日前，用spss做影响因素分析的方法的话题受人关注，并且与之相关的用spss做影响因素分析的方法论文同样热度很高。今天，康晓百科便跟大家说一说这方面的相关话题。
导读目录：
有关SPSS找出主要影响因素？
如果你只要定性的大概知道影响因素的影响大小 可以分开进行
先用分类变量比较不同分类在因变量上是否有差异，然后将连续变量与因变量画在一个线性图当中 就可以大概看出那个影响因素大了。
当然也可以采用定量的方法 比较准确 就是采用回归，不需要用因子分析，你直接将这5个影响因素作为自变量进行回归分析就好了，回归是否有意义 看回归模型的F和sig是否显著就好了
然后比较影响因素的大小 就看标准化回归系数的大小就可以了
怎么用spss分析多个因素之间的关系？
把多个指标合并成一个变量，通常有两种做法：
一、计算平均值
针对问卷量表数据，同时几个题表示一个维度。比如想要将“我在工作中能获得成就感”、“我可以在工作中发挥个人的才能”这两题合并成一个维度（影响因素），可以通过SPSSAU
的【生成变量】功能计算均值，生成新的变量用于后续分析。
此种处理方法简单易懂，使用广泛，但有的时候不能直接求平均值，所以只能使用第二种处理办法。
二、使用因子分析或主成分分析进行降维，利用因子得分（或主成分得分）浓缩信息
第2种方法常见于数据出现共线性，或者不能求平均值的时候使用。
此种办法完全是从数据角度出发，将信息进行浓缩提取成关键因子。当确认因子与题项对应关系良好后，则可结合因子与题项对应关系，将题项浓缩成几个因子，保存“因子得分”，并对因子进行命名。因子得分可用于进一步分析，比如聚类分析，回归分析使用等。具体操作可查看SPSSAU因子分析帮助手册
。
更多分析方法操作介绍可登陆SPSSAU官网进行查看。
SPSSAU-在线SPSS分析软件
spss怎么判断不同系统的影响因子？
如果你只要定性的大概知道影响因素的影响大小 可以分开进行
先用分类变量比较不同分类在因变量上是否有差异，然后将连续变量与因变量画在一个线性图当中 就可以大概看出那个影响因素大了。
当然也可以采用定量的方法 比较准确 就是采用回归，不需要用因子分析，你直接将这5个影响因素作为自变量进行回归分析就好了，回归是否有意义 看回归模型的F和sig是否显著就好了
然后比较影响因素的大小 就看标准化回归系数的大小就可以了
主成分分析和因子分析（用spss实现）？
一、主成分分析
（1）问题提出
在问题研究中，为了不遗漏和准确起见，往往会面面俱到，取得大量的指标来进行分析。比如为了研究某种疾病的影响因素，我们可能会收集患者的人口学资料、病史、体征、化验检查等等数十项指标。如果将这些指标直接纳入多元统计分析，不仅会使模型变得复杂不稳定，而且还有可能因为变量之间的多重共线性引起较大的误差。有没有一种办法能对信息进行浓缩，减少变量的个数，同时消除多重共线性？
这时，主成分分析隆重登场。
（2）主成分分析的原理
主成分分析的本质是坐标的旋转变换，将原始的n个变量进行重新的线性组合，生成n个新的变量，他们之间互不相关，称为n个“成分”。同时按照方差更大化的原则，保证之一个成分的方差更大，然后依次递减。这n个成分是按照方差从大到小排列的，其中前m个成分可能就包含了原始变量的大部分方差（及变异信息）。那么这m个成分就成为原始变量的“主成分”，他们包含了原始变量的大部分信息。
注意得到的主成分不是原始变量筛选后的剩余变量，而是原始变量经过重新组合后的“综合变量”。
我们以最简单的二维数据来直观的解释主成分分析的原理。假设现在有两个变量X1、X2，在坐标上画出散点图如下：
可见，他们之间存在相关关系，如果我们将坐标轴整体逆时针旋转45°，变成新的坐标系Y1、Y2，如下图：
根据坐标变化的原理，我们可以算出：
Y1 = sqrt(2)/2 * X1 + sqrt(2)/2 * X2
Y2 = sqrt(2)/2 * X1 - sqrt(2)/2 * X2
其中sqrt(x)为x的平方根。
通过对X1、X2的重新进行线性组合，得到了两个新的变量Y1、Y2。
此时，Y1、Y2变得不再相关，而且Y1方向变异（方差）较大，Y2方向的变异（方差）较小，这时我们可以提取Y1作为X1、X2的主成分，参与后续的统计分析，因为它携带了原始变量的大部分信息。
至此我们解决了两个问题：降维和消除共线性。
对于二维以上的数据，就不能用上面的几何图形直观的表示了，只能通过矩阵变换求解，但是本质思想是一样的。
二、因子分析
（一）原理和方法：
因子分析是主成分分析的扩展。
在主成分分析过程中，新变量是原始变量的线性组合，即将多个原始变量经过线性（坐标）变换得到新的变量。
因子分析中，是对原始变量间的内在相关结构进行分组，相关性强的分在一组，组间相关性较弱，这样各组变量代表一个基本要素（公共因子）。通过原始变量之间的复杂关系对原始变量进行分解，得到公共因子和特殊因子。将原始变量表示成公共因子的线性组合。其中公共因子是所有原始变量中所共同具有的特征，而特殊因子则是原始变量所特有的部分。因子分析强调对新变量（因子）的实际意义的解释。
举个例子：
比如在市场调查中我们收集了食品的五项指标（x1-x5）:味道、价格、风味、是否快餐、能量，经过因子分析，我们发现了：
x1 = 0.02 * z1 + 0.99 * z2 + e1
x2 = 0.94 * z1 - 0.01 * z2 + e2
x3 = 0.13* z1 + 0.98 * z2 + e3
x4 = 0.84 * z1 + 0.42 * z2 + e4
x5 = 0.97 * z1 - 0.02 * z2 + e1
（以上的数字代表实际为变量间的相关系数，值越大，相关性越大）
之一个公因子z1主要与价格、是否快餐、能量有关，代表“价格与营养”
第二个公因子z2主要与味道、风味有关，代表“口味”
e1-5是特殊因子，是公因子中无法解释的，在分析中一般略去。
同时，我们也可以将公因子z1、z2表示成原始变量的线性组合，用于后续分析。
（二）使用条件：
（1）样本量足够大。通常要求样本量是变量数目的5倍以上，且大于100例。
（2）原始变量之间具有相关性。如果变量之间彼此独立，无法使用因子分析。在SPSS中可用KMO检验和Bartlett球形检验来判断。
（3）生成的公因子要有实际的意义，必要时可通过因子旋转（坐标变化）来达到。
三、主成分分析和因子分析的联系与区别
联系：两者都是降维和信息浓缩的方法。生成的新变量均代表了原始变量的大部分信息且互相独立，都可以用于后续的回归分析、判别分析、聚类分析等等。
区别：
（1）主成分分析是按照方差更大化的方法生成的新变量，强调新变量贡献了多大比例的方差，不关心新变量是否有明确的实际意义。
（2）因子分析着重要求新变量具有实际的意义，能解释原始变量间的内在结构。
"
在SPSS中，怎样研究多个自变量对一个因变量的影响？
多个自变量对于因变量的影响分以下两种情况（1）多个自变量如班级，性别对于单个因变量如数学成绩的关系。在spss中操作流程： *** yze分析→General Linear Model一般线性模型→univariate单变量就打开了上面这个对话框。
然后在这个对话框中把因变量选到因变量栏，把自变量选入固定因子栏（记住这里自变量必须是分类变量如性别），把随机因素选入随机因子栏（一般随机因子是也是分类变量），把协变量选入协变量栏（一般做协方差分析需要用到，其他时候不需要），然后设置权重等等。
设置好变量之后，点击右边模型一般还要设置事后多重比较，就是如果自变量的作用显著，如年级对数学成绩作用显著，则事后多重比较可以进一步分析3,4,5,年级哪两个年级之间的数学成绩差异显著。
选项选项卡是用来设置显示显示变量的主效应和交互效应，可以保持原状。好啦，就是这样，希望可以帮到你。
以上，就是用spss做影响因素分析的方法，用spss做影响因素分析的方法论文的全部内容了，发布软文到百度推广，建站仿站、前端二次开发、网站SEO及代发文章等业务，认准康晓百科。咨询Q Q：251268676
发布评论