輸出結果分析：

1)借助相關系數矩陣、反映像相關矩陣、巴特利特球度檢驗和KMO檢驗方法分析。觀察大部分相關系數都較高，線性關系較強，可以提取公共因子，適合因子分析。在KMO中，概率為0.000小于顯著性水平，拒絕原假設，與單位矩陣有顯著差異，KMO為0.882，說明適合因子分析。

2)每組的列向量含義，特征值、方差貢獻率、累計方差貢獻率。第二列表示提取兩個因子，共同解釋84.259%，丟失的信息較少。第三列表示旋轉后的因子，總的方差貢獻率沒有改變，就是說沒有影響原有的共同度，重新分配各個因子解釋原有變量的方差，改變各個因子的方差貢獻率。

3)碎石圖：縱坐標為特征值，橫坐標為因子個數。特征值越小則對原有變量的貢獻很小，可以忽略，所以提取兩個也算是可以的。

4)成分矩陣：結果是某個變量等于兩個因子與對應系數相乘后相加的結果。觀察可知，第一個因子與所有變量的相關性程度高，與第二個不高，含義模糊，不利于命名，所以因子要旋轉。

5)因子命名解釋：采用方差極大法對因子載荷矩陣實行正交旋轉以使因子具有命名解釋性。可以指定按照第一因子載荷降序的順序輸出旋轉后的因子載荷。見圖，聯營、股份、集體、國有在第一因子有較高載荷，可解釋為內部投資經濟單位，其他、外商、港澳在第二個的載荷高，解釋為外來投資經濟單位。觀察因子協方差矩陣，兩個因子的線性相關性幾乎沒有，符合因子分析的效果。

總結

以上是生活随笔為你收集整理的用极大似然法估计因子载荷矩阵_spss教程：因子分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。