SPSS因子、聚类案例分析报告

喀什大学实验报告

《多元统计分析SPSS》

实验报告

实验课程：基于SPSS的数据分析

实验地点：现代商贸实训中心实验室名称：经济统计实验室

学院： xxx学院年级专业班： xxx班

学生姓名： xxx 学号： 20131808015 完成时间： 2016年x月x日

开课时间： 2016 至 2017 学年第 1 学期

实验项目：中国上市银行竞争力分析

（一）实验目的

本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其2012年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了8个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进行了分析评价。最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比较，提出了提升我国上市商业银行竞争力的一些建议。

（二）实验资料

通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况的因素与上述指标是否有关。

具体数据如下所示：

十家同类型上市商业银行2012年指标

（三）实验步骤

1、选择菜单

2、选择参与因子分析的变量到(变量V)框中

3、选择因子分析的样本

4、在所示窗口中点击（描述D）按钮，指定输出结果，输出基本统计量、图形等

5、在所示窗口中点击（抽取E）按钮指定提取因子的方法为：主成分分析法

6、在所示的窗口中点击（旋转T）按钮选择因子旋转方法

7、在所示窗口中点击（得分S）按钮选择计算因子得分的方法

8、在所示窗口中点击（选项）按钮

（四）实验结果及分析

分析结果如下表所示。

通过观察原始变量的相关系数矩阵，可以看到，矩阵中存在许多比较高的相关系数，并且大多数变量通过了原假设为相应变量之间的相关系数为0的t假设。相关系数实际上反映的是公共因子起作用的空间，相关系数越大，表明数据适合做因子分析。

KMO 和巴特利特检验

KMO 取样适切性量数。.518

巴特利特球形度检验近似卡方50.188

自由度28

显著性.006

同时，KMO级Bartlett检验是否适合做因子分析。以上是KMO级Bartlett 检验结果，由表可知：KMO值为0.518，说明该数据适合做因子分析。上表中的巴特利特球体检验的X统计值的显著性概率是O．000，小于1％，因此拒绝原假设，说明数据具有相关性，适宜做因子分析。

不良贷款率.038 .031 -.012 -.031

资产负债率-.064 -.001 -.007 .027

资本充足率-.002 -.021 .011 .015

每股收益增长率.207 -.026 .034 -.107

贷款增长率-.026 .025 -.021 .018

存款增长率.034 -.021 .020 -.032

总资产增长率-.107 .018 -.032 .175 反映像相关性矩阵资产利润率-.277 -.273 .306 -.019 不良贷款率.113 .266 -.114 -.101

资产负债率-.464 -.031 -.158 .214

资本充足率-.018 -.524 .307 .146

每股收益增长率.496a-.358 .533 -.560

贷款增长率-.358 .496a-.932 .269

存款增长率.533 -.932 .503a-.542

总资产增长率-.560 .269 -.542 .651a a. 取样适切性量数(MSA)

反映像矩阵在其对角线上的数字若大于0.05（出口合同为0.406）则适合因子分

析，小于0.05则不适合因子分析。从表中得知，适合做因子分析。

公因子方差

初始提取

资产利润率 1.000 .818

不良贷款率 1.000 .519

资产负债率 1.000 .912

资本充足率 1.000 .928

每股收益增长率 1.000 .786

贷款增长率 1.000 .953

存款增长率 1.000 .979

总资产增长率 1.000 .865

提取方法：主成分分析法。

变量共同度，它刻划了全部公共因子对各个变量的总方差所作的贡献，也称

为公因子方差，从上表中可以得到变量共同度大部分都接近1，说明该变量的几

乎全部原始信息都被所选取的公共因子说明了，也就是说，由原始变量空间转为

因子空间转化的性质较好，保留原来信息量多，因此，2

h i 是i X 方差的重要组成部分。

检验可以做因子分析后，我们通过因子分析得到相应的特征值和对应因子的

84.485％，其中F1的贡献率最强，达到了34.998％，F2的贡献率达到了33.383％，F3的贡献率也达到了16.104％。这三个因子的贡献率都远远大于其它因子的贡献率，因此，F1，F2，F3是决定商业银行竞争力强弱的关键因子。

从碎石图中得到，第1个因子的特征值高于其他项，对解释原有变量的贡献最大；第5个因子之后的特征值都小，对解释原有变量的贡献较小；因此我们可以取3个或4个因子较为合适。

提取方法：主成分分析法。a

a. 提取了3 个成分。

表中给出旋转前的因子载荷阵，从中可以看出，每个因子在不同原始变量上的载荷没有明显的差别，3个因子的实际含义比较模糊。为了避免初始因子综合性太强，难以找出因子的实际意义的问题，需要通过旋转坐标轴，使负载尽可能向正负0或1的方向靠近，从而降低因子的综合性，使其真实意义凸现出来。下面使用的因子旋转方法为方差最大正交旋转法，目的是使旋转后的因子载荷矩阵的结构简化，便于对各个公共因子进行合理的解释，同时保证每一个公共因子反映的信息量尽量最大。

旋转后的成分矩阵a

成分

1 2 3

资本充足率-.962 .051 .020

资产负债率.951 .084 .011

每股收益增长率.602 -.267 .593

存款增长率-.001 .977 -.153

贷款增长率-.302 .928 .016

总资产增长率.493 .788 .023

资产利润率-.347 -.322 .771

不良贷款率-.131 -.151 -.692

提取方法：主成分分析法。

旋转方法：凯撒正态化最大方差法。a

a. 旋转在4 次迭代后已收敛。

表中给出旋转后的因子载荷阵，从表中可以看出，经过旋转后的载荷系数已经明显的两极分化了。第一个公共因子在指标X2每股收益增长率、X3 资产负债率、X4 资本充足率上有较大载荷，说明这3个指标有较强的关联性，可以归为一类，因此可以把第一个因子命名为“流动因子”；第二个公共因子在指标X6 贷款增长率、X7 存款增长率、X8总资产增长率上有较大载荷，同样可以归为一类，第二个因子可以命名为“发展因子”；同理，X1资产利润率、X5不良贷款率归到第3 类，将其命名为“安全和盈利因子”。

在三维空间组件图中，各因子更接近于组价几，接近组件几对应的是‘旋转后的成分矩阵’的成分几。

成分得分系数矩阵

成分

1 2 3

资产利润率-.165 -.029 .544

不良贷款率-.009 -.138 -.516

资产负债率.359 .012 -.034

资本充足率-.368 .046 .072

每股收益增长率.203 -.051 .370

贷款增长率-.138 .378 .137

存款增长率-.016 .371 .003

总资产增长率.167 .304 .083

提取方法：主成分分析法。

旋转方法：凯撒正态化最大方差法。

组件得分。

表中给出了因子得分系数矩阵，根据表中的因子得分系数和原始变量的标准化值就可以计算出每个观测值的各因子的得分。旋转后的因子得分表达式可以写成：F1=-0.165x1+0.203x2+0.359x3-0.368x4-0.009x5-0.138x6-0.016x7+0.167x8 F2=-0.029x1-0.051x2+0.012x3+0.046x4-0.138x5+0.378x6+0.371x7+0.304x8 F3=0.544x1+0.370x2-0.034x3+0.072x4-0.516x5+0.137x6+0.003x7+0.083x8

五、结论

本文通过采用多元统计分析中的因子分析法对国有商业银行的经营绩效加以评价，从盈利能力、安全能力和发展能力三方面来具体分析我国上市商业银行竞争力，对上市银行及非上市银行具有一定的指导作用。

实验项目：商厦评分

（一）实验目的：

本实验目的利用SPSS层次聚类对商厦评分进行分类分析，以了解了解各商厦之间的相互关系。

（二）实验资料:

（三）实验步骤:

表一

聚类成员

个案 3 个聚类 2 个聚类

1:A商厦

1 1

2:B商厦

1 1

3:C商厦

2 2

4:D商厦

3 2

5:E商厦

3 2

表一可知，当聚成3类时，A，B俩个商厦为一类，C商厦自成一类，D，E 两个商厦为一类；当聚成两类时，A，B俩个商厦为一类，C，D，E三个商厦为一类，SPSS的层次聚类能够产生任意类数的分类结果。

图一

图一，可知，D商厦与E商厦的距离最近，首先合并成一类，其次，合并的是A，B俩个商厦它们的距离比D商厦与E商厦大，最后是合并C商厦。最后聚城一体。

图二：

图二，可知，当聚成4类时，D，E两个商厦为一类；其他各商厦自成一类，

聚成3类时，A，B俩个商厦为一类，C商厦自成一类，D，E两个商厦为一类；当聚成两类时，A，B俩个商厦为一类，C，D，E三个商厦为一类。

分别为（94,90）（66,64）（84,82）可见第一类最优，第三类次之，第二类最差。

表三

迭代历史记录a

迭代

聚类中心中的变动

1 2 3

1 1.803 4.031 .000

2 .000 .000 .000

a. 由于聚类中心中不存在变动或者仅有小幅变

动，因此实现了收敛。任何中心的最大绝对坐标

变动为.000。当前迭代为2。初始中心之间的最

小距离为12.806。

表三，可知，第一次迭代后，3个类中心点分别偏移了1.803,4.013.0.000，第2类中心点的偏移最大，在第3类和第二次迭代时中心点偏移均小于判定标准（0.02），聚类分析结束。

（92.5,89）（69.5,66）（84,82）仍然可见第一类为最优，第三类第二，第二类效果最差。

由于已选择聚类以使不同聚类中个案之间的差异最大化，因此 F 检验只应该用于描述目

的。实测显著性水平并未因此进行修正，所以无法解释为针对“聚类平均值相等”这一假

设的检验。

由表五，展现了各指标在不同的均值比较情况，各数据项的含义依次为组间均方、组间自由度、组内均方、组内自由度、F统计量的观察值以及对应的概率P-值。仍然看出第二类的差异最大。

（三）实验结论：

因此，在总数为五，有效数值为五的情况下的聚类分析可得，E商厦属最优类；C,D商厦属良好类；A,B商厦属合格类。

完整word版,SPSS聚类分析实验报告.docx

SPSS 聚类分析实验报告 一．实验目的： 1、理解聚类分析的相关理论与应用 2、熟悉运用聚类分析对经济、社会问题进行分析、 3、熟练 SPSS软件相关操作 4、熟悉实验报告的书写 二．实验要求： 1、生成新变量总消费支出=各变量之和 2、对变量食品支出和居住支出进行配对样本T 检验，并说明检验结果 3、对各省的总消费支出做出条形图（用EXCEL做图也行） 4、利用 K-Mean法把 31 省分成 3 类 5、对聚类分析结果进行解释说明 6、完成实验报告 三．实验方法与步骤 准备工作：把实验所用数据从 Word文档复制到 Excel ，并进一步导入到 SPSS数据文件中。 分析：由于本实验中要对 31 个个案进行分类，数量比较大，用系统聚类法当然也 可以得出结果，但是相比之下在数据量较大时， K 均值聚类法更快速高效，而且准确性更高。 四、实验结果与数据处理： 1.用系统聚类法对所有个案进行聚类：

生成新变量总消费支出 =各变量之和如图所示： 2.对变量食品支出和居住支出进行配对样本 T 检验，如图所示：

得出结论： 3.对各省的总消费支出做出条形图，如图所示： 4．对聚类分析结果进行解释说明： K均值分析将这样的城市分为三类： 第一类北京、上海、广东 第二类除第一类第三类以外的 第三类天津、福建、内蒙古、辽宁、山东 第一类经济发展水平高，各项支出占总支出比重高，人民生活水平高。第二类城市位于中西部地区，经济落后，人民消费水平低。第三类城市位于中东部地区，经济发展较好。

初始聚类中心 聚类 123 食品支出7776.983052.575790.72衣着支出1794.061205.891281.25居住支出2166.221245.001606.27家庭设备及服务支出1800.19612.59972.24医疗保健支出1005.54774.89617.36交通和通信支出4076.461340.902196.88文化与娱乐服务支出3363.251229.681786.00其它商品和服务支出1217.70331.14499.30总消费支出23200.409792.6614750.02 迭代历史记录a 聚类中心内的更改 迭代123 11250.5921698.8651216.114 2416.86470.786173.731 3138.955 2.94924.819 446.318.123 3.546 5849.114319.1791362.411 6805.00415.199606.915 7161.001.72475.864 832.200.0349.483 9 6.440.002 1.185 10 1.2887.815E-5.148

SPSS因子分析(因素分析)——实例分析

SPSS因子分析(因素分析)——实例分析 提起因子分析那是老生常谈，分析人士大都喜欢讨论主成分与因子分析。我也凑个热闹，顺便温习温习，时间长了就会很模糊。 一、概念 探讨存在相关关系的变量之间，是否存在不能直接观察到的但对可观测变量的变化其支配作用的潜在因子的分析方法就是因子分析，也叫因素分析。通俗点：原始变量是共性因子的线性组合。 二、简单实例 现在有12个地区的5个经济指标调查数据（总人口、学校校龄、总雇员、专业服务、中等房价），为对这12个地区进行综合评价，请确定出这12 个地区的综合评价指标。点击下载 三、解决方案 1、不同地区的不同指标不同，这导致目前我们拥有的5个指标数据很难对这12个地区给一个明确的评价。所以，有必要确定综合评价指标，便于对比。因子分析是一种选择，当然还有其他的方法。5个指标即为我们分析的对象，直接选入。

2、描述统计选项卡。我们要对比因子提取前后的方差变化，所以选定“初始分析结果”；现在是基于相关矩阵提取因子，所以，选定相关矩阵的“系数”；比较重要的还有KMO和球形检验，它告诉我们数据是不是适合做因子分析。选定。其他选择自定。 3、抽取选项卡。提取因子的方法有很多，最常用的就是主成分法。这里选主成分。关于特征值，不想解释太多，这和显著性水平一样，都是统计学的一个基本概念。因为参与分析的变量测度单位不同，所以选择“相关矩阵”，如果参与分析的变量测度单位相同，则考虑选用协方差矩阵。

4、是否需要旋转？因子分析要求对因子给予命名和解释，对因子旋转与否取决于因子的解释。如果不经旋转因子已经很好解释，那么没有必要旋转，否则，应该旋转。这里直接旋转，便于解释。至于旋转就是坐标变换，使得因子系数向1和0靠近，对公因子的命名和解释更加容易。 5、要计算因子得分，就必须先写出因子的表达式。而因子是不能直接观察到的，是潜在的。但是可以通过可观测到的变量获得。前面说到，因子分析模型是原始变量为因子的线性组合，现在我们可以根据回归的方法将模型倒过来，用

SPSS因子聚类案例分析报告

S P S S因子聚类案例分析 报告 GE GROUP system office room 【GEIHUA16H-GEIHUA GEIHUA8Q8-

喀什大学实验报告 《多元统计分析SPSS》 实验报告 实验课程：基于SPSS的数据分析 实验地点：现代商贸实训中心实验室名称：经济统计实验室 学院： xxx学院年级专业班： xxx班 学生姓名： xxx 学号： 20131808015 完成时间： 2016年x月x日 开课时间： 2016 至 2017 学年第 1 学期

实验项目：中国上市银行竞争力分析 （一）实验目的 本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其2012年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了8个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进行了分析评价。最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比较，提出了提升我国上市商业银行竞争力的一些建议。 （二）实验资料 通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况的因素与上述指标是否有关。 具体数据如下所示： 十家同类型上市商业银行2012年指标 （三）实验步骤 1、选择菜单

2、选择参与因子分析的变量到(变量V)框中 3、选择因子分析的样本 4、在所示窗口中点击（描述D）按钮，指定输出结果，输出基本统计量、图形等 5、在所示窗口中点击（抽取E）按钮指定提取因子的方法为：主成分分析法 6、在所示的窗口中点击（旋转T）按钮选择因子旋转方法

spss因子分析实例

一．研究目的：为了研究农民收入，我们选取了其中7种主要影响因素，包括财政用于农业的支出的比重（%），第二、三产业从业人数占全社会从业人数的比重（%），非农村人口比重，乡村从业人员占农村人口的比重（%），农业总产值占农林牧总产值的比重（%），农作物播种面积（千公顷），农村用电量（亿千瓦时）。（数据见最后一页） 二．研究变量：在经济生活中，根据以上分析，我们在影响农民收入因素中引入7个变量。即设置变量:x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人 农村口的比重，x5-农业总产值占农林牧总产值的比重，x6-农作物播种面积，x7 — 用电量。 一、研究方法：SPSS中的因子分析。 具体操作步骤 （1）定义变量：x1-财政用于农业的支出的比重,x2-第二、三产业从业人数占全社会从业人数的比重，x3-非农村人口比重，x4-乡村从业人员占农村人口的 农村用电比重，x5-农业总产值占农林牧总产值的比重，x6-农作物播种面积，x7 — 量。 （2）导入数据： file-open-data （3）变量标准化Analyze-Descriptive Statistics-Descriptives

" 勾选Save standardized values as variables保存变量，再点击ok，就完成了对变量的标准化。 （3）因子分析 Analyze—Dimension Reduction—Faction

点击右侧的Description选项，选择Statistics选项组中的initial solution，勾选Correlation Matrix 选项组中的Coefficients和KMO and Bartlelts test of sphericity，点击Continue。 点击右侧Extraction选项，其中Method选Principal components，Analyze选择Correlation matrix，Display中选择Unrotated factor solution，Extract如图，点击Continue.

SPSS因子、聚类案例分析报告.pdf

喀什大学实验报告 《多元统计分析SPSS》 实验报告 实验课程：基于SPSS的数据分析 实验地点：现代商贸实训中心实验室名称：经济统计实验室 学院： xxx学院年级专业班： xxx班 学生姓名： xxx 学号： XXXX1808015 完成时间： XXXX年x月x日 开课时间： XXXX 至 2017 学年第 1 学期

实验项目：中国上市银行竞争力分析 （一）实验目的 本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其XXXX 年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了8个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进行了分析评价。最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比较，提出了提升我国上市商业银行竞争力的一些建议。 （二）实验资料 通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况的因素与上述指标是否有关。 具体数据如下所示： 十家同类型上市商业银行XXXX年指标 （三）实验步骤 1、选择菜单

2、选择参与因子分析的变量到(变量V)框中 3、选择因子分析的样本 4、在所示窗口中点击（描述D）按钮，指定输出结果，输出基本统计量、图形等 5、在所示窗口中点击（抽取E）按钮指定提取因子的方法为：主成分分析法 6、在所示的窗口中点击（旋转T）按钮选择因子旋转方法

SPSS因子分析报告实例操作步骤

SPSS因子分析实例操作步骤 实验目的: 引入2003~2013年全国的农、林、牧、渔业,采矿业,制造业电力、热力、燃气及水生产与供应业,建筑业,批发与零售业,交通运输、仓储与邮政业7个产业的投资值作为变量,来研究其对全国总固定投资的影响。 实验变量: 以年份,合计(单位:千亿元),农、林、牧、渔业,采矿业,制造业电力、热力、燃气及水生产与供应业,建筑业,批发与零售业,交通运输、仓储与邮政业作为变量。 实验方法:因子分析法 软件:spss19、0 操作过程: 第一步:导入Excel数据文件 1.open data document——open data——open; 2、 Opening excel data source——OK、

第二步: 1、数据标准化:在最上面菜单里面选中Analyze——Descriptive Statistics——OK (变量选择除年份、合计以外的所有变量)、 2.降维:在最上面菜单里面选中Analyze——Dimension Reduction—— Factor ,变量选择标准化后的数据、

3.点击右侧Descriptive,勾选Correlation Matrix选项组中的 Coefficients与KMO and Bartlett’s text of sphericity,点击 Continue、 4、点击右侧Extraction,勾选Scree Plot与fixed number with factors,默认3个,点击Continue、

5、点击右侧Rotation,勾选Method选项组中的Varimax;勾选Display选项组中的Loding Plot(s);点击Continue、 6、点击右侧Scores,勾选Method选项组中的Regression;勾选Display factor score coefficient matrix;点击Continue、

SPSS因子分析法

因子分析 ? 因子分析（Factor analysis ）：用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis ）：是因子分析一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA ）和因子分析（FA ）是两种把变量维数降低以便于描述、理解和分析的方法。 ? 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 ? 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 ? 分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : 当p 较大时，在p 维空间中考察问题比较麻烦。这就需要进行降维处理，即用较少几个综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。 线性组合：记x1，x2，…，xP 为原变量指标，z1，z2，…，zm （m ≤p ）为??????????????=np n n p p x x x x x x x x x X 212222111211

SPSS因子、聚类案例分析报告

喀什大学实验报告 《多元统计分析SPSS 实验报告 实验课程：基于SPSS的数据分析 实验地点：现代商贸实训中心实验室名称：经济统计实验室 学院: XXX学院年级专业班：XXX班 学生姓名：XXX 学号：20131808015 完成时间：2016 年X月X日 开课时间：2016 至2017 学年第1 学期

实验项目：中国上市银行竞争力分析 （一）实验目的 本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到 对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其2012年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了8个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进行了分析评价。最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比较，提出了提升我国上市商业银行竞争力的一些建议。 （二）实验资料 通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况的因素与上述指标是否有关。 具体数据如下所示： （三）实验步骤 1、选择菜单

2、选择参与因子分析的变量到（变量V）框中 3、选择因子分析的样本 4、在所示窗口中点击（描述D）按钮，指定输出结果，输出基本统计量、图 5、在所示窗口中点击（抽取E）按钮指定提取因子的方法为: 6在所示的窗口中点击（旋转T）按钮选择因子旋转方法 形等 Vi 93 23% U12K15.&*% 8 3JK. i4 ir% riOM TSO' 開 W05% 3 6?% 12 1] tpSJKr?- 113TM ? 07%W U% 124SS 26 ￡5%谄01% ?心羽也帕J叽 越雀IB23% 42% U W% ig> 13 DQ% 31%. T6(H% 馬* K.Dfi% fld% 昭卿驚 主成分分析法 1 42% 0 6S% 44 越鴨 1韵飓?的恤站20% 髄 # A#*/#*

SPSS因子分析经典案例

SPSS因子分析经典案例 因子分析已经被各行业广泛应用，各种案例琳琅满目，以前在百度空间发表过相关文章，是以每到4至6月，这些文章总会被高校毕业生扒拉一遍，也总能收到各种魅惑的留言，因此，有必要再次发布这经典案例以飨读者。 什么是因子分析？ 因子分析又称因素分析，传统的因子分析是探索性的因子分析，即因子分析是基于相关关系而进行的数据分析技术，是一种建立在众多的观测数据的基础上的降维处理方法。其主要目的是探索隐藏在大量观测数据背后的某种结构，寻找一组变量变化的共同因子。 因子分析能做什么？ 人的心理结构具有层次性，即分为外显和内隐。但是作为具有同一性的个体来说，内隐的方面总是和外显的方面相互作用，内隐方面制约着外显特征。所以我们经常说，一个人的内在自我会在相当程度上决定他的外在行为特征，表现为某些行为倾向具有高度的一致性或相关性。 反过来说，我们可以通过对个体进行系统的观察和测量，从一组高度相关的行为倾向（可观测）中，探索到某种稳定的内在心理结构（潜存在），这就是因子分析所能做的。 具体来说主要应用于： （1）个体的综合评价：按照综合因子得分对case进行排序； （2）调查问卷效度分析：问卷所列问题作为输入变量，通过KMO、因子特征值贡献率、因子命名等判断调查问卷架构质量； （3）降维处理，结果再利用：因子得分作为变量，进行聚类或其他分析。 案例描述： 高中大家都读过吧，那是一个以成绩论英雄的时代，理科王子、文科小生是时代标签。为什么我们会将数学、物理、化学归并为理科，其他的归并为文科，有没有数据支持？今天我们将用科学的方法找到答案。 100个学生数学、物理、化学、语文、历史、英语成绩如下表（部分），请你来评价他们。

聚类分析的案例分析(推荐文档)

《应用多元统计分析》 ——报告 班级： 学号： 姓名：

聚类分析的案例分析 摘要 本文主要用SPSS软件对实验数据运用系统聚类法和K均值聚类法进行聚类分析，从而实现聚类分析及其运用。利用聚类分析研究某化工厂周围的几个地区的 气体浓度的情况，从而判断出这几个地区的污染程度。 经过聚类分析可以得到，样本6这一地区的气体浓度值最高，污染程度是最严重的，样本3和样本4气体浓度较高，污染程度也比较严重，因此要给予及时的控制和改善。 关键词：SPSS软件聚类分析学生成绩

一、数学模型 聚类分析的基本思想是认为各个样本与所选择的指标之间存在着不同程度的相 似性。可以根据这些相似性把相似程度较高的归为一类，从而对其总体进行分析和总结，判断其之间的差距。 系统聚类法的基本思想是在这几个样本之间定义其之间的距离，在多个变量之间定义其相似系数，距离或者相似系数代表着样本或者变量之间的相似程度。根据相似程度的不同大小，将样本进行归类，将关系较为密切的归为一类，关系较为疏远的后归为一类，用不同的方法将所有的样本都聚到合适的类中，这里我们用的是最近距离法，形成一个聚类树形图，可据此清楚的看出样本的分类情况。 K 均值法是将每个样品分配给最近中心的类中，只产生指定类数的聚类结果。 二、数据来源 《应用多元统计分析》第一版164 页第6 题 我国山区有一某大型化工厂，在该厂区的邻近地区中挑选其中最具有代表性的 8 个大气取样点，在固定的时间点每日 4 次抽取6 种大气样本，测定其中包含的8 个取样点中每种气体的平均浓度，数据如下表。试用聚类分析方法对取样点及 大气污染气体进行分类。 三、建立数学模型 一、运行过程

SPSS因子分析实例操作步骤

S P S S因子分析实例操作步骤 实验目的： 引入2003~2013年全国的农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业7个产业的投资值作为变量，来研究其对全国总固定投资的影响。 实验变量： 以年份，合计（单位：千亿元），农、林、牧、渔业，采矿业，制造业电力、热力、燃气及水生产和供应业，建筑业，批发和零售业，交通运输、仓储和邮政业作为变量。 实验方法：因子分析法 软件：spss19.0 操作过程： 第一步：导入Excel数据文件??? 1.opendatadocument——opendata——open； 2.Openingexceldatasource——OK. 第二步： 1.数据标准化：在最上面菜单里面选中Analyze——DescriptiveStatistics——OK?（变量选择除年份、合计以外的所有变量）. 2.降维：在最上面菜单里面选中 Analyze——DimensionReduction——Factor?，变量选择标准化后的数据. 3.点击右侧Descriptive，勾选CorrelationMatrix选项组中的 Coefficients和KMOandBartlett’stextofsphericity,点击Continue. 4.点击右侧Extraction,勾选ScreePlot和fixednumberwithfactors，默认3个，点击Continue. 5.点击右侧Rotation，勾选Method选项组中的Varimax；勾选Display选项组中的LodingPlot(s)；点击Continue. 6.点击右侧Scores，勾选Method选项组中的Regression；勾选Displayfactorscorecoefficientmatrix；点击Continue. 7.点击右侧Options，勾选CoefficientDisplayFormat选项组中所有选项，将Absolutevalueblow改为0.60，点击Continue. 8.返回主对话框，单击OK. 输出结果分析： 1.描述性统计量

spss样本聚类案例分析

原数据 1.1样本聚类（Q聚类）

聚类表 阶 群集组合 系数首次出现阶群 集 下一阶 群集 1群集 2群集 1群集 2 157.855003 21112 1.379007 325 1.772015

41014 1.776007 526 2.451308 6813 2.7720010 71011 4.3224212 812 4.5570512 934 4.8950013 10815 5.5006011 11897.74010013 121108.3148714 133812.79091114 141316.65012130通过系数做出其散点图 群集成员 案例 5 群集 4 群集 3 群集

1:Case 1 111 2:Case 2 111 3:Case 3 222 4:Case 4 222 5:Case 5 111 6:Case 6 111 7:Case 7 111 8:Case 8 333 9:Case 9 433 541 10:Case 10 541 11:Case 11 12:Case 541 12 333 13:Case 13 14:Case 541 14 15:Case 333 15

1.2变量聚类（R聚类） 近似矩阵 案例矩阵文件输入 总人口从业人 员 土地面 积 耕地面 积 财政收 入 粮食产 量 总人口 1.000.857.698.714.512.043从业人 员 .857 1.000.597.570.643.277 土地面 积 .698.597 1.000.856.044-.147 耕地面 积 .714.570.856 1.000-.001-.335

应用统计学因子分析与主成分分析案例解析_SPSS操作分析

因子分析与主成分分析 一、问题概述 现希望对30个省市自治区经济发展基本情况的八项指标进行分析。具体采用的指标只有：GDP、居民消费水平、固定资产投资、职工平均工资、货物周转量、居民消费价格指数、商品零售价格指数、工业总产值。这是一个综合分析问题，八项指标较多，用主成分分析法进行综合。 二、数据处理与分析 1.因子分析 打开数据后，在SPSS中进行因子分析的步骤如下： 选择“分析---降维---因子分析”，在弹出的对话框里 （1）描述---系数、KMO与Bartlett的球形度检验 （2）抽取---碎石图、未旋转的因子解 （3）旋转---最大方差法、旋转解、载荷图 （4）得分---保存为变量、显示因子得分系数矩阵 （5）选项---按大小排序 点击确定得到如下各图： 图3-1 图3-2 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.620 Bartlett 的球形度检验近似卡方231.285 df 28 Sig. .000 图3-3 公因子方差

图3-6 成份矩阵a

图3-9

（2）因子模型中各统计量的意义 A）因子载荷错误！未找到引用源。：因子载荷错误！未找到引用源。为第i个变量在第j个因子上的载荷，实际上就是错误！未找到引用源。与错误！未找到引用源。的相关系数，表示变量错误！未找到引用源。依赖因子错误！未找到引用源。的程度，反应了第i个变量错误！未找到引用源。对于第j个因子错误！未找到引用源。的重要性。 B）变量错误！未找到引用源。的变量共同度：k个公因子对第i个变量方差的贡献，也称为公因子方差比，记为错误！未找到引用源。，公式为：错误！未找到引用源。=错误！未找到引用源。（j=1,2,….,k）

(完整版)SPSS因子分析法-例子解释

因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在： 计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解

SPSS软件聚类分析过程的图文解释及结果的全面分析

SPSS聚类分析过程 聚类的主要过程一般可分为如下四个步骤： 1.数据预处理（标准化） 2.构造关系矩阵（亲疏关系的描述） 3.聚类（根据不同方法进行分类） 4.确定最佳分类（类别数） SPSS软件聚类步骤 1. 数据预处理（标准化） →Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择 从Transform Values框中点击向下箭头，此为标准化方法，将出现如下可选项，从中选一即可： 标准化方法解释：None：不进行标准化，这是系统默认值；Z Scores：标准化变换；Range –1 to 1：极差标准化变换（作用：变换后的数据均值为0，极差为1，且|x ij*|<1，消去了量纲的影响；在以后的分析计算中可以减少误差的产生。）；Range 0 to 1（极差正规化变换/ 规格化变换）； 2. 构造关系矩阵 在SPSS中如何选择测度（相似性统计量）: →Analyze →Classify →Hierachical Cluster Analysis →Method 然后从对话框中进行如下选择 常用测度（选项说明）：Euclidean distance：欧氏距离（二阶Minkowski距离），用途：聚类分析中用得最广泛的距离；Squared Eucidean distance：平方欧氏距离；Cosine：夹角余弦(相似性测度；Pearson correlation：皮尔逊相关系数； 3. 选择聚类方法 SPSS中如何选择系统聚类法 常用系统聚类方法 a）Between-groups linkage 组间平均距离连接法 方法简述：合并两类的结果使所有的两两项对之间的平均距离最小。（项对的两成员分属不同类）特点：非最大距离，也非最小距离 b）Within-groups linkage 组内平均连接法 方法简述：两类合并为一类后，合并后的类中所有项之间的平均距离最小 C）Nearest neighbor 最近邻法（最短距离法） 方法简述：用两类之间最远点的距离代表两类之间的距离，也称之为完全连接法 d）Furthest neighbor 最远邻法（最长距离法）

SPSS因子分析法例子解释

因子分析的基本概念与步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量,以期望能对问题有比较全面、完整的把握与认识。例如,对高等学校科研状况的评价研究,可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标;再例如,学生综合评价研究中,可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力,虽然它们能够较为全面精确地描述事物,但在实际数据建模时,这些变量未必能真正发挥预期的作用,“投入”与“产出”并非呈合理的正比,反而会给统计分析带来很多问题,可以表现在: 计算量的问题 由于收集的变量较多,如果这些变量都参与数据建模,无疑会增加分析过程中的计算工作量。虽然,现在的计算技术已得到了迅猛发展,但高维变量与海量数据仍就是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如,高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性;学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠与高度相关会给统计方法的应用带来许多障碍。例如,多元线性回归分析中,如果众多解释变量之间存在较强的相关性,即存在高度的多重共线性,那么会给回归方程的参数估计带来许多麻烦,致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题,最简单与最直接的解决方案就是削减变量的个数,但这必然又会导致信息丢失与信息不完整等问题的产生。为此,人们希望探索一种更为有效的解决方法,它既能大大减少参与数据建模的变量个数,同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数,并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson与Charles Spearmen等人关于智力测验的统计分析。目前,因子分析已成功应用于心理学、医学、气象、地址、经济学等领域,并因此促进了理论的不断丰富与完善。 因子分析以最少的信息丢失为前提,将众多的原有变量综合成较少几个综合指标,名为因子。通常,因子有以下几个特点: ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后,因子将可以替代原有变量参与数据建模,这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不就是原有变量的简单取舍,而就是原有变量重组后的结果,因此不会造成原有变量信息的大量丢失,并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱,因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常,因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解释

【管理学】spss因子分析案例 共

9.46 9.55 4.94 8.21 9.41 7.31 5.35 4.52 3.08 6.44 1.04 4.25 4.50 2.42 5.11 12.00 11.74 8.07 9.10 12.50 11.58 2.77 1.79 3.75 2.45 16.18 3.51 2.10 4.66 3.10 2.42 1.05 1.29 1.72 0.91 11.2.1数据预备 激活数据治理窗口，定义变量名：分不为X1、X2、X3、X4、X5、X6、X7，按顺序输入相应数值，建立数据库，结果见图11.1。 图11.1原始数据的输入 11.2.2统计分析 激活Statistics菜单选Data Reduction的Factor...命令项，弹出F actor Analysis对话框（图11.2）。在对话框左侧的变量列表中选变量X1至X7，点击?钮使之进入Variables框。 图11.2因子分析对话框 点击Descriptives...钮，弹出Factor Analysis:Descriptives对话框（图11. 3），在Statistics中选Univariate descriptives项要求输出各变量的均数与标准差，在Correlation Matrix栏内选Coefficients项要求运算有关系数矩阵，并选KMO and Bartlett’s test of sphericity项，要求对有关系数矩阵进行统计学检验。点击Continue钮返回Factor Analysis对话框。 图11.3描述性指标选择对话框 点击Extraction...钮，弹出Factor Analysis:Extraction对话框（图11.4），系统提供如下因子提取方法：

SPSS教程-聚类分析-附实例操作

各地区各行业工资水平的分析(2009年数据) 小组成员：张艺伟、赵月、陈媛、邹莉、朱海龙、曾磊、胡瑛、候银萍 1.研究背景及意义 1.1 研究背景 工资水平是指一定区域和一定时间内劳动者平均收入的高低程度。生产决定分配，只有经济发展才能提供更多的可分配的社会产品，因此一个地区的工资水平在一定程度上反映了其经济发展的水平。 1.2 研究意义 1. 通过多元统计分析方法，探究一个地区的工资水平与其经济发展水平之间的内在联系。 2. 将平均工资水平划分为3类，分析哪些地区、哪些行业的工资水平较高，可以为大学生就业提供宏观上的方向指引。 2.数据来源与描述 2.1 数据来源——《中国劳动统计年鉴─2010》 （URL：https://www.sodocs.net/doc/753426924.html,/Navi/YearBook.aspx?id=N2011010069&floor=1###） 主编单位：国家统计局人口和就业统计司，人力资源和社会保障部规划财务司 出版社：中国统计出版社 简介：《中国劳动统计年鉴─2010》是一部全面反映中华人民共和国劳动经济情况的资料性年刊。本刊收集了2009年全国和各省、自治区、直辖市、香港特别行政区、澳门特别行政区的有关劳动统计数据。本书资料的取得形式主要有国家和部门的报表统计、行政记录和抽样调查。 2.2 数据描述 本数据集记录了全国31个省市（港、澳、台除外）的工资状况，各省市分别记录了其23个主要行业的平均工资水平，这23个主要行业包括：企业、事业、机关、金融业、制造业、建筑业、房地产业、农林牧渔业等等，具体数据格式参见图-0。

图-0 3.分析方法及原理 3.1 通过描述统计分析方法，判断哪些行业平均工资水平较高 描述统计分析方法主要是从基本统计量（诸如均值、方差、标准差、极大/小值、偏度、峰度等）的计算和描述开始的，并辅助于SPSS提供的图形功能，能够把握数据的基本特征和整体的分布特征。 在本案例中，通过比较不同行业（诸如企业、事业、机关、建筑业、制造业……）工资的均值、极大/小值，可以从总体上判断哪些行业的平均工资水平较高，哪些行业的较低。 3.2 通过聚类分析方法，判断哪些地区平均工资水平较高 聚类分析是依据研究对象的个体特征，对其进行分类的方法，分类在经济、管理、社会学、医学等领域，都有广泛的应用。聚类分析能够将一批样本（或变量）数据根据其诸多特征，按照在性质上的亲疏程度在没有先验知识的情况下进行自动分类，产生多个分类结果。类内部个体特征之间具有相似性，不同类间个体特征的差异性较大。 在本案例中，我们将采用两种方法进行聚类分析：一种是系统聚类法，另一种是K-均值法（快速聚类法）。 3.2.1系统聚类法 系统聚类法的基本原理：首先将一定数量的样本或指标各自看成一类，然后根据样本（或指标）的亲疏程度，将亲疏程度最高的两类进行合并，然后考虑合并后的类与其他类之间的亲疏程度，再进行合并。重复这一过程，直到将所有的样本（或指标）合并为一类。 系统聚类分为Q型聚类和R型聚类两种：Q型聚类是对样本进行聚类，它使具有相似特征的样本聚集在一起，使差异性大的样本分离开来；R型聚类是对变量进行聚类，它使差异性大的变量分离开来，相似的变量聚集在一起，这样就可以在相似变量中选择少数具有代表性的变量参与其他分析，实现减少变量个数、降低变量维度的目的。 在本例中进行的是Q型聚类。 类与类之间距离的计算方法主要有以下几种： （1）最短距离法（Nearest Neighbor），是指两类之间每个个体距离的最小值； （2）最长距离法（Farthest Neighbor），是指两类之间每个个体距离的最大值； （3）组间联接法（Between-groups Linkage），是指两类之间个体之间距离的平均值；

【精品管理学】spss因子分析案例 共(13页)

[例11-1]下表资料为25名健康人的7项生化检验结果，7项生化检验指标依次命名为X1至X7，请对该资料进行因子分析。

图 ???对话框（图框。 图 钮返回 图11.3?描述性指标选择对话框 ???点击Extraction...钮，弹出FactorAnalysis:Extraction对话框（图11.4），系统提供如下因子提取方法： 图11.4?因子提取方法选择对话框 ???Principalcomponents：主成分分析法；

???Unweightedleastsquares：未加权最小平方法； ???Generalizedleastsquares：综合最小平方法； ???Maximumlikelihood：极大似然估计法； ???Principalaxisfactoring：主轴因子法； ???Alphafactoring：α因子法； ???对话框。 ???5种因图 ???旋转的目的是为了获得简单结构，以帮助我们解释因子。本例选正交旋转法，之后点击Continue钮返回FactorAnalysis对话框。 ???点击Scores...钮，弹出弹出FactorAnalysis:Scores对话框（图11.6），系统提供3种估计因子得分系数的方法，本例选Regression（回归因子得分），之后点击Continue钮返回FactorAnalysis对话框，再点击OK钮即完成分析。

图11.6?估计因子分方法对话框? ?11.2.3?结果解释 ??在输出结果窗口中将看到如下统计数据： ??系统首先输出各变量的均数（Mean）与标准差（StdDev），并显示共有25例观察单位进入分析；接着输出相关系数矩阵（CorrelationMatrix），经Bartlett检验表明：Bartlett值=326.28484，P<0.0001，即相关矩阵不是一个单位矩阵，故考虑进行因子分析。 好。今KMO值 NumberofCases?=?????25 CorrelationMatrix: X1???????X2???????X3???????X4???????X5???????X6???????X7 X1????????1.00000 X2?????????.58026??1.00000

SPSS因子、聚类案例分析报告.doc

《多元统计分析SPSS》 实验报告 实验课程：基于 SPSS的数据分析 实验地点：现代商贸实训中心实验室名称：经济统计实验室学院： xxx 学院年级专业班： xxx 班 学生姓名：xxx 学号： 015 完成时间：2016 年 x 月 x 日 开课时间：2016 至 2017 学年第 1 学期 成绩 教师签名 批阅日期

实验项目：中国上市银行竞争力分析 （一）实验目的 本实验目的围绕上市商业银行竞争力这一主线，遵循一般理论、具体分析到 对策建议的研究思路，以我国国内上市的十家商业银行为研究对象，采用其2012 年度财务报告的数据，从盈利能力、安全能力和发展能力三方面共选取了 8 个重要指标，试图通过这些指标量化影响竞争力的因素，构建我国上市商业银行的竞 争力评价指标体系，并运用因子分析方法，对我国上市商业银行的竞争力状况进 行了分析评价。最后针对分析的结果，通过对我国上市银行竞争力进行优劣势比 较，提出了提升我国上市商业银行竞争力的一些建议。 （二）实验资料 通过对资产利润率、不良贷款率、资产负债率、资本充足率、每股收益增长率、贷款增长率、存款增长率、总资产增长率等指标的选择分析不同指标在进 行因子分析时所考虑的因素是否存在差异，影响我国上市商业银行的竞争力状况 的因素与上述指标是否有关。 具体数据如下所示： 十家同类型上市商业银行2012 年指标 盈利能力安全能力发展能力 资产利润资产负债资本充足每股收益贷款增长存款增长总资产增 率不良贷款率 率率增长率率率长率 平安银行% % % % % % % % 浦发银行% % % % % % % % 建设银行% % % % % % % % 中国银行% % % % % % % % 农业银行% % % % % % % % 工商银行% % % % % % % 10% 交通银行% % % % % % % % 招商银行% % % % % % % % 中信银行% % % % % % % % 民生银行% % % % % % % % （三）实验步骤 1、选择菜单