因子分析论文2000

因子分析论文2000

对于IPO公司利润影响要素分析论文

利润是一个企业生存与发展的基础，同时它也是投资者进行投资决策的最重要影响因素之一。然而，由于会计分期假设和权责发生制的使用决定了某一期间的利润并不一定意味具有可持续性、利润带来的资源并不一定具有确定的可支配性，利润的高低也并非一定反映企业盈利能力的强弱[1]。因此，如果管理者或者投资者仅仅将企业利润作为决策的标准，势必会加大他们承担的风险，所以不管是管理者还是投资者都越来越关注企业的利润质量。所谓利润质量是指利润的形成过程以及利润结果的情况，体现公司利润的变现能力，持续性和稳定性[2，3]。高质量的利润能为企业的发展提供良好的盈利基础，同时也为投资者进行投资时降低风险、增加收益提供保障；低质量的企业利润则可能阻碍企业的持续发展，增加投资者的投资风险。因此，研究公司利润的质量不仅对公司自身发展具有重要的指导意义，还对投资者投资具有重要的参考意义。

1文献综述

至今为止，国内外学者从多个角度对企业的利润质量进行了分析研究。DhaouiAbderrazak，OuidadYousfi（2010）研究了目前的研发战略的决定因素和分析对财务绩效与盈余管理的权力下放的R&D的影响，研究结果表明跨国公司的研发权力下放，以改善公司的盈利能力，而管理人员的优势，可以得到一些私人和非转让的盈余管理而增加的好处[4]。因为产生这样的结果就会鼓励人们分散自己的研发，以增加盈余管理。MihirA。Desai（2005）认为企业为了赢得资本市场，夸大其盈利水平，往往采取避税这种方式，表面上提高了企业的利润质量，却导致企业的财务报告越来越不值得信赖[5]。PatriciaM。Dechow等（1995）对美国企业的实证分析发现企业的经营现金流量占的比重较高企业的利润质量较高，组成企业利润的应计利润和经营现金流量相比，应计利润的持续性弱于经营现金流量[6]。陈小林，林昕（2011）认为管理者会出于不同目的对盈余进行管理，近而将盈余管理按属性分为决策有用性盈余管理和机会主义盈余管理，审计师将根据不同的盈余管理属性出具不同的审计意见[1]。郭世辉，崔文姣（2009）则以应收账款规模、应收账款周转率和主营业务收入增长率与应收账款增长率的差额为变量构建了应收账款视角的利润质量评价模型，并得出应收账款规模与利润质量呈负相关，而应收账款周转率、主营业务收入增长率与应收账款增长率的差额对利润质量有正的影响[7]。田甜（2008）在分析了影响企业利润质量的因素后，提出应从加强企业应收账款管理，提高企业资产获利性等途径提升企业利润质量[8]。王秀丽（2005）从利润结构角度研究了利润质量问题认为高质量的利润结构应体现出与企业发展战略相符合性、与资产结构的匹配性、与对应的现金流量结构的趋同性、主营业务的核心性以及利润自身结构的协调性等特征[2]。

此外，周晓苏（2004）则通过关联规则分析了微利公司的利润质量，发现微利公司通过非经营业务增加流动资产、或减少流动负债等方式来提高企业的流动比率，可以达到提高公司利润质量的目的[9]。综上来看，目前国外的学者对利润质量的研究则主要集中在盈余管理，应计利润和经营现金流量对企业利润质量的影响，国内学术界则是从审计意见，企业利润结构、应收账款、资产流动性角度来研究上市公司利润质量的影响因素，而鲜有从受利润质量影响的股票价格方面，对利润质量进行分析。同时，IPO公司作为最受股民追捧的企业而学者们却忽略了对其利润质量影响因素的研究。本文选择IPO公司利润质量作为研究对象，运用因子分析法分析影响IPO公司利润质量的因素，并运用Logistic模型来探讨其影响的方向和显着性。

2研究假设和理论依据

股票价格能够反映公司的历史信息，是投资者分析决策的重要依据。然而已有研究成果表明股票价格不能直接反映公司利润质量。一方面，股票价格受股票市场有效性影响，不同有效性的股票市场的股票价格对反映公司利润往往具有不同的信度，无效的股票市场的股票价格不仅不能真实的反映公司历史信息，也无法真实反映公司利润的质量，因此，本文假设中国的股票市场是具有弱势有效性的，IPO公司提供的财务信息真实可靠。另一方面，股票价格瞬息万变，股价不能反映企业利润的稳定性，也无法为投资者提供直接的利润质量信息。因此，本文选择股票价格变异系数而非股票价格来衡量企业利润质量，是因为股票价格变异系数越小风险越小，投资者投资是对企业利润的长期增长和稳定性分析结果的理性人选择。此外，根据公司法、证券法的规定，从未上市的公司若要成为上市公司，必须由审计师对其前一年的财务报告，出具标准无保留意见，这也意味着从新上市公司前一年财务报告中获取的财务指标值得信赖。

3影响IPO公司利润质量变量选择和样本数据选取

影响IPO公司利润质量变量选择

基于以上假设和现有的研究成果，从体现公司利润的形成过程以及利润的结果两个方面对影响IPO公司利润质量的变量进行选择。（1）体现公司利润的形成过程：应收账款周转率（X1）、存货周转率（X2）、流动比率（X3）、速动比率（X4）、每股现金净流量（X7）、每股经营现金净流量（X8）、扣除非经常性损益后的每股收益（X9）。（2）体现公司利润的结果：扣除非经常性损益后的净利润（X5）、营业利润率（X6）、净资产收益率（X10）、税后利润增长率（X11）11个指标作为影响IPO公司利润质量的影响因素进行实证分析。此外，选择各个上市公司收盘价格的变异系数作为衡量利润质量优劣的标准。

样本数据选取

本文原始数据主要来源于大智慧软件和宏源证券软件，新股信息则来自于东方财富网（http：//data。eastmoney。com）。基于研究需要，本文对预选样本按以下标准进行剔除：

（1）本文只选择2010年第一季度上市的IPO公司作为分析样本。因为公司将在第一个季度的15天以内报出该企业第一季度的财务报表。但若公司3月31日上市，则该公司第一季度股票收盘价格变异系数为0，对其进行分析意义不明显，这样的IPO公司将被剔除。

（2）本文选者的财务指标都在一定的范围之内，对异常指标将予以剔除。例如，人人乐其资产周转率达到了8800多，远远的超过其他公司的资产周转率。

（3）金融企业与其他企业相比，具有特殊的风险，资本的财务杠杆率高等特点，因此金融企业也不在本文的研究范围之内。通过以上筛选最终有85家IPO公司符合本文的研究要求，所有数据均来自于2009年各个公司的年报数据。

4实证分析

因子分析

因子分析法是通过研究众多研究变量内部之间的相互依存关系，旨在运用假设的少数几个变量来表示原来变量的主要信息的研究方法。根据因子分析法的操作原理和基本步骤，并对原始变量进行标准化的`基础上，建立的因子分析数学模型如下：x1=a11F1+a12F2+∧+a1mFm+ε1x2=a21F1+a22F2+∧+a2mFm+ε2∧xn=an1F1+an1F1+an2F2+∧+anmFm+ε{m（1）其中，xi为原始变量，aij为因子负荷，Fi公共因子，εi为随机扰动项。对样本数据进行KMO和球形Bartlett检验，检验结果见表1。从表1可知，Bartletts检验结果拒绝了各变量独立的假设，KMO统计量为0。623，大于临界值0。5，所以比较适合进行因子分析。进行因子分析后，得出主成分信息（见表2）。从表2可知由相关矩阵求得特征值，方差贡献率和相关贡献率中，前5个主成分的特征值均大于1，他们的累积贡献率达到75。95%，说明这5个因子能够比较全面的解释利润质量的总体水平。提取5个因子后，计算出各变量的共同度（见表3），结果显示每一个变量的共性方差均大于0。5，且大部份接近或者超过0。7，说明这5个因子能够较好的客观地反映了原变量的大部分信息。由这5个主因子与上述11个变量得到的因子载荷矩阵，因为初始的因子载荷矩阵系数不是太明显，为了使因子载荷矩阵系数向0—1分化，本文对其采取方差最大旋转，旋转后的结果见表4。根据表4，我们得到的主因子的表达式为：F1=0。944x2+0。944x3—0。613x4+0。821x7F2=0。798x1+0。736x6F3=0。798x9+0。770x10F4=0。792x8+0。794x11F5=0。889x5其中，F1包括流动比率，速动比率，资产负债率，每股现金流量，F2包括应收账款周转率，营业利润率，F1和F2体现企业利润的变现能力等。F3包括扣除非经常性损益后的每股收益，净资产收益率，F4包括每股经营现金净流量，税后利润增长率，F5包括扣除非经常性损益后的净利润。F3，F4，F5表现企业利润的持续性和稳定性。

回归分析

在对以上变量进行了因子分析后，我们还需要对其影响方向和显着性进行进一步的分析。因此本文在因子分析后，运用Logistic模型进行分析。根据Logistic分析要求，因变量必须是二分类变量。因此，我们首先将IPO公司的股票收盘价的变异系数从小到大排序，并规定排在前面的43家公司为利润质量较高的公司，Y值为1，剩下的42家公司Y值为0。在前面的分析中，提取了5个主因子，将5个主因子作为新变量进行logistic回归分析。Logistic的回归模型为：pi=ea+∑k=nk=1βkki1+ea+∑k=nk=1βxki（2）对其进行变形得到：logit（p）=ln（pi1—pi）=a+∑k=nk=1βkxki（3）即：Logit（p）=α+β1F1+β2F2+β3F+β4F4+β5F5其中P表示Y=1（即利润质量高）的概率，F1表示提取的5个主因子。运用spss16。0进行logistic回归，得出综合回归结果，综合回归结果中卡方值为15。922，其达到了0。05的显着性水平，对其进行的Hosmer—Lemeshow检验，Hosmer—Lemeshow统计值的概率P为0。825大于显着性水平0。05，说明模型的拟合优度较好。Logistic回归具体结果见表5。得到logistic回归模型为Logit（p）=0。450—0。725F1+0。264F2+0。242F3+0。606F4+0。313F5

5结果分析与结论

结果分析

从表5结果来看：第一主因子F1的Wald值为4。938，大于其它主因子的Wald值，且显着性水平达到了0。05。第一主因子F1包括流动比率，速动比率，资产负债率，每股现金流量。由回归系数符号，我们得知作为样本的IPO公司的上述几个指标对利润质量有影响，且为负向影响，则意味着这些指标值越大，企业的利润值越不高，股价的波动性越大。流动比率，速动比率，资产负债率，每股现金比率的最佳值都存在一定的范围，若超过这个范围，企业的发展就会受到影响。如流动比率（流动资产与流动负债的比值）的最佳值为2：1，但在研究的85个样本中只有4个样本的流动比率接近于这个最佳值。这也在另一方面说明了中国的投资值对一个企业的评价，很大程度上来自于该企业的偿债能力。第四个主因子F4的wald值为4。89，其显着性水平达到了0。05，这个主因子包括了每股经营现金净流量，税后利润增长率。从上表中，我们得知？4为0。606，回归系数符号为正，则表明每股经营现金净流量，税后利润质量增长率对利润质量是正向影响。即每股经营现金净流量越大，税后利润质量增长率越高，表明企业的利润质量越好，投资者向这些公司投资的风险越小。主因子F2，F3，F5主因子的Wald值都没有通过检验，说明这些因子包括存货周转率，扣除非经常性损益后的净利润，营业利润率，每股收益，每股经营现金净流量，净资产收益率对利润质量的影响不显着，但并不能说明这些因素可以忽略。

结论

本文用股票价格的变异系数代表利润质量进行影响因素分析，并不能全部解释利润质量的影响因素，因为影响股价的因素不仅包括利润质量方面的信息，还要受很多其他方面的影响。如方曙红，李正逸（2007）以资本资产定价模型为基础，分析利率变动对我国股票股价的影响，最后得出在一般情况下，利率的上升，将会导致股票价格的下降[10]。所以回归结果虽然不够理想，但是总的来说仍然可以接受。本文通过因子分析法，logistic回归分析，发现每股经营现金净流量，税后利润质量增长率对IPO公司的利润质量有显着的正向影响，其中流动比率，速动比率，资产负债率，每股现金比率对IPO公司的利润质量有显着的负向影响。因此，管理层在对公司进行管理的时候，应该关注公司的流动资产，速动资产，以及负债等，不断提高公司的利润质量。

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)，选出3个数字绝对值大于的那个值(),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。

因子分析论文模板

spss给出哪些结果都需要的

这个表格比较多，包括KMO检验，方差解释率表格，旋转后因子载荷系数值这三个表格一般是需要的，有时候还需要碎石图。网页版本SPSS就是SPSSAU这个里面全部都会有，关键是里面都有智能化文字分析可以直接使用，表格也都是全部整理好的直接下载到EXCEL就能使用。

不难。硕士论文因子分析法配合使用excel，简便的通过连环替代的方法找出各个因子对财务风险的影响因素，还是比较简单的。硕士论文是硕士研究生所撰写的学术论文，具有一定的理论深度和更高的学术水平。

因子分析论文流程

因子分析操作步骤如下所述：（1）分析——降维——因子（2）将量表题或者数据拖入变量匡中（3）描述——勾选“初始解”——“KMO和巴特利特球形检验”KMO和巴特利特球形检验是因子分析的前提，只有KMO与巴特利特球形检验结果过了，才可以做因子分析。这里的KMO严格意义上来说只是能说明问卷或者所选数据适不适合做因子分析。但很多论文、硕士教育学中、大部分本科论文里都用KMO来衡量问卷或者所选数据的效度。这里根据你所处环境及导师要求具体情况具体分析。（4）抽取——勾选“碎石图”——“未旋转因子解”。“基于特征值”这里特征值大于1是SPSS默认的。如果当抽取的因子只有一个或者不符合你预期时，可以在这里输入你想要的因子个数。（5）“旋转”——勾选“最大方差”、“旋转后的解”、“载荷图”。这里最大方差是必要的，如果不勾选上，若未勾选可能导致KMO值出不来。（6）“得分”——“保存变量”：若需要计算因子得分时，勾选上，运行后因子得分保存在数据中。“因子得分系数矩阵”。（7）“选项”——“禁止显示小系数”：这里勾选上以后（禁止显示小系数设置成），是为了方便分析成分矩阵和旋转成分矩阵，观察各题因子归属。（8）最后点击确定即可。

步骤：分析——降维——因子分析对话框：描述——钩"KMO和Bartlett的球形检验"——继续旋转——点“最大方差法”——钩“载荷图”——继续选项——钩“按大小排序”——继续点入量表中的所有项目数据确定然后就可以得到结果。欢迎追问

亲，分析的事儿好说，关键是这两个因子分别有哪些题目啊……查遍了也没查到……

我这次的论文也是用因子分析来做的，在图书馆借了几本书外加在网上搜集的资料，可以说是小有成就啦第一步就是先输入数据，建议先将数据用excel列好，到时直接复制粘贴了第二步是分析相关性，将相关的变量剔除掉，选取手术几个不相关的指标第三 采用主成分分析法对原始数据进行标准化变换并求相关系数矩阵Rm@n, 求出R的特征根Ki及相应的标准正交化特征向量ai, 计算特征根Ki的信息贡献率,确定主成分的个数, 将经过标准后的样本指标值代入主成分, 计算每个样本的主成分得分。最后将主成分的值加总，得出排名。。。不知道我这么做是不是麻烦的，，希望能帮到你，又不懂的还可以问我

主成分分析与因子分析毕业论文

研究生毕业论文写来是有点困难要花点时间和功夫。不过一般的学校都要求不高，质量都一般。只要认真肯花功夫，一般没有问题。好一点的大学要求稍高，可能要花很长时间完成，不过绝大多数人都可以通过的，极少数人会因为各种奇葩问题才通不过。现在写论文都要求实证过程，就是利用模型拟合数据达到自己预期的结果，论文实证的模型主要有：普通回归，静态面板回归，动态面板回归，门槛回归，断点回归，两阶段回归，双重差分回归，分位数回归，逻辑回归，空间回归，结构方程还有时间序列等一系列的处理方法；确定权重计算综合得分的模型主要有因子分析，主成分分析，熵值法，层次分析法还有综合迷糊评价法等等，本科生应用的模型可以稍微简单一些，普通回归，静态面板回归就差不多了，研究生毕业论文的模型要复杂一些，目前门槛和断点模型运用的比较广泛。

主成分分析和因子分析无论从算法上还是应用上都有着比较相似之处，本文结合以往资料以及自己的理解总结了以下十大不同之处，适合初学者

学习之用。

1.原理不同

主成分分析基本原理：利用降维（线性变换)的思想，在损失很少信息的前提下把多个指标转化为几个不相关的综合指标（主成分),即每个主成分

都是原始变量的线性组合,且各个主成分之间互不相关,使得主成分比原始变量具有某些更优越的性能（主成分必须保留原始变量90%以上的信

息），从而达到简化系统结构，抓住问题实质的目的。

因子分析基本原理：利用降维的思想，由研究原始变量相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量表示成少数的公共因子和仅

对某一个变量有作用的特殊因子线性组合而成。就是要从数据中提取对变量起解释作用的少数公共因子（因子分析是主成分的推广，相对于主成分

分析，更倾向于描述原始变量之间的相关关系）

2.线性表示方向不同

因子分析是把变量表示成各公因子的线性组合；而主成分分析中则是把主成分表示成各变量的线性组合。

3.假设条件不同

主成分分析：不需要有假设(assumptions),

因子分析：需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子

之间也不相关。

4.求解方法不同

求解主成分的方法：从协方差阵出发（协方差阵已知），从相关阵出发（相关阵R已知），采用的方法只有主成分法。

（实际研究中，总体协方差阵与相关阵是未知的，必须通过样本数据来估计）

注意事项：由协方差阵出发与由相关阵出发求解主成分所得结果不一致时，要恰当的选取某一种方法；一般当变量单位相同或者变量在同一数

量等级的情况下，可以直接采用协方差阵进行计算；对于度量单位不同的指标或是取值范围彼此差异非常大的指标，应考虑将数据标准化，再由协

方差阵求主成分；实际应用中应该尽可能的避免标准化，因为在标准化的过程中会抹杀一部分原本刻画变量之间离散程度差异的信息。此外，最理

想的情况是主成分分析前的变量之间相关性高，且变量之间不存在多重共线性问题(会出现最小特征根接近0的情况)；

求解因子载荷的方法：主成分法，主轴因子法，极大似然法，最小二乘法，a因子提取法。

5.主成分和因子的变化不同

主成分分析：当给定的协方差矩阵或者相关矩阵的特征值唯一时，主成分一般是固定的独特的；

因子分析：因子不是固定的，可以旋转得到不同的因子。

6.因子数量与主成分的数量

主成分分析：主成分的数量是一定的，一般有几个变量就有几个主成分（只是主成分所解释的信息量不等），实际应用时会根据碎石图提取前几个

主要的主成分。

因子分析：因子个数需要分析者指定（SPSS和sas根据一定的条件自动设定，只要是特征值大于1的因子主可进入分析），指定的因子数量不同而结

果也不同；

7.解释重点不同：

主成分分析：重点在于解释个变量的总方差，

因子分析：则把重点放在解释各变量之间的协方差。

8.算法上的不同：

主成分分析：协方差矩阵的对角元素是变量的方差；

因子分析：所采用的协方差矩阵的对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）

9.优点不同：

因子分析：对于因子分析，可以使用旋转技术，使得因子更好的得到解释，因此在解释主成分方面因子分析更占优势；其次因子分析不是对原有变

量的取舍，而是根据原始变量的信息进行重新组合，找出影响变量的共同因子，化简数据；

主成分分析：

第一：如果仅仅想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分

析，不过一般情况下也可以使用因子分析；

第二：通过计算综合主成分函数得分，对客观经济现象进行科学评价；

第三：它在应用上侧重于信息贡献影响力综合评价。

第四：应用范围广，主成分分析不要求数据来自正态分布总体，其技术来源是矩阵运算的技术以及矩阵对角化和矩阵的谱分解技术，因而凡

是涉及多维度问题，都可以应用主成分降维；

10.应用场景不同：

主成分分析：

可以用于系统运营状态做出评估，一般是将多个指标综合成一个变量，即将多维问题降维至一维，这样才能方便排序评估；

此外还可以应用于经济效益、经济发展水平、经济发展竞争力、生活水平、生活质量的评价研究上；

主成分还可以用于和回归分析相结合，进行主成分回归分析，甚至可以利用主成分分析进行挑选变量，选择少数变量再进行进一步的研究。

一般情况下主成分用于探索性分析，很少单独使用，用主成分来分析数据，可以让我们对数据有一个大致的了解。

几个常用组合：

主成分分析+判别分析，适用于变量多而记录数不多的情况；

主成分分析+多元回归分析，主成分分析可以帮助判断是否存在共线性，并用于处理共线性问题；

主成分分析+聚类分析，不过这种组合因子分析可以更好的发挥优势。

因子分析：

首先，因子分析+多元回归分析，可以利用因子分析解决共线性问题；

其次，可以利用因子分析，寻找变量之间的潜在结构；

再次，因子分析+聚类分析，可以通过因子分析寻找聚类变量，从而简化聚类变量；

此外，因子分析还可以用于内在结构证实

zhuanzi  网页链接

具体一点，说明白详细要求，我可以帮忙。

主成分分析和因子分析都是信息浓缩的方法，即将多个分析项信息浓缩成几个概括性指标。

因子分析在主成分基础上，多出一项旋转功能，该旋转目的即在于命名，更容易解释因子的含义。如果研究关注于指标与分析项的对应关系上，或是希望将得到的指标进行命名，SPSSAU建议使用因子分析。

主成分分析目的在于信息浓缩（但不太关注主成分与分析项对应关系），权重计算，以及综合得分计算。如希望进行排名比较，计算综合竞争力，可使用主成分分析。

SPSSAU可直接使用这两种方法，支持自动保存因子得分及综合得分，不需要手动计算。

论文文献因子分析法

问题一：用SPSS已经做出了因子分析，那么具体的分析结果应该怎么看呢？ KMO检验统计量在以上，说明变量之间的偏相关性较强，适合做因子分析，球形检验p小于，说明变量之间存在相关性。第二格表格为共同性，表示各变量中所含原始信息能被提取的共同因子所表示的程度，根据你的数据，你提取的公因子是两个，第三个表格是指提取的俩个主成分能解福差异的比列，第四个表格是主成分表达式，第五表格是因子得分公式。 问题二：因子分析到底有什么用处？ 问题：大家觉得因子分析到底有什幺用处呢？把原来很多个影响因素归纳成几个影响因子，如果不继续做回归或者聚类的话，光做因子分析有价值吗？答复：因子分析是将多个实测变量转换为少数几个综合指标（或称潜变量），它反映一种降维的思想。通过降维将相关性高的变量聚在一起，从而减少需要分析的变量的数量，而减少问题分析的复杂性。在你对问题系统结构不了解时候，因子分析可以根据数据内在逻辑性，把它归并成几个公因子，每个公因子分别代表空间的一个维度，如果经过正交或斜 交旋转的话，各个维度之间可以认为是不相关的，这些公因子能够相对完整地刻画对象的体系维度，最起码累计方差贡献率大于85%的话，就基本能够保证重要信 息不丢失了。一句话，你如果对研究对象到底应该分为几个维度不清楚的话，用因子分析可以通过数据内在逻辑告诉你。但如果你对研究对象体系比较清楚的话，那你直接确定维度，通过AHP计算出权重，就能够把系统表述清楚了。但这里面有巨大问题，单纯通过数据内 在逻辑来判断维度，常常是错误的，而主观判断其实更加科学，并非象统计学宣称的，数据说话才有发言权。真正有发言权的，是你对问题的经验认识程度。人们为 了避免被人嘲笑主观判断的失误，而越来越选择了统计分析，实际上，他们并不清楚，单纯用统计分析来做判断，才是最愚蠢的。只有主客观结合起来，才是相对科 学的，两者矛盾的时候，应该深入研究矛盾的根源，搞不清楚的话，我认为指标体系评价法要远比统计分析准确的多。而变量之所以能分布在不同的因子内，则是由 于其方差波动性大小和变量之间的相关性决定的，波动性越大，越排在前面的公因子中，各个公因子之间的变量是不相关的，而每个公因子之间的变量是相关的。因 子分析认为那些数据波动大的变量对对象影响作用更大，它们排在公因子的前列，这样单纯从数据逻辑来判断的准则你认为对吗？我想，如果管理和社会科学都这幺 认为的话，那错误将大大增加了。上面想法是我这两年做课题的体会，没有在任何一本书上看过相关说法，也许说的不对，这是我个人看法。如果让我选择的话，我 宁愿用指标体系评价法，体系几个维度事先就清楚，最多先用因子分析算算，看看数据波动性如何，到底能确定几个维度，只起辅助作用。研究者就是专家，指标体 系的维度由主观来做判断，这主要来自经验判断，而不是由数据判断，我认为其实更科学。当然，如果你对问题一无所知，那指标体系评价法用AHP来做的话，错 误很可能更多。我以前就强烈批判过AHP。说到底，没有一种评价方法是好的，说明问题就好。问题：那能对LISREL进行类似于因子分析的探索性因素分析了解吗？能给点评价么？3x答复：下面是探索性分析的原理：传统上所谈的因素分析）factor *** ysis)指的是探索性因素分析）exploratory factor *** ysis)，它的目的是在承认有测量误差的情形下，尝试用少数的因素）factors)以解释许多变项间的相关关系。随着统计理论及电脑计算上的进展，目前因素分析的方法可分成探索性因素分析）exploratory factor *** ysis，EFA)及验证性因素分析）confirmatory factor *** ysis，CFA)，这两类分析之间的差别在于研究者对研究变项间因素结构的了解程度不同。如果研究者对资料内所含的因素性质，结构及个数不是很 清楚，则可使用探索性因素分析试图找出能解释资料变项间相关关系的少数几个重要因素。若研究者从过去文献中的理论及自己的研究经验，而对资料间因素之数 目，结构有一定程度的了解及假设，则可使用验证性因素分析来验证该假设是否能解......>> 问题三：进行因子分析的前提条件是各变量之间应该怎么做 本来想给你截图的，可是传不上来，我就简单说一下哈。 首先你得进行一次预计算，选择菜单里分析――降维――因子分析，跳出主面板，把想分析的变量选到变量框里，然后点确定。这时候输出窗口里会只有一个或两个图表。其中有一个图表是主成分的方差贡献。这个图表里你要找到两个相邻的列（应该是第三列和第四列），其中前一个列指的是单个因子对方差的贡献率，后一个是因子累计贡献率。也就是说前一个列里边数值相加等于100，后一个列里边数值递增，最后一个等于100。假如前一个列里是60,30,10，那么后一列里就是60,90,100.两个列之间有一个和的关系。找到这两个列以后，你要找使得累计贡献率达到百分之八十的那个数。这个表的第一列是1,2,3，等等，它代表第几个因子，比如3指的那行就包括第三个因子的方差贡献率，累积到第三个因子的方差贡献率这两个数据。你要找到累计到达百分之八十的那个因子是第几个因子，然后就按提取几个因子进行计算。 通过预计算知道了提取几个因子之后，就开始正式计算。再次打开因子分析的主面板，在最右边一共有五个选项，分别是描述，抽取，旋转，得分，选项。这五个在预计算里边没有用，但是现在要用了。点继续。 点击描述，在对话框里选上初始变量分析，kmo统计量及bartlett球形检验这两个选项，（注意，kmo和bartlett是一个选项，选项名就是很长）这一步是用来判断变量是否适于进行因子分析的。 点击抽取，对话框里最上边的方法就选主成分，分析里选上相关性矩阵，输出选上未旋转的因子解和碎石图两个选项，抽取里选择因子的固定数目，在要提取的因子后边填上你预计算里算出的因子数目。点继续。 旋转里边选最大方差法，输出旋转解。继续。 得分里边选保存为变量，方法为回归，显示因子得分系数矩阵也要打上勾。继续。 确定。 然后就可以分析结果了。 先看kmo和bartlett的结果，kmo统计量越接近1，变量相关性越强，因子分析效果越好。通常以上为一般，以下不能接受，就是不适合做因子分析。bartlett检验从检验相关矩阵出发，如果p值，就是sig，比较小的话，一般认为小于，当然越小越好，就适于因子分析。 如果这两个检验都合格的话，才可以去写因子模型。 为了便于描述，假设我们有两个因子f1，f2， 旋转变换后的因子载荷矩阵会告诉你每个变量用因子表示的系数。比如变量x1=系数1*f1+系数2*f2，变量2以此类推。 因子得分系数矩阵会告诉你每个因子里各变量占得权重，比如f1=系数1*x1+系数2*x2+。。。 根据这个我们就能算出因子得分了。 因为之前选择了将因子保存为新变量，所以spss会直接保存两个因子得分为两个新变量， 然后我们不是有一个公式吗 总得分=因子1的方差贡献率*因子1的得分+因子2的方差贡献率*因子2的得分+... 根据这个公式计算一下就可以了。 用spss或者Excel都可以。 希望能对你有帮助哦。 ppv课，大数据培训专家，最专业的大数据培训平台。为你提供最好的spss学习教程哦。 问题四：excel2003如何做因子分析 都不知道你所说的因子是指的那个因子，数据管理因子还是什么的，提问清楚些。别人也比较容易理解！ 问题五：怎样用SPSS做因子分析 在表因子变量解释贡献率（Total Variance Explained）中，看各个主因子的方差贡献率（Initial Eigenvalues栏下的% of Variance），例如图中三个主因子对应的权重为、、，测将三个权重进行归一化处理，()、()、()，所得三个数即为主因子权重 问题六：怎样用spss做因子分析？ SPSS→分析→数据缩减→因子分析→选择自变量和因变量→描述里面选择KMO检验和球型检验；海转选择最大方差旋转法→确定→结果 问题七：如何利用因子分析的排名进行分析 你通过因子分析 中一个选项 保存因子得分,之后会在原数据最后保存生成3列因子得分,假设为a1 a2 a3 代表3个因子然后根据因子分析得出三个因子的特征根值,分别计算粗3个因子的权重,分别为各自的特征根值/三个因子特征根值之和. 然后综合因子得分=a1*对应权重+a2*对应权重+a3*对应权重之后就根据综合因子得分进行大小排名 就这样出来了 问题八：因子分析法需要哪些数据，用什么软件做 因子分析是用因子概括变量信息，所以首先自变量是什么?三年数据当然是一起录入，通过三年的变化来反映因变量的变化。

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。

可以。因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。