其中医疗保险＞衣服。
表9 成份得分系数矩阵 成份 1 .324 -.147 .164 .219 2 -.233 .546 .079 .004 食品 衣服 居住 家庭设备 交通通.274 -.093 讯 文教娱.220 .021 乐 医疗保-.154 .569 险 提取方法 :主成份。 旋转法 :具有 Kaiser 标准化的正交旋转法。 构成得分。 根据表中的内容，可以写出以下因子得分函数：
F1=0.324*X1-0.147*X2+0.164*X3+0.219*X4+0.274*X5+0.220*X6-0.154*X7 F2=-0.233*X1+0.546*X2+0.079*X3+0.004*X4-0.093*X5+0.021*X6+0.569*X7
有了F1和F2的合理解释，可以将各省的相关数据代入因子模型中计算出各因子得分. 同时，以各因子的方差贡献率占2个因子总方差贡献率的比重为权重加权汇总，得出各省的综合因子得分F，即F＝0．55448F1＋0．27945 F2得到的各因子及综合因子的得分数值及排序见表. 表中因子得分情况及其正负仅表示该城市与平均水平的相对位置。
表10 因子及综合因子得分数值及排名
地区 上 海 北 京 广 东 浙 江 天 津 江 苏 内蒙古 福 建 辽 宁 山 东 重 庆 吉 林 陕 西 安 徽 F1排名 F1
3.02862 1 1.5295 3 2.37253 2 1.30964 4 0.75736 7 0.85997 6 -0.24202 15 1.25892 5 -0.20651 14 -0.14855 12 -0.18138 13 -0.87617 29 -0.34483 17 -0.27165 16 F2排名 F2
-0.37344 21 2.31666 1 -0.78112 24 0.4249 11 1.05422 4 0.06022 14 2.10182 2 -1.06226 26 0.9538 5 0.62602 6 0.52346 8 1.57183 3 0.45924 9 -0.08056 18 F
1.57 1.5 1.1 0.84 0.71 0.49 0.45 0.4 0.15 0.09 0.05 -0.05 -0.06 -0.17 F排名 1 2 3 4 5 6 7 8 9 10 11 12 13 14
湖 南 湖 北 四 川 广 西 河 南 宁 夏 海 南 新 疆 河 北 黑龙江 甘 肃 山 西 云 南 江 西 青 海 贵 州 西 藏 -0.11365 -0.36402 0.0731 0.19853 -0.67591 -0.6658 0.18502 -0.79803 -0.74658 -1.08771 -0.83402 -0.74158 -0.70268 -0.38569 -0.74245 -0.45204 -0.99194 11 18 10 8 22 21 9 27 26 31 28 24 23 19 25 20 30 -0.4585 0.02441 -0.85478 -1.20919 0.43522 0.29833 -1.50236 0.38729 0.01241 0.57895 0.03426 -0.26244 -0.35135 -1.13609 -0.48647 -1.35804 -1.94644 22 16 25 28 10 13 30 12 17 7 15 19 20 27 23 29 31 -0.19 -0.2 -0.2 -0.23 -0.25 -0.29 -0.32 -0.33 -0.41 -0.44 -0.45 -0.48 -0.49 -0.53 -0.55 -0.63 -1.09 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
分析F1，上海、广东、北京具有较高的消费水平，公共因子得分为正的城市有10 个城市，且都具有比较发达的经济发展水平，在经济发展到一定水平后，人们的消费理念也上升到了较高的层次。黑龙江、西藏等经济欠发达的省份，居民的消费也会受到一定的制约。居民在食品、交通通讯、家庭设备、居住和文教娱乐5 个方面的消费水平与经济发展水平有密切的相关性。
分析F2，北京、内蒙古、吉林和天津等省市的消费水平高，西藏、海南、贵州和广西等地区消费水平低。而上海、广东两个较为发达的省市排在第21、24 位. 这说明衣服和医疗保险等方面的消费水平与地区的经济水平虽然有一定的相关性，但也受其它因素的影响。
分析分析综合因子得分F，居民消费水平较高的是上海、北京、广东、浙江和天津等省市，较低的为西藏、贵州、青海和江西等省，得分为正的有11个省，说明各省城市居民消费水平发展不均衡。
4.2 聚类分析
表11 聚类表 阶 1 2 3 4 5 6 7 8 9 10 11 群集组合 群集 1 群集 2 19 16 16 7 23 3 12 10 16 2 7 20 25 22 15 27 9 30 28 18 14 17 系数 .003 .005 .010 .020 .033 .046 .060 .080 .104 .137 .173 首次出现阶群集 群集 1 群集 2 下一阶 0 0 2 0 0 0 0 0 3 0 4 0 0 0 0 0 0 0 0 0 0 0 17 3 9 11 17 22 13 18 18 15 21 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
6 12 1 2 5 19 10 4 19 7 3 10 4 2 7 3 1 3 1 8 13 21 26 6 23 16 11 29 19 5 12 24 4 31 10 2 7 3 .211 .249 .313 .380 .456 .534 .620 .725 .857 1.050 1.289 1.550 1.856 2.655 3.456 4.498 6.219 8.444 16.162 0 7 0 10 0 1 8 0 17 11 6 18 19 15 21 22 14 27 28 0 0 0 0 12 5 9 0 0 20 16 13 0 24 0 23 25 26 29 16 23 28 25 22 20 23 24 21 26 27 27 25 28 29 29 30 30 0 Spss首先给出了进行系统聚类分析过程表，第一列列出了聚类过程的步骤号，第二列和第三列列出了某一步骤中那些省市进行了合并，例如从结果中可以看出，19和20首先被合并在一起。第四列列出每一步骤的聚类系数，这一数值表示被合并的两个类别之间的距离大小，第五列和第六列表示参与合并的省市在第几步中第一次出现，0代表该记录是第一次出现在聚类过程中，第七列表示在这一过程中合并的类别，下一次将在第几步中与其他类进行再一次合并。 得到以下结果：
表12 群集成员 案例 4 群集 1 2 3 2 3 3 4 3 3 3 2 3 3 1:北 京 2:内蒙古 3:吉 林 4:天 津 5:辽 宁 6:山 东 7:黑龙江 8:重 庆 9:陕 西 10:河 南 11:浙 江 12:新 疆 13:宁 夏 14:江 苏 15:甘 肃 16:湖 北 17:河 北 18:安 徽 19:山 西 20:云 南 21:上 海 22:湖 南 23:青 海 24:广 东 25:四 川 26:福 建 27:江 西 28:广 西 29:贵 州 30:海 南 31:西 藏 2 4 3 4 3 4 4 1 3 4 2 3 2 4 3 4 3 4
图2 树状图
第一类：北京、上海
第二类：内蒙古、天津、浙江、江苏、广东、福建
第三类：吉林、辽宁、山东、重庆、陕西、河南、新疆、宁夏、湖北、安徽、湖南、四川、广西、海南 第四类：黑龙江、甘肃、河北、山西、云南、青海、江西、贵州、西藏