因子分析是统计数据分析方法之一，因子分析包括探索性因子分析和验证性因子分析。本文主要讨论探索性因子分析。 一、研究背景
关于工作满意度有14个问题，调研得到215份问卷结果。希望通过因子分析，用少量因子反映14个题目的信息，从而达到降低维度，便于分析的目的，并对因子命名用于后续分析。
vip客户管理二、分析步骤
Step1数据准备：
依据研究目的，收集相关数据。本例中就是我们收集得到的14个问题的有关数据。
因子分析要求数据一定为定量数据，问卷数据一般为量表题。
Step2选项设置：
点击【进阶方法】--【因子分析】。
将分析项拖拽至右侧，点击[开始分析]，即可得到分析结果。
aac
∙s11306设置[因子个数]：如果有预期想提取的因子个数，可以主动设置输出的因子个数。
∙系统设计勾选[因子得分]：可自动保存因子得分。
∙勾选[综合得分]：可自动保存综合得分。
①判断数据是否适合因子分析
首先考察收集到的原有变量适不适合进行因子分析，我们利用KMO检验和Bartlett的检验结果进行判断。
表1：KMO和Bartlett的检验
上表展示KMO检验和Bartlett的检验结果。
通常KMO值的判断标准为0.6。大于0.6说明适合进行分析，反之，说明不适合进行分析。同时Bartlett检验对应P值小于0.05也说明适合分析。
SPSSAU输出的结果中会给出智能解读结果，直接查看智能分析：
②判断提取因子个数
海菱电器多数情况下，我们在分析时已经带着主观预期，希望题项如何归类，此时可以直接设置对应的因子个数。
本例中，工作满意度预期分为4个维度，因此将因子个数设为4。再进行分析。
因子个数设为4
表2：方差解释率表格
方差解释率表格，主要用于判断提取多少个因子合适。以及每个因子的方差解释率和累计方差解释率情况。方差解释率越大说明因子包含原数据信息的越多。因子分析中，主要关注旋转后的数据部分。
从上表可知：本次共提取了4个因子。此4个因子旋转后的方差解释率分别是24.993%,22.049%,20.191%,18.809%，旋转后累积方差解释率为86.042%。
