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。

变量	因子11	因子12	公因子方差
学业成绩	-0.026	-0.031	1.000
外表	0.020	-0.038	1.000
交流	0.012	-0.100	1.000
个人与公司政策契合度	0.188	-0.021	1.000
工作经验	0.077	0.009	1.000
工作契合度	-0.176	0.008	1.000
求职信	-0.043	-0.127	1.000
亲和度	0.064	0.012	1.000
组织	-0.032	0.136	1.000
潜力	-0.023	0.028	1.000
简历	0.010	0.156	1.000
自信心	-0.065	-0.047	1.000

方差	0.0851	0.0750	12.0000
方差贡献率	0.007	0.006	1.000

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。

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

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：

所有这四个因子共同解释数据变异的 0.754 或 75.4%。

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。

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。