實驗13-SPSS-因子分析-對商戶降維綜合評價
阿新 • • 發佈：2019-01-18
聚類 結果 反向 輸出 blank 類別 alt sps 實驗 因子分析-對商戶進行綜合評價 雖然系統聚類分析可以對變量進行分類，但是，難以判斷變量分類結果的合理性。如果要衡量每個變量對類別的貢獻，也難以通過聚類分析來實現。因子分析，就是找出隱藏在變量背後具有共性的因子。 1.1 因子分析簡介 因子分析師通過研究變量間的相關系數矩陣，把這些變量間錯綜復雜的關系歸結成少數幾個綜合因子，並據此對變量進行分類的一種統計分析方法。由於歸結出的因子個數少於原始變量的個數，但是它們又包含原始變量的信息，這些因子之間的相關性較低，而因子內部的變量相關程度較高。所以，這一分析過程也稱為降維。 (1)因子載荷：就是原始變量和每個因子之間的相關系數，它反映了變量對因子的重要性。
2.因子分析實驗 使用SPSS進行因子分析，數據是某公司所屬的33個商戶O2O運營數據。通過分析它們在一段時間內的線上線下行為信息，以找出這些變量的共性，降低分析維度，並對商戶進行綜合評價。
圖 2-1 【因子分析】參數設置
2-2 【因子分析：描述】對話框 勾選一個【KMO和巴特利特球形度檢驗】用於生成檢驗因子分析適合度的統計指標。
圖 2-3 【因子分析：提取】對話框
圖 3-1 因子分析輸出結果：KMO和巴特利特檢驗 第二個輸出結果是“公因子方差”，也就是“變量共同度”，該結果顯示了原始變量能被提取的因子所表示的程度。如圖3-2 所有變量的共同度都在60%以上，可以認為多提取的因子對各變量的解釋能力是可以接受的。 
圖3-2 因子分析：公因子方差
第三個輸出結果是“”總方差解釋，如圖 3-3。一般情況下，累積方差貢獻率達到60%及以上，則說明因子對變量的解釋能力尚可接受，達到80%及以上，說明因子對變量的解釋能力非常好。
圖3-3 因子分析輸出結果：總方差解釋 第四個結果是“碎石圖”，如圖 3-4 所示，該結果能夠輔助我們判斷最佳因子個數，通常是選取曲線中較陡的位置所對應的因子個數。 
圖 3-4 因子分析輸出結果：碎石圖 從碎石圖中可以看出，前三個因子都在教陡的曲線上，所以提取2~3個因子都可以對原始變量的信息有較好的解釋。 
圖 3-5 因子分析輸出結果：旋轉後的成分矩陣 通過需安裝後的椅子載荷矩陣，可以發現： 第一個因子，載荷較大的變量是“網店瀏覽量”、“論壇瀏覽量”、“線上廣告費用”和“實體店訪客數”，說明他們四個變量與該因子的相關程度較高，其中“網店瀏覽量”、“論壇瀏覽量”、“線上廣告費用”三個變量反映的是線上情況，而“實體店訪客數”變量雖然反映的是線下情況，但其載荷值符號為負號，顯然，該變量與第一個因子呈反向關系。 綜上所述，可將第一個因子命名為“線上商務”因子。 第二個因子，載荷較大的變量是“實體店鋪貨量”、“線下廣告費用”和“地面推廣引入量”，說明他們三個變量與該因子的相關程度較高，並且這些變量反映的是線下情況。因此，可以將第二個因子命名為“線下商務”因子。 4.計算因子得分 由前面的計算可得，如圖 4-1 “FAC_1”和“FAC_2”這兩個變量是每個商戶在這兩個因子上的得分，柑橘這兩個變量旋轉載荷平方和的結果的因子貢獻率，加權計算，計算綜合得分。
圖 4-1 因子得分
圖 4-2 設置因子加權【計算變量】 
圖 4-3 綜合得分排序結果 如圖 4-3，通過對七個原始變量進行因子分析，最後輸出兩個因子，分別是“線上商務”和“線下商務”兩個因子，然後計算綜合得分，根據最後綜合得分的排名，得知商戶17、28和31為O2O運營方式下表現優異的前三甲。
來自為知筆記(Wiz)
2.因子分析實驗 使用SPSS進行因子分析，數據是某公司所屬的33個商戶O2O運營數據。通過分析它們在一段時間內的線上線下行為信息，以找出這些變量的共性，降低分析維度，並對商戶進行綜合評價。
圖 2-1 【因子分析】參數設置 2-2 【因子分析：描述】對話框 勾選一個【KMO和巴特利特球形度檢驗】用於生成檢驗因子分析適合度的統計指標。 圖 2-3 【因子分析：提取】對話框 圖 3-1 因子分析輸出結果：KMO和巴特利特檢驗 第二個輸出結果是“公因子方差”，也就是“變量共同度”，該結果顯示了原始變量能被提取的因子所表示的程度。如圖3-2 所有變量的共同度都在60%以上，可以認為多提取的因子對各變量的解釋能力是可以接受的。 圖3-2 因子分析：公因子方差第三個輸出結果是“”總方差解釋，如圖 3-3。一般情況下，累積方差貢獻率達到60%及以上，則說明因子對變量的解釋能力尚可接受，達到80%及以上，說明因子對變量的解釋能力非常好。
圖3-3 因子分析輸出結果：總方差解釋 第四個結果是“碎石圖”，如圖 3-4 所示，該結果能夠輔助我們判斷最佳因子個數，通常是選取曲線中較陡的位置所對應的因子個數。 圖 3-4 因子分析輸出結果：碎石圖 從碎石圖中可以看出，前三個因子都在教陡的曲線上，所以提取2~3個因子都可以對原始變量的信息有較好的解釋。 圖 3-5 因子分析輸出結果：旋轉後的成分矩陣 通過需安裝後的椅子載荷矩陣，可以發現： 第一個因子，載荷較大的變量是“網店瀏覽量”、“論壇瀏覽量”、“線上廣告費用”和“實體店訪客數”，說明他們四個變量與該因子的相關程度較高，其中“網店瀏覽量”、“論壇瀏覽量”、“線上廣告費用”三個變量反映的是線上情況，而“實體店訪客數”變量雖然反映的是線下情況，但其載荷值符號為負號，顯然，該變量與第一個因子呈反向關系。 綜上所述，可將第一個因子命名為“線上商務”因子。 第二個因子，載荷較大的變量是“實體店鋪貨量”、“線下廣告費用”和“地面推廣引入量”，說明他們三個變量與該因子的相關程度較高，並且這些變量反映的是線下情況。因此，可以將第二個因子命名為“線下商務”因子。 4.計算因子得分 由前面的計算可得，如圖 4-1 “FAC_1”和“FAC_2”這兩個變量是每個商戶在這兩個因子上的得分，柑橘這兩個變量旋轉載荷平方和的結果的因子貢獻率，加權計算，計算綜合得分。圖 4-1 因子得分
圖 4-2 設置因子加權【計算變量】 圖 4-3 綜合得分排序結果 如圖 4-3，通過對七個原始變量進行因子分析，最後輸出兩個因子，分別是“線上商務”和“線下商務”兩個因子，然後計算綜合得分，根據最後綜合得分的排名，得知商戶17、28和31為O2O運營方式下表現優異的前三甲。來自為知筆記(Wiz)
實驗13-SPSS-因子分析-對商戶降維綜合評價