图4-10设定「Factor Analysis: Option」对话框
至此，已完成了因素分析的全部操作，SPSS将依照研究者的设定自动进行因素分析，并将结果显示到输出窗口或将因素得分储存到资料编辑窗口中。
4-6-2 因素分析的应用举例
前测阶段的项目分析后，定稿后的服务质量满意度问卷总共包含21道题项，再经正式施测后，所搜集回来的资料共有338笔有效问卷（serviceQ_ok.sav），由于涉及的变量较多且要验证此问卷的建构效度，因此考虑采用因素分析方法减少变量个数，之后再进行比较和综合评价。
开启档案「serviceQ_ok.sav」后，读者只要依照4-6-1节中的图4-5～图4-10循序操作即可完成因素分析的相关设定工作，最后即可跑出报表。
■ 检验原始变量是否适合进行因素分析
首先我们将检验所收集到的原始变量之间是否存在特定的线性关系，是否适合采用因素分析来萃取出因素。在此，可借助变数的相关系数矩阵、反映象相关矩阵、巴特利特球形检验和KMO检验方法进行分析。实际的设定方式如图4-5和图4-6所示。输出后的报表如表4-5、表4-6所示。
表4-5为原始变数的相关系数矩阵。很清楚的可以看到，大部分的相关系数都较高，也就是说各变量都呈较强的线性关系，因此可以从中萃取共同因素，适合进行因素分析。
而由表4-6可知，巴特利特球形检验之卡方统计量的观测值为14403.141，其对应的机率p接近0。如果显着水平为0.05，由于机率p小于显着水平，故应拒绝零假设，而认为相关系数矩阵与单位矩阵有显着差异，也就是说相关系数矩阵不为单位矩阵之意。同时，KMO值为0.824，依据Kaiser对KMO之衡量标准可知原始变量适合进行因素分析。
表4-5原始变数的相关系数矩阵
Correlation Matrix Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q1 1.00 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 0.57 1.00 0.67 0.49 1.00 0.51 0.83 0.48 1.00 0.68 0.70 0.73 0.62 1.00 0.56 0.99 0.49 0.82 0.71 1.00 0.51 0.44 0.53 0.55 0.65 0.44 1.00 0.50 0.82 0.47 0.99 0.63 0.82 0.55 1.00 0.62 0.70 0.62 0.59 0.83 0.70 0.50 0.59 1.00 Q10 0.60 0.74 0.57 0.58 0.81 0.74 0.47 0.58 0.84 1.00 Q11 0.65 0.79 0.64 0.67 0.85 0.79 0.58 0.68 0.92 0.83 Q12 0.62 0.74 0.60 0.60 0.84 0.74 0.50 0.60 0.95 0.88 Q13 0.54 0.67 0.46 0.54 0.72 0.67 0.39 0.54 0.80 0.66 Q14 0.48 0.52 0.53 0.62 0.65 0.53 0.90 0.63 0.49 0.48 Q15 0.62 0.74 0.60 0.60 0.84 0.74 0.50 0.60 0.94 0.88 Q16 0.58 0.89 0.54 0.85 0.72 0.90 0.54 0.85 0.70 0.70 Q17 0.47 0.61 0.45 0.46 0.69 0.61 0.24 0.47 0.72 0.83 Q18 0.57 0.66 0.55 0.48 0.76 0.66 0.42 0.49 0.79 0.92 Q19 0.62 0.66 0.68 0.68 0.86 0.65 0.69 0.68 0.80 0.73 Q20 0.61 0.66 0.69 0.69 0.86 0.66 0.69 0.68 0.80 0.73 Q21 0.50 0.75 0.52 0.82 0.66 0.75 0.57 0.83 0.55 0.54 表4-5原始变数的相关系数矩阵（续）
Correlation Matrix Q11 Q12 Q13 Q14 Q15 Q16 Q17 Q18 Q19 Q20 Q21 Q11 1.00 Q12 0.90 1.00 Q13 0.76 0.82 1.00 Q14 0.58 0.49 0.40 1.00 Q15 0.90 0.99 0.82 0.49 1.00 Q16 0.79 0.75 0.64 0.61 0.75 1.00 Q17 0.69 0.74 0.64 0.29 0.74 0.57 1.00 Q18 0.77 0.82 0.56 0.43 0.81 0.62 0.81 1.00 Q19 0.87 0.78 0.64 0.64 0.78 0.70 0.58 0.69 1.00 Q20 0.86 0.78 0.64 0.64 0.78 0.70 0.59 0.69 0.99 1.00 Q21 0.63 0.60 0.50 0.67 0.60 0.85 0.47 0.52 0.65 0.65 1.00
表4-6巴特利特球形检验和KMO检验
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity
.824 14403.141 210 .000 Approx. Chi-Square df Sig.
■ 萃取因素
根据原始变量的相关系数矩阵，我们将应用主成份分析法并以特征值大于1为筛选条件来萃取出因素。实际的设定内容如图4-7所示，且在图4-7的对话框中设定必须输出因素分析的初始解，分析结果如表4-7所示。
表4-7因素分析的初始解
Communalities 1.有专人引导服务 2.总修复时间 3.备有免费申诉或咨询电话 4.未服务前的等候时间 5.营业时间符合需求 6.完成异动作业时间 7.备有电子布告栏 8.完成服务所花时间 9.协助客户解决问题能力 10.人员的专业知识 11.计费交易正确性 12.客户资料保密性 13.准时寄发缴费通知 14.备有报纸杂志 15.话费维持合理价位 16.临柜排队等候 17.缴纳电费方便性 18.实时处理客户抱怨 19.备有舒适及足够座椅 20.柜台清楚标示服务项目 21.申请业务手续简便 Initial Extraction 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0.554 0.916 0.639 0.924 0.888 0.921 0.869 0.926 0.898 0.872 0.898 0.927 0.674 0.834 0.919 0.908 0.762 0.796 0.858 0.857 0.813
Extraction Method: Principal Component Analysis. 表4-7为因素分析后所产生的初始解，该表显示了所有变量的共通性信息。第一行是因素分析初始解下的变量共通性，它的意义为：对原始21个变量如果采用主成份分析方法萃取出所有的特征值（21个），那么原始变量的所有变异数都可被解释，因此变量的共通性均为1（原始变量标准化后的变异数为1）。但是事实上，因素分析的目标必须因素个数小于原始变量的个数，所以不可能萃取全部所有的特征值。第二行是依所设定的萃取条件（在此为特征值大于1）来萃取特征值时的共通性。可以清楚的看出，Q2、Q4～Q12、Q14～Q16 Q19～Q21等变量的绝大部分信息（大于80%）可被萃取出的因素所解释，这些变量的信息遗失较少。但Q1、Q3等三个变量的信息遗失较为严重（近40%）)。整体而言，本次因素萃取的效果大致上可以接受。
表4-8 因素解释原始变量之总变异数的情况
Total Variance Explained Compo- nent 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
表4-8为因素解释原始变量之总变异数的情况，该表中第一行是因素编号，之后每三行成一组，每组中各字段的意义依次是特征值、变异数贡献率和累积变异数贡献率。
◆ 第一组数据项（第二至第四行）描述了初始因素解的情况。很清楚的可以看到，第1个因素的特征值为14.427，解释原始21个变量之总变异数的68.7%（14.427÷21×100），累积变异数贡献率为68.7%，第2个因素的特征值为1.844，解释原始21个变量之总变异数的8.779%（1.844÷21×100），累积变异数贡献率为77.479（(14.427+1.844) ÷21×100）。其余数据之意义类似。在初始解中由于萃取了21个因素，因此原始变量的总变异数全部都会被解释掉，表4-8的第四行也可说明这点。
◆ 第二组数据项（第五至第七行）描述了因素解的概况。可以看出，由于设定了特征值大于1
Initial Eigenvalues % of Cumulative Variance % Extraction Sums of Squared Rotation Sums of Squared Loadings Total % of Cumulative Variance % Total Loadings % of Cumulative Variance % 37.841 63.281 84.055 Total 14.427 1.844 1.381 0.631 0.583 0.467 0.335 0.302 0.244 0.210 0.122 0.102 0.097 0.069 0.065 0.051 0.040 0.014 0.009 0.005 0.000 68.700 68.700 14.427 68.700 68.700 7.947 37.841 8.779 77.479 1.844 8.779 77.479 5.342 25.440 6.576 84.055 1.381 6.576 84.055 4.363 20.774 3.005 87.060 2.778 89.838 2.224 92.061 1.597 93.658 1.438 95.096 1.160 96.256 1.001 97.257 0.582 97.839 0.487 98.326 0.463 98.789 0.329 99.118 0.308 99.426 0.245 99.671 0.193 99.864 0.067 99.931 0.042 99.973 0.025 99.998 0.002 100.000 Extraction Method: Principal Component Analysis.