研究背景

数据格式

SPSSAU操作

登录账号后，进入SPSSAU页面，点击& quot上传数据& quot右上角，并通过& quot单击上传文件& quot。

2.拖放分析项目

您可以检查& quot组件分数& quot和& quot综合得分& quot并点击开始分析，左边的分析框就会出现。组件得分和综合得分：

SPSSAU分析

1.1的检查。KMO和巴特利特

利用主成分分析进行信息集中度研究，首先分析研究数据是否适合主成分分析。从上表可以看出，KMO为0.913，大于0.6，满足主成分分析的前提要求，也就是说数据可以用于主成分分析研究。并且数据通过了Bartlett球度检验(p0.05)，表明研究数据适合进行主成分分析。

2.差异解释比率表

上表分析了主成分提取的情况和主成分提取的信息量。从上表可以看出，主成分分析提取了两个主成分，这两个主成分的方差解释率分别为55.907%和8.133%，累计方差解释率为64.040%。此外，本次分析提取了两个主成分，其对应的加权方差解释率即权重依次为55.907/。8.133/64.040=12.70%;

3.负载系数表

载荷系数表格,主要展示了主成分对研究项目的信息提取以及主成分与研究项目之间的对应关系。

共同度表示可以从某个项目中提取的信息量。共性程度越高，指标能用主成分解释的程度就越高，能提取的信息就越多。一般以0.4为标准。

上表显示了主成分对研究项目的信息提取以及主成分与研究项目的对应关系。从上表可以看出，所有研究项目的共性值都高于0.4，说明研究项目与主成分之间有很强的相关性，主成分可以有效地提取信息。在保证主成分能够提取出研究项目的大部分信息后，再分析主成分与研究项目的对应关系(当负荷系数的绝对值大于0.4时，说明该项目与主成分有对应关系)。

如果主成分分析的结果在补充说明：,不好，我们可以考虑使用因子分析。因子分析在主成分分析的基础上，多了旋转功能，更容易找出因子与分析项目的对应关系。

4.成分得分系数矩阵

使用主成分分析目的在于信息浓缩,忽略了& quot组件得分系数矩阵& quot桌子。如果使用主成分分析法计算权重,则需要使用& quot组件得分系数矩阵& quot建立主成分与研究项目之间的关系方程(根据标准化数据建立关系表达式)，如下：

可以结合碎石图来辅助判断主成分提取的次数。当虚线突然从陡峭变得稳定时，对应于陡峭到稳定的主成分的数量是参考提取的主成分的数量。在实际研究中，更多的专业知识，结合主成分与研究项目的对应关系，综合权衡判断主成分个数。可以看出，横坐标为2时，折线突然变得更加稳定。

6.荷载图

载荷图是组件和旋转载荷值之间关系的图形显示，很少使用。通常需要手动添加一个‘圆’将相邻的因素圈起来，以便更直观地显示组件与分析项目之间的从属对应关系。因为可读性和解释力的问题，我们通常只关注方差解释率最高的前几个分量，大多数情况下只关注两个。

7.线性组合系数和权重结果

& quot线性组合系数和权重结果表& quotSPSSAU中默认提供的主成分分析结果包括上述过程值和结果，包括线性组合系数、综合得分系数和指标各自的权重。

8.综合得分排名

根据之前检查过的& quot综合得分& quot，可以自动得出综合评分结果。

SPSSAU的默认名称是CompScore_XXXX。可以使用数据处理标题处理功能重命名标题。

数据处理中的排序函数生成变量。单击& quot综合得分& quot，然后选择& quot排名& quot然后单击& quot确认& quot。

"我的数据& quot在右上角也可以下载数据。

其它说明

1.提示出现奇异矩阵？

如果提示出现“奇异矩阵”，通常情况下由于分析样本量太少（比如分析项有20个，分析样本仅10个），此里需要加大样本量或者减少分析项即可；以及还有一种情况是分析项之间的相关性非常非常弱或者非常非常强，此时需要移除掉相关性非常弱或者非常强的分析项（使用相关分析进行检查相关关系）。

2.‘分析之前是否需要对数据进行标准化处理’？

SPSSAU默认就已经进行过标准化处理，因此不需要再对数据处理。当然标准化后的数据再次标准化依旧还是自身没有任何变化，结果永远均一致。

3.综合得分如何使用？

SPSSAU默认可保存综合得分（以及因子得分等）；一般该值越大表示越有竞争力等；研究者通常需要把综合得分的具体数据下载后使用，并且在EXCEL进行排序（也可使用SPSSAU生成变量里面的排序功能）。通过右上角我的数据可下载具体综合得分的具体数据等。

4.特征根值没有大于1可以吗？

主成分分析时通常需要综合自己的专业知识，以及软件结果进行综合判断，即使是特征根值小于1，也一样可以提取主成分。

5.主成分回归是什么意思？

进行主成分时，选择保存‘成分得分’，然后利用系统生成的‘成分得分’数据进行线性回归，即为主成分回归。

6.累积方差解释率出现100%以上如何办？

正常情况下，累积方差解释率会小于100%，但如果数据的共线性问题太严重，有可能出现方差解释率值大于100%，此时建议进行相关分析，找出相关性太强（比如相关系数大于0.8）的项，然后从分析框中移出后再次分析。与此同时，如果样本量太少也可能出现此问题建议加大样本量即可。

7.KMO值过低？

一般需要KMO值大于0.6即可，如果是两个分析项，KMO值一定是0.5；因而建议删除掉共同度(公因子方差)值较低项，这样可以提升KMO值。

如果不输出KMO值，意味着数据质量过差，建议可使用相关分析看下相关关系，如果相关系数值基本均小于0.3（或者没有呈现出显著性），则说明题项间关联性弱，则KMO值一定会较低，建议先移除相关系数值较低项后再次分析。

提示：KMO值综合衡量分析项间的信息重叠情况（即分析项之间的相关关系情况）。分析项之间的相关系数过低（比如小于0.2或没有显著性），信息重叠度低无法有效浓缩信息，这会导致KMO值较低，如果分析项之间的相关系数过高（比如大于0.8），这会导致严重共线性可能无法输出KMO值。分析项之间的相关系数值一般希望介于0.3~0.7之间较好。

总结

主成分分析的原理在于信息浓缩，对于信息浓缩的帮助越大，指标权重可越大，正是利用此原理，可进行指标权重的计算。主成分分析的作用更多侧重于计算权重、计算综合竞争力。不会过多关注主成分与分析项对应关系，不要求每个主成分有明确的含义。