11.2.1因子分析操作
打开数据文件--分析--降维--因子--因子分析--
将网点刘浏览量，论坛浏览，线上广告费用，地面推广引入量，线下广告费用，实体店铺货量，实体店访客数-移置变量中（作为待分析的变量）--描述--因子分析描述--勾选最后的一个【KMO和巴特利特球形度检验】（用于生成检验因子分析师和度的统计指标）--继续
--提取--因子分析;提取--方法--主成分--碎石图（辅助判断银子个数）--继续
旋转--因子分析旋转--最大方差法（用于更好的解释因子所包含的意义）--继续
注释：在这里常用“最大方差法”该方法能够使用尽可能在一个因子上有较高的载荷，在其余的因子上载荷较小，从而方便对因子进行解析
--选项--【因子分析选项】--系数显示格式--按大小排序--排除小系数--【绝对值如下】矿中输入40（更清晰的显式因子载荷，方便因子的解释和命名）--继续
--确定（开始运行因子分析）
11.2.2因子分习结果解读
KMO和巴特利特检验（该结果用来检验数据是否适合因子分析，主要参考KMO统计量即可）
本例中KMO统计量为0.627，结余0.5和0.7之间，说明该数据尚可进行因子分析
第二个输出结果是：公因子方差，也就是变量共同度（该结果显示了原始变量能被提取的因子表示的程度，同时显示了提取因子的方法）
本例中，所有变量的共同度都是60%以上，可以认为所提取的因子对各变量的解释能力是可以接受的
第三个输出结果是：总方差解释（该结果显示了通过i分析所提取的因子数量，以及所提取的因子对所有变量的累计方差贡献率。一般情况下，累计方差贡献率达到60%以上，则说明因子对变量的解释能力上课接受，达到80%及以上，说明因子对变量的解释能力非常好
本例中，根据“初始值”大于1的标准提取了俩个因子，选好转后俩个因子的方差贡献率略有变化，差距有所缩小，累计方差贡献率为72.367%，和旋转前一样，相对来说，因子的解释能力比较好
第四个输出结果是：“碎石图”（该结果能狗辅助判断最佳因子个数，通常是选取曲线中较陡的位置所对引得因子个数）
本例中，前三个因子都在陡峭的曲线上，所以提取2-3个依着你都可以对原始变量的信息有较好的解释。
---
如何确定提取的因子个数
标准：
初始特征值（输出3的第二列数字）大于1 的因子个数
累计方差贡献率（输出3中第四列的数字）达到一定水平（如60%）的因子个数
碎石图中处于较陡曲线上所对应的因子个数
依据对研究事物的理解而制定的因子个数
--
本例中将根据Spss因子分析结果提取的俩个因子进行后续分析
第五个输出结果是：“成分矩阵”该结果显示的是旋转钱的因子载荷矩阵，其中有些变量在各个因子上的载荷比较接近，难以对因子进行明确定义，因此，对因子解释和命名更有知道的意义的是旋转后的成分矩阵
本例中，“网站浏览量”在俩个因子删的载荷较为接近，所以要关注该变量在因子旋转后的载荷，以便正确解读因子的含义
第六个输出的结果是：“旋转后的成分矩阵”该结果显示的是旋转后的载荷矩阵，这个结果能够凸显因子的含义，易于理解
本例中，通过讯转后的因子载荷矩阵：
第一个因子，载荷较大的变量是“网站浏览量，论坛浏览量，线上广告费用，实体店访客数”说明他们四个变量与该因子的相关程度较高，其中“网点浏览量”“论坛浏览量”“线上广告费用”三个变量梵音的是线上情况，而实体店访客数，变量虽然梵音的是线下情况，但其在和值符号为负号，显然，改变两个与第一个因子成反向关系，综上所述，可降低一个引自命名为“线上商务”因子
第二个因子，载荷较大的变量是“实体店铺货量”，线下广告费用和地面及推广引入流量
说明他们三个便令与该因子的先关的程度较高，并且这些变量梵音的线下情况，因此，可以将第二个因子上有数值
第七个输出结果是：成分转换矩阵，该结果显示了右旋转之前因子载荷矩阵转换到新旋转之后因子载荷矩阵所需要香橙的矩阵系数，对结果解读的实用性不高，可以忽略
-------------------
对因子的分进行评价
需要考虑每个因子的方差贡献率占总累计方差共吸纳了的比率de 比例，一次作为权重，进行加权计算
--转换--计算变量--目标变量--综合得分--数字表达式--（38.968/72.367*fac1_1+33.399/72.367*FAC2_1）--确定
将该综合得分从高到低进行降序排列，就能知道那些商户在o2o的运营方式下的表现优异，排序后的结果如图
通过对7个原始变量个进行因子分析，最后输出俩个因子，分别是“线上商务”和“线下商务”俩个因子，然后集散总和得分，根据计算综合得分，根据最后总和得分的排名，得知商户17,28，和31为o2o运营方式下表现优异的前三甲。
