实⽤⼲货：因⼦分析超全步骤总结
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。
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，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。
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。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。
Step3结果解释：
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
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%。
说明4个因⼦能够提取14个分析项86.042%的信息量，这个值没有固定标准，⼀般超过60%都可以接受。
如果研究⼈员并没有预设维度。⽽选择默认选项，SPSSAU默认以特征根⼤于1作为标准。
特征根：指标旋转前每个因⼦的贡献程度。此值的总和与项⽬数匹配，此值越⼤，代表因⼦贡献越⼤。当然因⼦分析通常需要综合⾃⼰的专业知识综合判断，即使是特征根值⼩于1，也⼀样可以提取因⼦。
碎⽯图
同时可结合碎⽯图辅助判断因⼦提取个数。当折线由陡峭突然变得平稳时，陡峭到平稳对应的因⼦个数即为参考提取因⼦个数。实际研究中更多以专业知识，结合因⼦与研究项对应关系情况，综合权衡判断得出因⼦个数。
③判断因⼦与题项对应关系
上⾯提到确定因⼦提取个数除了要考虑以上指标，更重要的是结合因⼦与研究项对应关系情况判断。因⼦载荷系数表，正是反映因⼦和研究项对应关系情况。
表3：旋转后因⼦载荷系数表格
从结果中可以看出，使⽤因⼦分析对14个项进⾏浓缩处理，浓缩为四个因⼦。
因⼦与题项对应关系，其中Q12-Q14在F1因⼦上有较⾼的载荷，说明F1因⼦可以解释这⼏个分析项，它们主要反映了⼯作报酬⽅⾯的满意度；
Q9-Q11在F2上有较⾼的载荷，它们主要反映了领导管理⽅⾯的满意度；Q5-Q8在F3上有较⾼的载荷，它们主要反映了⼯作环境⽅⾯的满意度；Q1-Q4在F1上有较⾼的载荷，它们主要反映了个⼈发展⽅⾯的满意度。
Step4结果调整：
如果出现因⼦分析结果与预期结果不⼀致，这种情况是⾮常常见的。对于不理想的题项可以移出该项，再次分析，直⾄所有分析项与因⼦对应关系良好。
如果出现以下3种问题，则需要对不合理题项进⾏删除:
第⼀类：如果分析项的共同度值⼩于0.4,则对应分析项应该作删除处理;
第⼆类：某分析项对应的”因⼦载荷系数”的绝对值,全部均⼩于0.4,也需要删除此分析项;
第三类：如果某分析项与因⼦对应关系出现严重偏差（通常也称作‘张冠李戴’）,也需要对该分析项进⾏删除处理。这部分在帮助⼿册中有详细介绍，有需要可阅读帮助⼿册中对应内容：
Step5因⼦命名：
当确定了最终提取的因⼦数及题项对应关系，即可对提取的因⼦命名。
可以结合旋转后的因⼦载荷矩阵结果进⾏命名，最终将四个因⼦分别命名为F1⼯作报酬、F2领导管理、F3⼯作环境、F4个⼈发展。
三、后续分析
因⼦分析往往是预处理步骤，后续还需要结合具体研究⽬的进⾏分析，如回归分析、聚类分析等。此时，可能需要⽤到因⼦得分，返回分析页⾯勾选[因⼦得分]即可⽣成因⼦得分。
如果是量表数据，建议通过【数据处理】--【⽣成变量】计算均值得到维度均值，⽤于后续研究。
