SPSS因子分析操作步骤与结果分析
操作步骤
（1）分析——降维——因子
（2）将量表题或者数据拖入变量匡中
（3）描述——勾选“初始解”——“KMO和巴特利特球形检验”KMO和巴特利特球形检验是因子分析的前提，只有KMO与巴特利特球形检验结果过了，才可以做因子分析。这里的KMO严格意义上来说只是能说明问卷或者所选数据适不适合做因子分析。但很多论文、硕士教育学中、大部分本科论文里都用KMO来衡量问卷或者所选数据的效度。这里根据你所处环境及导师要求具体情况具体分析。
（4）抽取——勾选“碎石图”——“未旋转因子解”。“基于特征值”这里特征值大于1是SPSS默认的。如果当抽取的因子只有一个或者不符合你预期时，可以在这里输入你想要的因子个数。
（5）“旋转”——勾选“最大方差”、“旋转后的解”、“载荷图”。这里最大方差是必要的，如果不勾选上，若未勾选可能导致KMO值出不来。
（6）“得分”——“保存变量”：若需要计算因子得分时，勾选上，运行后因子得分保存在数据中。“因子得分系数矩阵”。
（7）“选项”——“禁止显示小系数”：这里勾选上以后（禁止显示小系数设置成0.5），是为了方便分析成分矩阵和旋转成分矩阵，观察各题因子归属。
（8）最后点击确定即可。
二、结果分析
因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子，或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。
（1）KMO与巴特利特球形检验
由表可以知，巴特利特球形检验的统计量值为3960.473，相应的概率P值为0。在显著性水平下，应拒绝原假设，认为相关系数矩阵与单位矩阵存在显著差异。同时KMO值为0.844，根据Kaiser给出的度量KMO的标椎可知问卷题项适合做因子分析。
（2）公因子方差
提取值表示每个变量被公因子表达的多少，一般认为，大于0.7就说明变量被公因子很好地表达。由表可以看出，绝大多数变量的提取值大于0.85，变量能被公因子很好地表达。
（3）解释总方差
由表可知，基于特征值大于1，提取5个因子后，5个因子共同解释了，问卷题项总方差的87.429%。总的来看，原有问卷题项的信息丢失较少，因子的分析效果比较理想，具有研究意义
由图可以看出，第一个因子的特征值（方差贡献）很高，对解释原有题项的贡献最大；第五个以后因子特征值都较小，对解释原有题项的贡献很小，可以忽略，因此提取五个因子是比较合适的。
（4）旋转成分矩阵
由表3-6可知，“愿意以不同的方式达到目标”“看到新鲜事物会来灵感”“有新想法并付诸实践”“善于发现问题解决问题”位于第一个因子上有较高的载荷，第一个因子主要解释这几道题项，解释为基础技能；“扎实的专业知识”“掌握交叉知识”“了解自身掌握的知识与技能”“不断学习知识与技能”位于第二个因子上有较高的载荷，第二个因子主要解释这几道题项，解释为创新能力；“合理地配置资产与利用资源”“有效利用资源”“接受和理解新技术”“企业中核心岗位的理解”位于第三个因子上有较高的载荷，第三个因子主要解释这几道题项，解释为资源运用；“能准确感知和识别需求”“有见解并能做出决定”“识别市场机遇适应新要求”“具有良好的信息收集和使用能力”位于第四个因子上有较高的载荷，第四个因子主要解释这几道题项，解释为合作精神；“具有良好的合作能力”“组织同学”“适应变化与承受挫折”“勇于接受挑战突破自我”位于第五个因子上有较高的载荷，第五个因子主要解释这几道题项，解释为创新思维；由此说明因子含义比较清晰。
（5）计算因子得分
因子分析是基于研究各题项之间的内部依赖关系，将一些信息重叠、相关性高的变量指标归结为几个不相关的综合因子的多重统计方法。通过SPSS23.0得出的成分得分系数矩阵，见表，可得到、、、、公因子的得分表达式为：
其中、、、、公因子分别代表基础技能，创新能力，资源运用，合作精神，创新思维。