实验13-SPSS-因子分析-对商户降维综合评价

水深无声 2021-12-15 03:13 420阅读 0赞

***因子分析-对商户进行综合评价***

虽然系统聚类分析可以对变量进行分类，但是，难以判断变量分类结果的合理性。如果要衡量每个变量对类别的贡献，也难以通过聚类分析来实现。因子分析，就是找出隐藏在变量背后具有共性的因子。

**      1.1 因子分析简介**

**   **    因子分析师通过研究变量间的相关系数矩阵，把这些变量间错综复杂的关系归结成少数几个综合因子，并据此对变量进行分类的一种统计分析方法。由于归结出的因子个数少于原始变量的个数，但是它们又包含原始变量的信息，这些因子之间的相关性较低，而因子内部的变量相关程度较高。所以，这一分析过程也称为降维。

(1)因子载荷：就是原始变量和每个因子之间的相关系数，它反映了变量对因子的重要性。

(2)变量共同度：每个变量所包含的信息能够被因子所解释的程度，取值越大，说明该变量能被因子解释的程度越高。

(3)因子选装：对因子载荷矩阵进行旋转，使原始变量和因子之间的关系更加突出，从而对因子的解释更加容易。

(4)因子得分：因子得分可以用来评价每个个案在每个因子上的分值。

**      因子分析主要有四个步骤：**

(1)判断数据是否适合因子分析

(2)构造因子变量

(3)利用因子旋转方法使得因子更具有实际意义

(4)计算每个个案因子的得分

**   2.因子分析实验 **

**       使用SPSS进行因子分析，数据是某公司所属的33个商户O2O运营数据。通过分析它们在一段时间内的线上线下行为信息，以找出这些变量的共性，降低分析维度，并对商户进行综合评价。 **

**   ** 实验步骤：【分析】-【降维】-【因子】-【因子分析】

将“网点浏览量”、“论坛浏览量”、“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”和“实体店访客数”这七个变量移至【变量】框中，作为待分析变量。

[![1167156-20190118030246856-1461756235.jpg][]][1167156-20190118030246856-1461756235.jpg]

图 2 -1 【因子分析】参数设置

[![1167156-20190118030247303-558218950.jpg][]][1167156-20190118030247303-558218950.jpg]

2-2 【因子分析：描述】对话框

勾选一个【KMO和巴特利特球形度检验】用于生成检验因子分析适合度的统计指标。

[![1167156-20190118030247711-1658849971.jpg][]][1167156-20190118030247711-1658849971.jpg]

图 2-3 【因子分析：提取】对话框

**3.因子分析结果解读**

第一个输出结果是“KMO和巴特利特检验”，如图 3-1，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。如图，KMO统计量为0.627，介于0.5和0.7之间，说明该数据尚可进行因子分析。

![1167156-20190118030248221-1625835291.jpg][]

图 3-1 因子分析输出结果：KMO和巴特利特检验

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所表示的程度。如图3-2 所有变量的共同度都在60%以上，可以认为多提取的因子对各变量的解释能力是可以接受的。

![1167156-20190118030248605-1376978632.jpg][]

图3-2 因子分析：公因子方差

第三个输出结果是“”总方差解释，如图 3-3。一般情况下，累积方差贡献率达到60%及以上，则说明因子对变量的解释能力尚可接受，达到80%及以上，说明因子对变量的解释能力非常好。

[![1167156-20190118030249015-829506281.jpg][]][1167156-20190118030249015-829506281.jpg]

图3-3  因子分析输出结果：总方差解释

第四个结果是“碎石图”，如图 3-4 所示，该结果能够辅助我们判断最佳因子个数，通常是选取曲线中较陡的位置所对应的因子个数。

![1167156-20190118030249363-1495259285.jpg][]

图 3-4 因子分析输出结果：碎石图

从碎石图中可以看出，前三个因子都在教陡的曲线上，所以提取2~3个因子都可以对原始变量的信息有较好的解释。

![1167156-20190118030249781-1229027502.jpg][]

图 3-5 因子分析输出结果：旋转后的成分矩阵

通过需安装后的椅子载荷矩阵，可以发现：

第一个因子，载荷较大的变量是“网店浏览量”、“论坛浏览量”、“线上广告费用”和“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“网店浏览量”、“论坛浏览量”、“线上广告费用”三个变量反映的是线上情况，而“实体店访客数”变量虽然反映的是线下情况，但其载荷值符号为负号，显然，该变量与第一个因子呈反向关系。

**综上所述，可将第一个因子命名为“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“地面推广引入量”，说明他们三个变量与该因子的相关程度较高，并且这些变量反映的是线下情况。 **因此，可以将第二个因子命名为“线下商务”因子。**

**4.计算因子得分    **

**       由前面的计算可得，如图 4-1 “FAC\_1”和“FAC\_2”这两个变量是每个商户在这两个因子上的得分，柑橘这两个变量旋转载荷平方和的结果的因子贡献率，加权计算，计算综合得分。**

**![1167156-20190118030250286-1448842345.jpg][]**

**                             图 4-1 因子得分**

**    **

**[![1167156-20190118030250915-1862730280.jpg][]][1167156-20190118030250915-1862730280.jpg]**

**                      图 4-2 设置因子加权【计算变量】**

** **

**[![1167156-20190118030251508-1277133233.jpg][]][1167156-20190118030251508-1277133233.jpg]**

**                                 图 4-3 综合得分排序结果**

**      如图 4-3，通过对七个原始变量进行因子分析，最后输出两个因子，分别是“线上商务”和“线下商务”两个因子，然后计算综合得分，根据最后综合得分的排名，得知商户17、28和31为O2O运营方式下表现优异的前三甲。**

[来自为知笔记(Wiz)][Wiz]

转载于:https://www.cnblogs.com/xuxaut-558/p/10285711.html

[1167156-20190118030246856-1461756235.jpg]: /images/20211214/c83d6afcac6b432386730641aa3c12d9.png
[1167156-20190118030247303-558218950.jpg]: /images/20211214/4503b443e215437e9ea54ab85bd96f30.png
[1167156-20190118030247711-1658849971.jpg]: /images/20211214/75d56162e0d644e5b7258f070be0de67.png
[1167156-20190118030248221-1625835291.jpg]: /images/20211214/c9a8d485662342369e3f1d96345b798f.png
[1167156-20190118030248605-1376978632.jpg]: /images/20211214/399784918a8343c9ab4bffe722409594.png
[1167156-20190118030249015-829506281.jpg]: /images/20211214/3b4aa04dc4784af291039339129b9308.png
[1167156-20190118030249363-1495259285.jpg]: /images/20211214/918c62f77e1b492096911ab7c987a34c.png
[1167156-20190118030249781-1229027502.jpg]: /images/20211214/e79e4fc2687645be93f95ca74477fa4b.png
[1167156-20190118030250286-1448842345.jpg]: /images/20211214/17769fba228c479bb335b9c387eae595.png
[1167156-20190118030250915-1862730280.jpg]: /images/20211214/87ef2054a313418caafbb1ceddd43887.png
[1167156-20190118030251508-1277133233.jpg]: /images/20211214/b0ee18ddbb164f1bae750327e18d6f7f.png
[Wiz]: http://www.wiz.cn/i/c752282e