輸出結(jié)果分析：

1)借助相關(guān)系數(shù)矩陣、反映像相關(guān)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(guān)系數(shù)都較高，線性關(guān)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(shè)，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(zhuǎn)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(shù)。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(jié)果是某個變量等于兩個因子與對應(yīng)系數(shù)相乘后相加的結(jié)果。觀察可知，第一個因子與所有變量的相關(guān)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(zhuǎn)。

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(zhuǎn)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(zhuǎn)后的因子載荷。見圖，聯(lián)營、股份、集體、國有在第一因子有較高載荷，可解釋為內(nèi)部投資經(jīng)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(jīng)濟單位。觀察因子協(xié)方差矩陣，兩個因子的線性相關(guān)性幾乎沒有，符合因子分析的效果。

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。