12 13 14 15 16 17 18 19 20 21 22
Extraction Method: Principal Component Analysis.
第四大栏为旋转后解释的方差。（方便显示起见，放在了表3.1下面，作为表3.2）
Total栏为旋转后的特征值。与旋转前的Total栏相比，不难发现，四个成份的特征值有所变化。旋转前的特征值从8.145到1.066，最大特征值与最小特征值之间的差距比较大，而旋转后的特征值相对集中。尽管如此，旋转前、后的总特征值没有改变，最后的累计方差百分比也没有改变，让然为65.913％。
4．表4——碎石图
碎石图和结果3的被解释的总方差的作用相同，都是为了确定因子的数目。从碎石图可以看出，从第6个因子开始，以后的曲线变得比较平缓，最后接近一条直线。据此，可以抽取5个因子。最后决定抽取多少个因子，还要看后面的结果。
5．表5——未旋转成份矩阵（显示全部载荷）
Component Matrix(a)
Component
a6 a12 a3 a1 a8 a10 a2 a20 a11 a5 a7 a22 a17 a9 a19
1 .796 -.734 .731 .730 .727 -.726 .682 .653 -.637 .635 .598 .567 .567 -.547 .527
2 .273 .354 .419 .391 .108 .355 .397 .042 .505 .413 .270 .115 -.181 .094 .053
3 .065 .253 -.030 -.104 -.137 -.145 -.139 .095 .216 -.171 -.295 -.223 .426 -.378 .397
4 -.194 .178 -.150 -.137 -.040 .332 -.118 .544 .158 -.005 .236 .164 .247 .193 .146
5 .071 .119 .019 .061 .106 .014 -.011 -.184 .156 .094 .242 -.243 -.390 .467 .206
a13 a14 a15 a4 a18 a21 a16
-.527 -.545 -.455 .501 .375 .516 -.366
.509 .607 .561 .556 -.130 .031 .278
.066 -.030 .332 .255 .469 -.116 -.209
.052 .164 -.142 -.224 .083 .599 -.196
-.142 -.113 -.093 -.003 .413 -.123 -.455
Extraction Method: Principal Component Analysis.
a 5 components extracted.
上表的成份矩阵是每个变量在未旋转的成份或因子上的因子负荷量。比如
a6?0.796F1?0.273F2?0.065F3?0.194F4?0.071F5。如果如下图所示，在因子分析的
options选项卡选项中选择Suppress absolute values less than 选项，则其中小于0.10的因子负荷量将不被显示，这样将使得表格更加清晰、明了。比如每个数字代表了该变量与未旋转的因子之间的相关，这些相关有助于解释各个因子。也就是说，如果一个变量在某个因子上有较大的负荷，就说明可以把这个变量纳入该因子。但是常常会有这种情况，很多的变量同时在几个未旋转的因子上有较大的负荷，这就使得解释起来比较困难，因此查看旋转以后的结果能较好地解决这个问题。
7．表7——旋转的成份矩阵
Rotated Component Matrix(a)
Component
a3 a1 a2 a6 a5 a4
1 .819 .815 .778 .772 .742 .718
.192 2 -.109 -.152 -.129 -.231
.222
.162
3 .122 .135 .160
.221
.305
.227
4
5 .164
a8 a7 a11 a12 a14 a15 a13 a10 a21 a20 a22 a18 a16 a19 a9 a17
.616 .598 -.176 -.356
-.352 -.156 .814 .769 .767 .737 .691
.207 .403 -.142 -.157
.157 .149
-.256 -.204 -.174
-.299
-.165 .140
-.262 -.260
-.387 .265 .137 .121 .233 -.755
.242
.667
-.300
-.336 .216 .289 .428 .120 .313 -.250
.669 -.137 -.139 -.238 -.120 .289 .259 -.215
.437 -.138 .188
.758 .737 .441
.110 .226 -.133 .715 -.623 .557
Extraction Method: Principal Component Analysis.
A Rotation converged in 7 iterations.
Rotation Method: Varimax with Kaiser Normalization.
上表为旋转后的成份矩阵表，表中各变量根据负荷量的大小进行了排列。旋转后的因子矩阵与旋转前的因子矩阵有明显的差异，旋转后的负荷量明显地向0和1两极分化了。从旋转后的矩阵表中，可以很容易地判断哪个变量归入哪个因子（上表中用黑体数字标出的变量分属不同的因子）。从上表看出，最后一个因子只有两个变量，包含的变量不多，因此删除这个因子可能更为合适。但是删除了一个因子后，因素结构会有所改变，需要重新进行因子分析。
六、因素分析的命名和结果汇报
因子分析通过Varimax旋转之后得出的因子，可根据量表项目的含义进行命名。一般说来，给因子命名应该简明扼要，反映出该因子中所有变量所表达的潜在结构。如果进行的是探索性因素分析，就可以根据量表的内容进行命名。如果要验证已有的理论结构，那么对于得出的因子应采用该研究领域已被广为接受的术语进行命名，与其他研究保持一致，以免引起概念上不必要的混乱。
SPSS的因子分析产生了大量的表格结果，在研究报告或论文写作中显然不大可能有足够的篇幅对所有分析结果进行汇报，但可摘要汇报。一般的做法是，把各因子旋转后的特征值、解释方差、累计解释方差，以及各因子所包含的问卷问题及其对因子的负荷量等主要统计量汇总并制表，格式见下两表。 各因子的特征值、解释方差和累计方差 Factors(因子) Labels（命名） Eigenvalue(特征值) Variance(方差) Cumulative variance(累计方差) Factor1 Factor2 Factor3
因子（命名后名称） 问卷题目 负荷 共同性 Factor1 Factor2 Factor3