用因子分析法分析25名健康人的7项生化检验结果
1.数据的采集和整理：本题提供了一张25名健康人的7项生化检验结果的表格。
2.数据的标准化处理
由于不同变量之间存在着不同数量级的情况，需要对原指标数据进行标准化处理，吧不同指标数据之间转化成相同量纲的数据，使各指标数据具有可比性。
标准化处理用软件SPSS处理得，下图：
3.判断是否适合因子分析：KMO检验和Bartlett球形检验
KMO检验给出抽样充足量的测度，检验变量间的偏相关系数是否过小。Bartlett球形检验检验相关系数矩阵是否是单位阵，如果是单位阵，则表明不适合采用因子模型。
根据Kaiser给出的是否做因子分析的KMO标准为：KMO>0.9，非常适合；0.9>KMO>0.8，适合；0.8>KMO>0.7，一般；0.7>KMO>0.6，不太适合；KMO<0.5不适合，故KMO检验通过。同时，相伴概率为0.000，小于显著水平0.05，表明Bartlett球形检验通过，所以本文所选的变量适合做因子分析。根据SPSS得出如下图：
4.指标的相关性检验
借助于多元分析软件SPSS，得到25名健康人的7项生化检验结果指标的相关系数矩阵，如下图：
通过以上相关系数矩阵的分析可以看出，各个指标之间有较大的相关性，如果单纯以一个指标来评价市场绩效指标就会存在不够准确。为了消除这种情况，简化计算，可以进行降维处理，把原来比较复杂的相关矩阵内部找出几个综合指标，使综合指标为原来变量的线性组合，利用相对较少的因子进行研究。5.共同度分析
根据变量共同度的统计意义，它刻画了全部公共因子对于原始变量的总方差所作的贡献，它说明了全部公共因子反映出原变量信息的百分比。如下表2-4所示的变量共同度可知，除了1,2的共同度为0.796，0.773，其余变量的共同度都在80%以上，因此这两个公共因子对各变量的解释能力是比较强的。采用因子分析的效果是比较好的。如下图：
6.公共因子分析
因子载荷是公共因子与指标变量之间的相关系数，载荷越大，说明公共因子与指标变量之间的关系越密切。在确定公共因子个数时，先选择与原变量数目相等的因子个数，取初始特征矩阵大于1的因子为公共因子。经过总方差分解，可以明显看出有二个因子旋转后特征值大于1，它们的方差贡献率分别为47.135%、41.449%，累计贡献率为88.583%。当累积贡献率达到85%以上，因此完全可以采用这二个因子做评价。
如图：
从未转轴的因素矩阵可以看出，结果并不非常令人满意，有2个因素被抽取，所以本文采用方差最大化正交旋转方法对因子进行了旋转，得到了因子载荷矩阵，进而更清楚地观察样本。从旋转后的因素矩阵可以看出：他们的载荷值分别为：0.878、0.879、0.420、0.990、0.161、0.835、0.217、-0.726；他们的载荷值分别为：0.878、0.879、0.420、0.990、0.161、0.835、0.217、-0.726；
如图：
7.计算因子得分
下图维因子得分系数矩阵，根据因子得分系数和原始变量的值可以计算出每个观测值的各因子的分数，并可以据此对观测值进行下一步的分析。旋转后的因子得分表达式与计算结果如下：
成分1VAR00001VAR00002VAR00003VAR00004VAR00005VAR00006VAR000070.2710.2680.1090.3020.0710.087-0.20920.0750.031-0.2770.0230.3420.3390.175提取方法：主成分分析法。
旋转法：具有kaiser标准化的正交旋转法构成得分
8.排名
名字VAR00001VAR00002VAR00003因子得分0.1790.167-0.0727VAR00004VAR000050.1710.19842排名35VAR000060.2051VAR00007-0.0296
