发现，每个维度的第3个问题都是归到因子2，每个维度的第5个题目都是归到因子1.
1）另外，我们可以到到q3_3 叫做跨因子现象，在两个因子中都是＞0.5，这是不允许的，我们需要删掉这个题目或者进行修改
2）另外q3_2, 跟所有的因子相关性都小于0.5，建议删除。
3）还有就是drop_q1_3，因子8只有它的相关性大于0.5，所以因子8完全由drop_q1_3一个因子代表，这个情况需要删除。
1）2）3）这三种特殊情况需要注意，都需要对题目进行修改或者删除。
这个组件图一般用二维的，看起来比较清晰，三维的不是动画看不清，因为这个图表示的就是各个题目离哪几个因子比较近。
spss分析方法-因子分析（转载）
因子分析就是将大量的彼此可能存在相关关系的变量，转换成较少的彼此不相关的综合指标的多元统计方法。。 下面我们主要从下面四个方面来解说：
[if !supportLineBreakNewLine]
[endif]
实际应用
理论思想
建立模型
[if !supportLineBreakNewLine]
[endif]
分析结果
[if !supportLineBreakNewLine]
[endif]
一、实际应用
在市场调研中，研究人员关心的是一些研究指标的集成或者组合，这些概念通常是通过等级评分问题来测量的，如利用李克特量表取得的变量。每一个指标的集合（或一组相关联的指标）就是一个因子，指标概念等级得分就是因子得分。因子分析在市场调研中有着广泛的应用，主要包括：（1）消费者习惯和态度研究（U&A）（2） 品牌形象和特性研究（3）服务质量调查（4） 个性测试（5）形象调查（6） 市场划分识别（7）顾客、产品和行为分类在实际应用中，通过因子得分可以得出不同因子的重要性指标，而管理者则可根据这些指标的重要性来决定首先要解决的市场问题或产品问题。
[if !supportLineBreakNewLine]
[endif]
二、理论思想
因子分析（Factor Analysis）是一种数据简化的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个独立的不可观测变量来表示其基本的数据结构。这几个假想变量能够反映原来众多变量的主要信息。原始的变量是可观测的显式变量，而假想变量是不可观测的潜在变量，称为因子。主成分分析利用的是“降维”的思想，利用原始变量的线性组合组成主成分。在信息损失较小的前提下，把多个指标转化为几个互补相关的综合指标。因子分析是主成分分析的扩展和推广，通过对原始变量的相关系数矩阵内部结构的研究，导出能控制所有变量的少数几个不可观测的综合变量，通过这少数几个综合变量去描述原始的多个变量之间的相关关系。。
[if !supportLineBreakNewLine]
[endif]
因子分析的数学模型可以表示为Xp×1=Ap×m·Fm×1+ep×1，其中X为可实测的p维随机向量，它的每个分量代表一个指标或变量。
F=(F1, F2,...,Fm)T为不可观测的m维随机向量，它的各个分量将出现在每个变量之中，所以称它们为公共因子。矩阵A称为因子载荷矩阵，矩阵中的每一个元素称为因子载荷，表示第i个变量在第j个公共因子上的载荷，它们需要由多次观测X所得到的样本来估计。
向量e称为特殊因子，其中包括随机误差，它们满足条件：
（1）Cov(F,e)=0，即F与e不相关。
（2）Cov(Fi,Fj)=0,i≠j ，Var(Fi)=Cov(Fi, Fj)=I ，即向量F的协方差矩阵为m阶单位阵。（
3）Cov(ei,ej)=0,i≠j ，Var(ei)=σi2，即向量e的协方差矩阵为p阶对角阵。因子分析的基本思想是通过变量的相关系数矩阵内部结构的分析，从中找出少数几个能控制原始变量的随机变量Fi(i=1,2,...,m)，选取公共因子的原则是使尽可能多地包含原始变量中的信息，建立模型X=A· F+e ，忽略e，以F代替X，用它再现原始变量X的众多分量之间的相关关系，达到简化变量降低维数的目的。
[if !supportLineBreakNewLine]
[endif]
三、建立模型
[if !supportLineBreakNewLine]
[endif]
因子分析的基本步骤如下。
对数据进行标准化处理，
估计因子载荷矩阵，
因子旋转，建立因子分析数学模型的目的不仅要找出公共因子并对变量进行分组，更重要的是要知道每个公共因子的意义，以便对实际问题作出科学分析。当因子载荷矩阵A的结构不便对主因子进行解释时，可用一个正交阵右乘A（即对A实施一个正交变换）。由线性代数知识，对A施行一个正交变换，对应坐标系就有一次旋转，便于对因子的意义进行解释。
估计因子得分以公共因子表示原因变量的线性组合，而得到因子得分函数。我们可以通过因子得分函数计算观测记录在各个公共因子上的得分，从而解决公共因子不可观测的问题。
[if !supportLineBreakNewLine]
[endif]
因子分析案例：
[if !supportLineBreakNewLine]
[endif]
题目：以下给出了中国历年国民经济主要指标统计（1992～2000）数据。试用因子分析对这些指标提取公因子并写出提取的公因子与这些指标之间的表达式。
一、数据输入
二、操作步骤 1、进入SPSS，打开相关数据文件，选择“分析”|“降维”|“因子”命令。2、选择进行因子分析的变量。在对话框的左侧列表框中，依次选择“工业总产值”“国内生产总值”“货物周转量”“原煤”“发电量”“原油”进入“变量”列表框。
3、选择输出系数相关矩阵。
单击“因子分析”对话框中的“描述”按钮，弹出“因子分析：描述”对话框。在“相关性矩阵”选项组中选中“KMO和巴特利特的球形度检验”复选框，单击“继续”按钮返回“因子分析”对话框。
4、设置对提取公因子的要求及相关输出内容。
单击“因子分析”对话框中的“提取”按钮，在“输出”选项组中选中“碎石图”复选框。
5、设置因子旋转方法。单击“因子分析”对话框中的“旋转”按钮，在“方法”选项组中选中“最大方差法”单选按钮。
6、设置有关因子得分的选项。单击“得分”按钮，选中“显示因子得分系数矩阵”复选框。
7、其余设置采用系统默认值即可。单击“确定”按钮，等待输出结果。
[if !supportLineBreakNewLine]
[endif]
四、结果分析
1、KMO检验和巴特利特检验结果KMO检验是为了看数据是否适合进行因子分析，其取值范围是0～1。其中0.9～1表示极好，0.8～0.9表示可奖励的，0.7～0.8表示还好，0.6～0.7表示中等，0.5～0.6表示糟糕，0～0.5表示不可接受。如下表所示，本例中KMO的取值为0.657，表明可以进行因子分析。巴特利特检验是为了看数据是否来自于服从多元正态分布的总体。本例中显著性值为0.000，说明数据来自正态分布总体，适合进一步分析。
2、变量共同度变量共同度表示的是各变量中所含原始信息能被提取的公因子所解释的程度。如下表所示，因为本例中所有变量共同度都在85%以上，所以提取的这几个公因子对各变量的解释能力很强。
3
4、碎石图有两个成分的特征值超过了1，只考虑这两个成分即可。
5、旋转成分矩阵第一个因子在工业总产值、国内生产总值、货物周转量、发电量及原油上有较大的载荷，所以其反映的是除原煤以外的其他变量的信息，第二个因子在原煤这一变量上有较大的载荷，反映的是原煤这一变量的信息。
6、成分得分系数矩阵给出了成分得分系数矩阵，据此可以直接写出各公因子的表达式。值得一提的是，在表达式中各个变量已经不是原始变量而是标准化变量。表达式如下：F1=0.194*工业总产值+0.216*国内生产总值+0.206*货物周转量+0.003*原煤+0.211*发电量+0.212*原油F2=0.311*工业总产值-0.002*国内生产总值-0.154*货物周转量+0.853*原煤-0.124*发电量+0.036*原油
分析结论：
[if !supportLineBreakNewLine]
[endif]
通过分析，我们可以知道：
由结果分析1、知，本例很适合使用因子分析。
由结果分析2、3、4可知，本例适合选前两个公因子进行分析，因为这已足够替代原来的变量，它们几乎涵盖了原变量的全部信息。
结果分析5给出了本例中的两个公因子及其所反映的变量。
结果分析6给出了公因子与标准化形式的变量之间的表达式。
[if !supportLineBreakNewLine]
[endif]
参考案例数据：
[if !supportLineBreakNewLine]
[endif]
[if !supportLists]【1】 [endif]spss统计分析与行业应用案例详解(第四版) 杨维忠,张甜,王国平 清华大学出版社
[if !supportLists]【2】 [endif]（获取更多知识，前往gz号程式解说）
原文来自 https://mp.weixin.qq.com/s/5b-rkSherOn-tHyzBZPsTw
怎么用SPSS做因子分析 具体的步骤是什么 哪位大神来详细解答下啊
可以使用在线spssau完成因子分析，可结合帮助手册的案例懂的更快。
通常有三个步骤：第一步是判断是否适合进行因子分析;第二步是因子与题项对应关系判断;第三步是因子命名。
第一步:判断是否进行因子分析。
主要看KMO值大小，一般KMO值大于0.6说明适合进行因子分析。
第二步:提取因子，因子与题项对应关系判断。
看因子的提取情况，以及因子载荷系数，分析题项与因子的对应关系。
第三步:因子命名。
在第二步删除掉不合理题项后,并且确认因子与题项对应关系良好后,则可结合因子与题项对应关系,对因子进行命名。
具体步骤可阅读在线spssau帮助手册：因子分析-SPSSAU
