SPSS操作详解 | 主成分分析PCA(下)

主成分分析结果解释摘要

本文由菜鸟君撰写，旨在解释主成分分析（PCA）的结果。该分析是在SPSS软件中执行的，其中涉及到的具体操作步骤可以通过上篇文章的链接进行了解。

线性相关关系

在分析多变量时，需要查看相关矩阵。文中以一个10题量表为例，提到相关矩阵是10*10的。相关系数和显著性是关键参数，相关系数小于0.3的题目说明与其他变量的关系有限，不宜包含在主成分分析中。

KMO检验

KMO检验用于展示数据适合性，系数范围为0到1。系数值大于0.6表明样本数据结构合理，而某些统计学家建议系数值应大于0.8。文中样本的KMO检验系数为0.652，表明样本有效性可接受。同时，文章展示了各变量的KMO检验结果。

总方差解释

方差解释部分指出，根据主成分分析，共提取了4个成分，合计解释了65.989%的总方差。碎石图也显示了从第四个成分开始出现转折，与总方差分析结果相一致。

成分矩阵与组件图

成分矩阵显示了各主成分与变量之间的相关系数。每个变量属于的主成分由相关系数最大的那个成分决定。组件图根据主成分的数量展示二维或三维图，文中的问卷提取了4个主成分，但由于显示限制，只能看出部分题目可能属于同一主成分。

成分得分系数矩阵

成分得分系数矩阵呈现了变量在各主成分上的得分系数。根据因子载荷的显著性标准（大于等于0.3），每个因子被归类并给主成分命名。最后，作者提供了QQ群和B站渠道供进一步交流学习并鼓励读者支持。

参考文献部分列出了用于撰写本文的资料链接，供读者查阅。

想要了解更多内容？

查看原文：SPSS操作详解 | 主成分分析PCA(下)

文章来源：

扫码关注公众号