论文研究方法因子分析法

用是肯定可以用的，我发表的论文也是用AHP作为模型，因子分析嘛，不是很熟，但是SPASS作为统计分析软件是十分好用的，只要你对它的操作流程熟悉，一般的模型构建都可以用到它。因子分析法和主成分分析法的区别与联系是什么？联系:因子分析法和主成分分析法都是统计分析方法，都要对变量标准化，并找出相关矩阵。区别:在主成分分析中，最终确定的新变量是原始变量的线性组合，因子分析是要利用少数几个公共因子去解释较多个要观测变量中存在的复杂关系。1.因子分析法通过正交变换，将一组可能具有相关性的变量转换为一组线性不相关的变量，称为主成分。它主要用于市场研究领域。在市场研究中，研究人员关注一些研究指标的整合或组合。这些概念通常通过分数来衡量。人口学、数量地理学、分子动力学模拟、数学建模、数学分析等学科。因子分析和主成分分析都是统计分析方法，都需要对变量进行标准化，找出相关矩阵。2.因子分析可以在许多变量中发现隐藏的代表性因素。主成分分析的原理是尝试将原始变量重新组合成一组新的独立综合变量。因子分析在主成分分析的基础上增加了一个旋转函数。这种轮换的目的是更容易地命名和解释因素的含义。如果研究的重点是指标与分析项目之间的对应关系，或者想要对得到的指标进行命名，建议使用因子分析。

将分析题项拖入选框中，点击进行“开始因子分析”（用户可主动设置因子个数）。因子分析（探索性因子分析）用于探索分析项应该分成几个因子，比如20个量表题项应该分成几个方面较为合适。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。因子分析应用举例：1、案例当前有一份数据，共有12个量表题，希望将此12个量表题使用因子分析浓缩成几个维度，用于探索企业员工满意度的维度情况。研究人员在研究前预期分析项可分为4个维度（也可不事先假定），当然有可能个别项与因子对应关系并不合适，因此有可能对其进行删除处理。2、操作步骤将分析题项拖入选框中，点击进行“开始因子分析”（用户可主动设置因子个数）得到的分析结果如下：第一步：首先判断是否适合进行因子分析KMO和Bartlett检验结果SPSSAU对结果进行智能分析第二步：判断提取的因子个数第三步：是因子与题项对应关系判断因子与题项对应关系判断：假设预期为4个因子(变量)，分析题项为12个；因子与题项交叉共得到48个数字，此数字称作”因子载荷系数”(因子载荷系数值表示分析项与因子之间的相关程度)；针对每个因子(变量)，对应12个”因子载荷系数”，针对每个分析项，则有4个”因子载荷系数值”(比如0.765,-0.066,0.093,0.075)，选出3个数字绝对值大于0.4的那个值(0.765),如果其对应因子1,则说明此题项应该划分在因子1下面。第四步：对因子进行命名本次研究员工满意量表共提取出4个因子，此4个因子对应的题项分别为4个、3个和2个，对4个因子分别进行命名，分别为福利待遇因子、管理及制度因子、员工自主性因子和工作性质因子。

1. KMO检验KMO（Kaiser-Meyer-Olkin）检验是多元统计的因子分析中用于检验变量是否适合采用因子分析的方法，是度量因子分析效率的基本测度。KMO检验的统计量是变量之间相关系数与其偏相关系数的比值。2. Bartlett检验Bartlett检验（Bartlett Test）又称为Bartlett球形检验（Bartlett Test of Sphericity）。Bartlett检验与KMO检验类似，也是通过检验变量之间的相关性来判断是否适合采用因子分析的一种方法。3. 累积方差贡献率在因子分析中，采用正交旋转方式，依据方差最大化原则，构建了一组新的线性组合来表示原有的变量，并按照特征值大于1的标准来确定主要线性组合的个数，从而以较少的主要线性组合来反映原始变量变异的主要部分，这些特征值大于1的主要的线性组合便是主因子。4. 探索性因子分析探索性因子分析（EFA）是基于因子分析的一种社会调查的因素分析方法。