解释因子分析的主要结果

请完成以下步骤来解释因子分析。主要输出包括因子载荷、公因子方差值、方差百分比和几个图形。

步骤 1:确定因子数

如果不知道要使用的因子数,请先使用主分量提取方法执行分析,而不指定因子数。然后,使用以下其中一种方法确定因子数:
方差贡献率
使用方差贡献率 (% Var) 可确定因子解释的方差量。保留解释可接受方差水平的因子。可接受水平取决于您的应用。针对描述目的,可能只需解释 80% 的方差。但是,如果要对这些数据执行其他分析,则可能需要因子至少解释 90% 方差。
方差(特征值)
如果使用主分量提取因子,则方差等于特征值。可使用特征值的大小确定因子数。保留具有最大特征值的因子。例如,使用 Kaiser 标准时,仅使用特征值大于 1 的因子。
碎石图
碎石图按从大到小的顺序对特征值排序。理想图形趋势是一条陡曲线,后跟一段弯曲,然后是一条直线。使用陡曲线中在开始线趋势的第一个点之前的分量。
非旋转的载荷和公因子方差 变量 因子1 因子2 因子3 因子4 因子5 因子6 因子7 学业成绩 0.726 0.336 -0.326 0.104 -0.354 -0.099 0.233 外表 0.719 -0.271 -0.163 -0.400 -0.148 -0.362 -0.195 交流 0.712 -0.446 0.255 0.229 -0.319 0.119 0.032 个人与公司政策契合度 0.802 -0.060 0.048 0.428 0.306 -0.137 -0.067 工作经验 0.644 0.605 -0.182 -0.037 -0.092 0.317 -0.209 工作契合度 0.813 0.078 -0.029 0.365 0.368 -0.067 -0.025 求职信 0.625 0.327 0.654 -0.134 0.031 0.025 0.017 亲和度 0.739 -0.295 -0.117 -0.346 0.249 0.140 0.353 组织 0.706 -0.540 0.140 0.247 -0.217 0.136 -0.080 潜力 0.814 0.290 -0.326 0.167 -0.068 -0.073 0.048 简历 0.709 0.298 0.465 -0.343 -0.022 -0.107 0.024 自信心 0.719 -0.262 -0.294 -0.409 0.175 0.179 -0.159 方差 6.3876 1.4885 1.1045 1.0516 0.6325 0.3670 0.3016 方差贡献率 0.532 0.124 0.092 0.088 0.053 0.031 0.025 变量 因子8 因子9 因子10 因子11 因子12 公因子方差 学业成绩 0.147 0.097 -0.142 -0.026 -0.031 1.000 外表 -0.151 0.082 0.016 0.020 -0.038 1.000 交流 0.088 0.023 0.204 0.012 -0.100 1.000 个人与公司政策契合度 0.105 -0.019 -0.067 0.188 -0.021 1.000 工作经验 -0.102 0.121 0.039 0.077 0.009 1.000 工作契合度 -0.032 0.146 0.066 -0.176 0.008 1.000 求职信 -0.113 -0.079 -0.130 -0.043 -0.127 1.000 亲和度 -0.142 0.051 0.022 0.064 0.012 1.000 组织 -0.105 -0.020 -0.162 -0.032 0.136 1.000 潜力 -0.112 -0.290 0.100 -0.023 0.028 1.000 简历 0.170 0.008 0.090 0.010 0.156 1.000 自信心 0.230 -0.098 -0.061 -0.065 -0.047 1.000 方差 0.2129 0.1557 0.1379 0.0851 0.0750 12.0000 方差贡献率 0.018 0.013 0.011 0.007 0.006 1.000
主要结果:方差贡献率、方差(特征值)、碎石图

这些结果显示使用主分量提取方法的所有因子的非旋转因子载荷。前四个因子的方差(特征值)大于 1。当使用超过 6 个因子时,特征值变化不那么明显。因此,4 到 6 个因子似乎可解释数据的大部分变异性。因子 1 解释的变异性百分比为 0.532 或 53.2%。因子 4 解释的变异性百分比为 0.088 或 8.8%。碎石图显示前四个因子在数据总变异性中占大多数比率。剩余的因子在变异性中所占比率非常小,并且可能不重要。

步骤 2:解释因子

确定因子数后(步骤 1),可使用极大似然法再次执行分析。然后,检查载荷模式,以确定对每个变量影响最强的因子。接近于 -1 或 1 的载荷表明因子对变量的影响非常强。接近于 0 的载荷表明因子对变量的影响很弱。有些变量可能对多个因子施加高载荷。

非旋转因子载荷通常很难解释。因子旋转简化了载荷结构,从而使您可以更容易地解释因子载荷。然而,没有哪种旋转方法在所有情况下都表现最佳。您可能想要尝试不同的旋转,并使用产生最佳解释结果的方法。还可以对旋转载荷排序,从而更为清楚地评估因子中的载荷。

旋转后的载荷和公因子方差 因子方差最大法 (Varimax) 旋转 变量 因子1 因子2 因子3 因子4 公因子方差 学业成绩 0.481 0.510 0.086 0.188 0.534 外表 0.140 0.730 0.319 0.175 0.685 交流 0.203 0.280 0.802 0.181 0.795 个人与公司政策契合度 0.778 0.165 0.445 0.189 0.866 工作经验 0.472 0.395 -0.112 0.401 0.553 工作契合度 0.844 0.209 0.305 0.215 0.895 求职信 0.219 0.052 0.217 0.947 0.994 亲和度 0.261 0.615 0.321 0.208 0.593 组织 0.217 0.285 0.889 0.086 0.926 潜力 0.645 0.492 0.121 0.202 0.714 简历 0.214 0.365 0.113 0.789 0.814 自信心 0.239 0.743 0.249 0.092 0.679 方差 2.5153 2.4880 2.0863 1.9594 9.0491 方差贡献率 0.210 0.207 0.174 0.163 0.754
主要结果:载荷、公因子方差、载荷图

在这些结果中,对数据执行了因子方差最大法旋转。使用旋转的因子载荷,可以对因子作出如下解释:
  • 适合公司 (0.778)、适合工作 (0.844) 和潜能 (0.645) 在因子 1 上具有较大的正载荷,因此该因子描述员工适合度以及在公司的成长潜力。
  • 相貌 (0.73)、受欢迎度 (0.615) 和自信心 (0.743) 在因子 2 上具有较大的正载荷,因此该因子描述个人才能。
  • 沟通能力 (0.802) 和组织能力 (0.889) 在因子 3 上具有较大的正载荷,因此该因子描述工作技能。
  • 信件 (0.947) 和简历 (0.789) 在因子 4 上具有较大的正载荷,因此该因子描述写作技能。

所有这四个因子共同解释数据变异的 0.754 或 75.4%。

载荷图可直观地显示前两个因子的载荷结果。

步骤 3:检查数据是否有问题

如果前两个因子在数据变异中占大部分比率,则可以使用分值图评估数据结构并检测聚类、异常值和趋势。该图的数据分组情况可以说明数据中两种或两种以上不同的分布。如果数据遵循正态分布,并且不存在异常值,则这些点将随机分布在值 0 的周围。

主要结果:分值图

在此分值图中,数据显示为正态,没有明显的异常值。但是,您可能想要调查此图右下角中显示的数据值,该值与其他数据值相距较远。

提示

要查看每个观测值的计算分值,请将指针放在图形中数据点之上。要为其他因子创建分值图,请存储分值并使用图形 > 散点图

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策