模型启动

1.	因子分解方法 — 用于提取因子的方法。

‒	主成分方法计算效率高，但它不提供假设检验。

‒	最大似然方法具有估计的优良性，同时您还可以进行公因子数目的假设检验。

注意：最大似然方法要求正定相关性矩阵。若相关性矩阵不是正定矩阵，请选择主成分方法。

2.	先验公因子方差 — 公因子对每个变量的方差贡献比例的估计方法。

‒	主成分（对角线=1）将所有公因子方差设置为 1，表明每个变量的全部方差都与其他变量共同拥有。在“因子分解方法”设置为主成分时使用该选项将生成主成分分析。

‒	公因子分析（对角线=SMC）将公因子方差设置为多重相关平方 (SMC) 系数。对于给定的变量，SMC 即为该变量对其他所有变量作回归的 R 方。

3.	因子数（或主成分），由大于等于 1.0 的特征值确定，或通过陡坡图中图形变平坦的临界点来确定。

注意：除了以上介绍，Kaiser 准则保留特征值大于 1.0 的那些因子。在我们的示例中，将只会保留因子 1。

4.	旋转方法，使因子方向与原始变量保持一致，以便于解释。默认设置为最大方差法。请参见旋转方法，了解不同旋转方法的说明。

5.	点击执行以生成“因子分析”报表。

根据选定的“方差统一尺度”，您可以得到相应的因子分析结果。请参见因子分析模型拟合选项，了解有关报表内容的详细信息。“基于相关性的因子分析”报表和“基于未统一尺度的因子分析”报表显示了相同的信息。