為什麼要進行因子分析?
因子分析後為什麼要進行迴歸分析
用因子得分FAC1-1做迴歸，那個因子載荷陣是原變量與因子的相關係數，你可以參考網上的文獻，另外新生成的因子是不相關的，不用做相關分析了
在因子分析中，為什麼要對因子進行旋轉
主成分分析不能旋轉，因子分析才能。很多論文這個方面都誤用了 統計專業，為您服務
為什麼在做SPSS因子分析時要進行不止一次的因子的抽取
一次抽取過後，不合適的項目要刪除。之後要再抽取，再刪除項目。這樣就多次了。
當然，如果數據、結構夠好，一次也可以探索成良好結構
spss因子分析為什麼要對因子進行旋轉？
因子旋轉是為了更有利於用現實語言來描述所得因子。正常因子分析得出的因子可能邏輯意義不明顯，理解起來很困難。但旋轉之後就可能得到有邏輯意義的因子。
進行因子分析的前提條件是各變量之間應該怎麼做
本來想給你截圖的，可是傳不上來，我就簡單說一下哈。
首先你得進行一次預計算，選擇菜單裡分析——降維——因子分析，跳出主面板，把想分析的變量選到變量框裡，然後點確定。這時候輸出窗口裡會只有一個或兩個圖表。其中有一個圖表是主成分的方差貢獻。這個圖表裡你要找到兩個相鄰的列（應該是第三列和第四列），其中前一個列指的是單個因子對方差的貢獻率，後一個是因子累計貢獻率。也就是說前一個列裡邊數值相加等於100，後一個列裡邊數值遞增，最後一個等於100。假如前一個列裡是60,30,10，那麼後一列裡就是60,90,100.兩個列之間有一個和的關係。找到這兩個列以後，你要找使得累計貢獻率達到百分之八十的那個數。這個表的第一列是1,2,3，等等，它代表第幾個因子，比如3指的那行就包括第三個因子的方差貢獻率，累積到第三個因子的方差貢獻率這兩個數據。你要找到累計到達百分之八十的那個因子是第幾個因子，然後就按提取幾個因子進行計算。
通過預計算知道了提取幾個因子之後，就開始正式計算。再次打開因子分析的主面板，在最右邊一共有五個選項，分別是描述，抽取，旋轉，得分，選項。這五個在預計算裡邊沒有用，但是現在要用了。點繼續。
點擊描述，在對話框裡選上初始變量分析，kmo統計量及bartlett球形檢驗這兩個選項，（注意，kmo和bartlett是一個選項，選項名就是很長）這一步是用來判斷變量是否適於進行因子分析的。
點擊抽取，對話框裡最上邊的方法就選主成分，分析裡選上相關性矩陣，輸出選上未旋轉的因子解和碎石圖兩個選項，抽取裡選擇因子的固定數目，在要提取的因子後邊填上你預計算裡算出的因子數目。點繼續。
旋轉裡邊選最大方差法，輸出旋轉解。繼續。
得分裡邊選保存為變量，方法為迴歸，顯示因子得分系數矩陣也要打上勾。繼續。
確定。
然後就可以分析結果了。
先看kmo和bartlett的結果，kmo統計量越接近1，變量相關性越強，因子分析效果越好。通常0.7以上為一般，0.5以下不能接受，就是不適合做因子分析。bartlett檢驗從檢驗相關矩陣出發，如果p值，就是sig，比較小的話，一般認為小於0.05，當然越小越好，就適於因子分析。
如果這兩個檢驗都合格的話，才可以去寫因子模型。
為了便於描述，假設我們有兩個因子f1，f2，
旋轉變換後的因子載荷矩陣會告訴你每個變量用因子表示的係數。比如變量x1=係數1*f1+係數2*f2，變量2以此類推。
因子得分系數矩陣會告訴你每個因子裡各變量佔得權重，比如f1=係數1*x1+係數2*x2+。。。
根據這個我們就能算出因子得分了。
因為之前選擇了將因子保存為新變量，所以spss會直接保存兩個因子得分為兩個新變量，
然後我們不是有一個公式嗎
總得分=因子1的方差貢獻率*因子1的得分+因子2的方差貢獻率*因子2的得分+...
根據這個公式計算一下就可以了。
用spss或者Excel都可以。
希望能對你有幫助哦。
ppv課，大數據培訓專家，最專業的大數據培訓平臺。為你提供最好的spss學習教程哦。
因子分析後得到的幾個成分做迴歸分析，為什麼還要考慮多重共線性?
因為他不是用的因子得分，是線性計算的值
理論上用因子得分
請問 做相關分析前，一定要做因子分析嗎？因子分析的目的是什麼？ 謝謝！
主成分分析和因子分析的區別 :jok:
1，因子分析中是把變量表示成各因子的線性組合，而主成分分析中則是把主成分表示成
個變量的線性組合。
2，主成分分析的重點在於解釋個變量的總方差，而因子分析則把重點放在解釋各變量之
間的協方差。
3，主成分分析中不需要有假設(assumptions),因子分析則需要一些假設。因子分析的假
設包括：各個共同因子之間不相關，特殊因子（specific factor）之間也不相關，共同
因子和特殊因子之間也不相關。
4，主成分分析中，當給定的協方差矩陣或者相關矩陣的特徵值是唯一的時候，的主成分
一般是獨特的；而因子分析中因子不是獨特的，可以旋轉得到不到的因子。
5，在因子分析中，因子個數需要分析者指定（spss根據一定的條件自動設定，只要是特
徵值大於1的因子進入分析），而指
定的因子數量不同而結果不同。在主成分分析中，成分的數量是一定的，一般有幾個變量
就有幾個主成分。
和主成分分析相比，由於因子分析可以使用旋轉技術幫助解釋因子，在解釋方面更加有
優勢。大致說來，當需要尋找潛在的因子，並對這些因子進行解釋的時候，更加傾向於
使用因子分析，並且藉助旋轉技術幫助更好解釋。而如果想把現有的變量變成少數幾個
新的變量（新的變量幾乎帶有原來所有變量的信息）來進入後續的分析，則可以使用主
成分分析。當然，這中情況也可以使用因子得分做到。所以這中區分不是絕對的。
總得來說，主成分分析主要是作為一種探索性的技術，在分析者進行多元數據分析之前
，用主成分分析來分析數據，讓自己對數據有一個大致的瞭解是非常重要的。主成分分
析一般很少單獨使用：a，瞭解數據。(screening the data),b,和cluster analysis一
起使用，c，和判別分析一起使用，比如當變量很多，個案數不多，直接使用判別分析可
能無解，這時候可以使用主成份發對變量簡化。（reduce dimensionality）d,在多元回
歸中，主成分分析可以幫助判斷是否存在共線性（條件指數），還可以用來處理共線性
。
在算法上，主成分分析和因子分析很類似，不過，在因子分析中所採用的協方差矩陣的
對角元素不在是變量的方差，而是和變量對應的共同度（變量方差中被各因子所解釋的
用SPSS作因子分析，數據為什麼要標準化
不標準化 可能會由於不同列的數據本身的大小差異影響結果
比如一列重量數據的範圍可能都是幾g，數據都是個位數，然後一列數據的計量單位是m，但實際值都是0.0001起的，因為主成份分析時，只考慮數據，未把計量單位考慮進去，這樣兩列數據的大小差異很大，會影響結果，因此對數據進行一定的標準化處理，使所有列的數據範圍都在正負1之間，這樣可以避免數據差異的影響
實證一定要進行因子分析嗎
實證是相對於理論而言的，凡是涉及到數據和統計分析的，都可以叫實證，而因子分析只是眾多統計分析方法中的一個而已，自然就不是必須的了。（南心網SPSS實證分析）
因子分析時為什麼要選擇特徵值大於1
這要從什麼是特徵值說起，特徵值指的是每道題在某一因子上載荷值的平方和，其代表的是該因子的方差。由於因子分析常用相關矩陣，使得每道題的總方差都是1，有n道題則n個題的總方差就是n。
因子分析的目的是降維，是化簡現有的題將其歸類，用盡量少的因子來解釋所有題目的方差。如果某因子的特徵值還沒有1大，這表明這個因子總共只能解釋一道題的方差，甚至還不能完全解釋，那麼我們直接用這道題來解釋它自己就好了，幹嘛還要抽取一個解釋力不足的因子呢？所以抽取因子的標準是特徵值應該大於1，這是一個基本的標準