用R语言分析SPSS第11章消费者购买保健品的动机（主成分分析）

发表: 2017-07-25 浏览: 1890

R语言

该数据记录了消费者对购买保健品的20个动机的打分数据（1-5分），同时记录了消费者的婚姻状态、教育水平、个人收入以及主要使用的保健品品牌。

分析目的：

1、20个动机太多，而且不少动机有重复，通过因子分析降维成少数个因子

2、不同婚姻状态的消费者在购买保健品的动机上是否有差异？

3、消费者在不同保健品品牌上的购买动机是否有差异？

4、不同的动机对应的人群特征（婚姻、教育水平、个人收入，是否用聚类）（本次分析没有讨论）

导入和查看数据

该数据是经过整理了，无需进行数据的清洗。但是导入的数据在w6(个人收入)上出现了缺失值，由于本次分析不用该数据，可以删除。例外里面已经是经过分析后的数据，因而有5个主成分因子。

>library(foreign)

>healthproducts<-read.spss("保健品.sav=",use.value.labels=TRUE,to.data.frame=TRUE)

>head(healthproducts)

 q5_01 q5_02 q5_03 q5_04 q5_05 q5_06 q5_07 q5_08 q5_09 q5_10 q5_11 q5_12 q5_13 q5_14 q5_15 q5_16 q5_17 q5_18 q5_19 q5_20   q8   w1

1     3     3     4     5     5     5     4     5     3     4     4     4     3     4     5     5     2     3     4     4 其它 未婚

2     5     4     5     5     5     5     5     4     4     4     4     3     4     4     5     5     5     4     4     5 其它 未婚

3     5     5     5     5     1     1     4     1     1     1     5     1     1     5     5     1     1     5     1     1 其它 已婚

4     3     5     5     1     1     1     4     5     4     4     4     2     3     4     3     4     4     1     1     5 其它 未婚

5     5     4     2     2     3     4     4     3     4     3     2     5     3     2     3     4     3     4     5     3 其它 未婚

6     5     5     4     3     1     3     4     4     3     3     2     2     2     3     3     5     1     3     1     5 其它 已婚

  w2 w6     fac1_1      fac2_1      fac3_1      fac4_1     fac5_1

1  4  1  0.3386992  0.36500876  0.12134152 -0.59052094  1.2983110

2  5  1  1.2418370  0.21473810 -0.08364404  0.74892608  0.9387580

3  2  8 -1.1876748 -1.77500808 -0.33126515  1.86228257 -0.7150096

4  4 11 -0.3187382  0.07635357  0.20144329  0.38134635 -1.7571711

5  4 11  0.9930303 -0.22689198 -1.51405454  0.02970621  0.4821900

6  3 10 -0.2281808 -0.29290191 -1.30937721  1.40377133 -1.0528023

>summary(healthproducts)

> summary(healthproducts)

     q5_01           q5_02           q5_03           q5_04           q5_05          q5_06           q5_07           q5_08      

 Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.00   Min.   :1.000   Min.   :1.000   Min.   :1.000  

 1st Qu.:3.000   1st Qu.:3.000   1st Qu.:4.000   1st Qu.:2.000   1st Qu.:1.00   1st Qu.:2.000   1st Qu.:3.000   1st Qu.:3.000  

 Median :4.000   Median :4.000   Median :4.000   Median :4.000   Median :3.00   Median :4.000   Median :4.000   Median :4.000  

 Mean   :3.805   Mean   :3.933   Mean   :4.155   Mean   :3.306   Mean   :2.76   Mean   :3.277   Mean   :3.683   Mean   :3.643  

 3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:4.00   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000  

 Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.00   Max.   :5.000   Max.   :5.000   Max.   :5.000  

                                                                                                                               

     q5_09          q5_10           q5_11           q5_12           q5_13           q5_14           q5_15           q5_16      

 Min.   :1.00   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000  

 1st Qu.:3.00   1st Qu.:3.000   1st Qu.:3.000   1st Qu.:2.000   1st Qu.:2.000   1st Qu.:3.000   1st Qu.:3.000   1st Qu.:3.000  

 Median :4.00   Median :4.000   Median :4.000   Median :3.000   Median :4.000   Median :4.000   Median :4.000   Median :4.000  

 Mean   :3.75   Mean   :3.901   Mean   :3.845   Mean   :3.139   Mean   :3.438   Mean   :3.666   Mean   :4.032   Mean   :3.869  

 3rd Qu.:5.00   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:4.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000  

 Max.   :5.00   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000  

                                                                                                                               

     q5_17           q5_18           q5_19           q5_20             q8         w1            w2              w6        

 Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   其它   :282   未婚:172   Min.   :1.000   Min.   : 1.000  

 1st Qu.:1.000   1st Qu.:2.000   1st Qu.:2.000   1st Qu.:2.000   排毒** : 83   已婚:453   1st Qu.:2.000   1st Qu.: 6.000  

 Median :2.000   Median :3.000   Median :3.000   Median :3.000   太太** : 55              Median :3.000   Median : 8.000  

 Mean   :2.694   Mean   :3.037   Mean   :3.032   Mean   :3.275   红桃*  : 55              Mean   :3.235   Mean   : 7.456  

 3rd Qu.:4.000   3rd Qu.:4.000   3rd Qu.:4.000   3rd Qu.:5.000   朵**   : 55              3rd Qu.:4.000   3rd Qu.:10.000  

 Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   阿*    : 40              Max.   :7.000   Max.   :16.000  

                                                                 (Other): 55                              NA's   :7       

     fac1_1             fac2_1            fac3_1            fac4_1            fac5_1        

 Min.   :-2.67891   Min.   :-3.5589   Min.   :-3.3678   Min.   :-3.3466   Min.   :-3.03879  

 1st Qu.:-0.74743   1st Qu.:-0.5653   1st Qu.:-0.6539   1st Qu.:-0.6213   1st Qu.:-0.71501  

 Median : 0.05951   Median : 0.2007   Median : 0.1412   Median : 0.1212   Median : 0.07166  

 Mean   : 0.00000   Mean   : 0.0000   Mean   : 0.0000   Mean   : 0.0000   Mean   : 0.00000  

 3rd Qu.: 0.72792   3rd Qu.: 0.7535   3rd Qu.: 0.7512   3rd Qu.: 0.6966   3rd Qu.: 0.76012  

 Max.   : 2.40557   Max.   : 2.0573   Max.   : 2.2363   Max.   : 2.6494   Max.   : 2.54180

#q5_01~q5_20没有缺失值和异常值，w6有7个缺失值，可以不考虑。

>str(healthproducts)

'data.frame':	625 obs. of  29 variables:

 $ q5_01 : num  3 5 5 3 5 5 5 4 4 5 ...

 $ q5_02 : num  3 4 5 5 4 5 5 5 3 5 ...

 $ q5_03 : num  4 5 5 5 2 4 3 5 4 4 ...

 $ q5_04 : num  5 5 5 1 2 3 2 1 5 2 ...

 $ q5_05 : num  5 5 1 1 3 1 2 1 3 1 ...

 $ q5_06 : num  5 5 1 1 4 3 2 2 4 3 ...

 $ q5_07 : num  4 5 4 4 4 4 5 5 4 2 ...

 $ q5_08 : num  5 4 1 5 3 4 4 3 3 2 ...

 $ q5_09 : num  3 4 1 4 4 3 3 5 4 5 ...

 $ q5_10 : num  4 4 1 4 3 3 5 1 4 3 ...

 $ q5_11 : num  4 4 5 4 2 2 4 4 4 1 ...

 $ q5_12 : num  4 3 1 2 5 2 4 5 4 1 ...

 $ q5_13 : num  3 4 1 3 3 2 2 3 4 4 ...

 $ q5_14 : num  4 4 5 4 2 3 5 4 4 5 ...

 $ q5_15 : num  5 5 5 3 3 3 5 5 4 5 ...

 $ q5_16 : num  5 5 1 4 4 5 5 2 3 5 ...

 $ q5_17 : num  2 5 1 4 3 1 2 1 2 2 ...

 $ q5_18 : num  3 4 5 1 4 3 4 3 3 2 ...

 $ q5_19 : num  4 4 1 1 5 1 5 3 2 4 ...

 $ q5_20 : num  4 5 1 5 3 5 3 4 3 4 ...

 $ q8    : Factor w/ 8 levels "太太**","乌鸡**",..: 8 8 8 8 8 8 8 8 8 8 ...

 $ w1    : Factor w/ 2 levels "未婚","已婚": 1 1 2 1 1 2 2 2 2 1 ...

 $ w2    : num  4 5 2 4 4 3 3 4 3 5 ...

 $ w6    : num  1 1 8 11 11 10 10 9 11 10 ...

 $ fac1_1: num  0.339 1.242 -1.188 -0.319 0.993 ...

 $ fac2_1: num  0.365 0.2147 -1.775 0.0764 -0.2269 ...

 $ fac3_1: num  0.1213 -0.0836 -0.3313 0.2014 -1.5141 ...

 $ fac4_1: num  -0.5905 0.7489 1.8623 0.3813 0.0297 ...

 $ fac5_1: num  1.298 0.939 -0.715 -1.757 0.482 ...

 - attr(*, "variable.labels")= Named chr  "令面色红润" "使皮肤有光泽" "精神状态好" "去斑" ...

  ..- attr(*, "names")= chr  "q5_01" "q5_02" "q5_03" "q5_04" ...

 - attr(*, "codepage")= int 936

#导入进来的数据变量定义符合要求。

筛选q5_01~q5_20进行因子分析。

SPSS中的因子分析是用主成分分析方法实现的，而不是因子分析方法（如何区分二者差别和效度）

>producteffects<-healthproducts[,c(1:20)]

#描述性统计

>

mystats<-function(x,na.omit=FALSE){

if(na.omit)#不能写=TRUE

x<-x[!is.na(x)]

max<-max(x)

min<-min(x)

m<-mean(x)

n<-length(x)

s<-sd(x)#标准差

skew<-sum((x-m)^3/s^3)/n#偏度

kurt<-sum((x-m)^4/s^4)/n-3#峰度

return(c(n=n,min=min,max=max,mean=m,stdev=s,skew=skew,kurtosis=kurt))

}

>round(t(sapply(producteffects[,1:20],mystats)),3)

        n min max  mean stdev   skew kurtosis

q5_01 625   1   5 3.805 1.289 -0.904   -0.292

q5_02 625   1   5 3.933 1.173 -0.928   -0.094

q5_03 625   1   5 4.155 1.045 -1.245    0.904

q5_04 625   1   5 3.306 1.485 -0.335   -1.312

q5_05 625   1   5 2.760 1.562  0.192   -1.518

q5_06 625   1   5 3.277 1.546 -0.340   -1.399

q5_07 625   1   5 3.683 1.354 -0.773   -0.637

q5_08 625   1   5 3.643 1.383 -0.684   -0.818

q5_09 625   1   5 3.750 1.371 -0.890   -0.458

q5_10 625   1   5 3.901 1.149 -0.939    0.092

q5_11 625   1   5 3.845 1.291 -0.951   -0.226

q5_12 625   1   5 3.139 1.407 -0.223   -1.250

q5_13 625   1   5 3.438 1.413 -0.460   -1.123

q5_14 625   1   5 3.666 1.411 -0.738   -0.815

q5_15 625   1   5 4.032 1.187 -1.169    0.431

q5_16 625   1   5 3.869 1.262 -0.933   -0.220

q5_17 625   1   5 2.694 1.559  0.256   -1.493

q5_18 625   1   5 3.037 1.387 -0.159   -1.274

q5_19 625   1   5 3.032 1.358 -0.142   -1.242

q5_20 625   1   5 3.275 1.418 -0.307   -1.206

#可以看出有些变量的均值很高，而且标准差比较低，例如q5_01，q5_02，q5_03，q5_10，q5_15，说明这些变量在整体样本上都是重要的购买动机。但是因子分析的目的在于提取各变量不同的解释成分，强调差异性，因而会忽略各变量相同的解释成分。

#求q5_01~q5_20的频数并可视化

>par(mar=c(2,1,2,1),mfrow=c(5,4))

>data<-matrix(rep(0,100),nrow=20,ncol=5)

>data<-as.data.frame(data)

>colnames(data)<-c(1:5)

>for(i in 1:20){

data[i,]<-table(producteffects[,i])#将每个变量的频数放在data数据表对应的行中，

rownames(data)[i]<-colnames(producteffects)[i]#将变量名称放置在对应的行名称中

hist(producteffects[,i],main = paste("hist of", colnames(producteffects)[i]))#画出直方图并标明个图形的主标题以区分。

}

结果是生成data的频数表

}}A_33G1K0_[O2[Y2S$T7F6.png

}{~G4CY)S0W6G{{}YHLM0HA.png

变量相关性

#求q5_01~q5_20各题项之间的相关性

>library(corrgram)

>corrgram(producteffects,order = TRUE,lower.panel = panel.cor,upper.panel = panel.pie,text.panel = panel.txt)

@V[]_V0WE2DEF6OH2G@`NZP.png

#各变量之间都存在着一定的相关性，且都是正相关

#相关性显著性检验（多个变量两两之间的检验用corr.test()函数）

>library(psych)

>corr.test(producteffects)

Call:corr.test(x = producteffects)

Correlation matrix 

      q5_01 q5_02 q5_03 q5_04 q5_05 q5_06 q5_07 q5_08 q5_09 q5_10 q5_11 q5_12 q5_13 q5_14 q5_15 q5_16 q5_17 q5_18 q5_19 q5_20

q5_01  1.00  0.60  0.27  0.28  0.16  0.27  0.30  0.18  0.27  0.11  0.20  0.29  0.14  0.23  0.18  0.14  0.20  0.17  0.13  0.21

q5_02  0.60  1.00  0.35  0.26  0.15  0.30  0.32  0.19  0.30  0.23  0.23  0.31  0.10  0.26  0.20  0.13  0.17  0.16  0.12  0.18

q5_03  0.27  0.35  1.00  0.20  0.07  0.19  0.23  0.17  0.22  0.28  0.27  0.28  0.11  0.23  0.32  0.20  0.10  0.06  0.04  0.11

q5_04  0.28  0.26  0.20  1.00  0.35  0.46  0.27  0.18  0.24  0.12  0.08  0.27  0.19  0.20  0.12  0.03  0.11  0.12  0.15  0.14

q5_05  0.16  0.15  0.07  0.35  1.00  0.23  0.15  0.16  0.09  0.05  0.01  0.21  0.12  0.06  0.09  0.07  0.19  0.13  0.15  0.18

q5_06  0.27  0.30  0.19  0.46  0.23  1.00  0.41  0.29  0.42  0.19  0.14  0.29  0.16  0.36  0.15  0.10  0.13  0.12  0.18  0.09

q5_07  0.30  0.32  0.23  0.27  0.15  0.41  1.00  0.22  0.29  0.17  0.18  0.29  0.10  0.21  0.20  0.16  0.19  0.19  0.22  0.16

q5_08  0.18  0.19  0.17  0.18  0.16  0.29  0.22  1.00  0.40  0.22  0.17  0.24  0.32  0.29  0.20  0.08  0.06  0.06  0.09  0.13

q5_09  0.27  0.30  0.22  0.24  0.09  0.42  0.29  0.40  1.00  0.32  0.18  0.28  0.23  0.51  0.24  0.09  0.12  0.06  0.14  0.16

q5_10  0.11  0.23  0.28  0.12  0.05  0.19  0.17  0.22  0.32  1.00  0.38  0.27  0.17  0.27  0.29  0.07  0.05  0.07  0.07  0.05

q5_11  0.20  0.23  0.27  0.08  0.01  0.14  0.18  0.17  0.18  0.38  1.00  0.36  0.20  0.21  0.29  0.08  0.05  0.10  0.04  0.05

q5_12  0.29  0.31  0.28  0.27  0.21  0.29  0.29  0.24  0.28  0.27  0.36  1.00  0.28  0.28  0.19  0.14  0.18  0.28  0.22  0.21

q5_13  0.14  0.10  0.11  0.19  0.12  0.16  0.10  0.32  0.23  0.17  0.20  0.28  1.00  0.28  0.15  0.10  0.10  0.10  0.09  0.15

q5_14  0.23  0.26  0.23  0.20  0.06  0.36  0.21  0.29  0.51  0.27  0.21  0.28  0.28  1.00  0.38  0.09  0.12  0.11  0.16  0.12

q5_15  0.18  0.20  0.32  0.12  0.09  0.15  0.20  0.20  0.24  0.29  0.29  0.19  0.15  0.38  1.00  0.20  0.04  0.17  0.09  0.15

q5_16  0.14  0.13  0.20  0.03  0.07  0.10  0.16  0.08  0.09  0.07  0.08  0.14  0.10  0.09  0.20  1.00  0.29  0.19  0.16  0.25

q5_17  0.20  0.17  0.10  0.11  0.19  0.13  0.19  0.06  0.12  0.05  0.05  0.18  0.10  0.12  0.04  0.29  1.00  0.39  0.32  0.33

q5_18  0.17  0.16  0.06  0.12  0.13  0.12  0.19  0.06  0.06  0.07  0.10  0.28  0.10  0.11  0.17  0.19  0.39  1.00  0.57  0.39

q5_19  0.13  0.12  0.04  0.15  0.15  0.18  0.22  0.09  0.14  0.07  0.04  0.22  0.09  0.16  0.09  0.16  0.32  0.57  1.00  0.37

q5_20  0.21  0.18  0.11  0.14  0.18  0.09  0.16  0.13  0.16  0.05  0.05  0.21  0.15  0.12  0.15  0.25  0.33  0.39  0.37  1.00

Sample Size 

[1] 625

Probability values (Entries above the diagonal are adjusted for multiple tests.) 

      q5_01 q5_02 q5_03 q5_04 q5_05 q5_06 q5_07 q5_08 q5_09 q5_10 q5_11 q5_12 q5_13 q5_14 q5_15 q5_16 q5_17 q5_18 q5_19 q5_20

q5_01  0.00  0.00  0.00  0.00  0.01  0.00  0.00  0.00  0.00  0.32  0.00     0  0.03  0.00  0.00  0.04  0.00  0.00  0.06  0.00

q5_02  0.00  0.00  0.00  0.00  0.01  0.00  0.00  0.00  0.00  0.00  0.00     0  0.60  0.00  0.00  0.06  0.00  0.01  0.16  0.00

q5_03  0.00  0.00  0.00  0.00  1.00  0.00  0.00  0.00  0.00  0.00  0.00     0  0.18  0.00  0.00  0.00  0.39  1.00  1.00  0.19

q5_04  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.16  0.86     0  0.00  0.00  0.12  1.00  0.24  0.15  0.02  0.03

q5_05  0.00  0.00  0.08  0.00  0.00  0.00  0.01  0.00  0.80  1.00  1.00     0  0.14  1.00  0.65  1.00  0.00  0.08  0.01  0.00

q5_06  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.02     0  0.00  0.00  0.01  0.60  0.09  0.17  0.00  0.80

q5_07  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00     0  0.60  0.00  0.00  0.01  0.00  0.00  0.00  0.01

q5_08  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00     0  0.00  0.00  0.00  0.98  1.00  1.00  0.65  0.05

q5_09  0.00  0.00  0.00  0.00  0.03  0.00  0.00  0.00  0.00  0.00  0.00     0  0.00  0.00  0.00  0.65  0.13  1.00  0.03  0.00

q5_10  0.01  0.00  0.00  0.00  0.24  0.00  0.00  0.00  0.00  0.00  0.00     0  0.00  0.00  0.00  1.00  1.00  1.00  1.00  1.00

q5_11  0.00  0.00  0.00  0.04  0.79  0.00  0.00  0.00  0.00  0.00  0.00     0  0.00  0.00  0.00  0.95  1.00  0.56  1.00  1.00

q5_12  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00     0  0.00  0.00  0.00  0.04  0.00  0.00  0.00  0.00

q5_13  0.00  0.02  0.00  0.00  0.00  0.00  0.02  0.00  0.00  0.00  0.00     0  0.00  0.00  0.01  0.48  0.60  0.60  0.65  0.01

q5_14  0.00  0.00  0.00  0.00  0.17  0.00  0.00  0.00  0.00  0.00  0.00     0  0.00  0.00  0.00  0.80  0.11  0.25  0.01  0.14

q5_15  0.00  0.00  0.00  0.00  0.02  0.00  0.00  0.00  0.00  0.00  0.00     0  0.00  0.00  0.00  0.00  1.00  0.00  0.65  0.01

q5_16  0.00  0.00  0.00  0.47  0.08  0.02  0.00  0.05  0.02  0.07  0.04     0  0.01  0.03  0.00  0.00  0.00  0.00  0.01  0.00

q5_17  0.00  0.00  0.01  0.01  0.00  0.00  0.00  0.15  0.00  0.22  0.20     0  0.02  0.00  0.35  0.00  0.00  0.00  0.00  0.00

q5_18  0.00  0.00  0.11  0.00  0.00  0.00  0.00  0.11  0.15  0.07  0.02     0  0.02  0.01  0.00  0.00  0.00  0.00  0.00  0.00

q5_19  0.00  0.00  0.33  0.00  0.00  0.00  0.00  0.02  0.00  0.07  0.34     0  0.02  0.00  0.02  0.00  0.00  0.00  0.00  0.00

q5_20  0.00  0.00  0.00  0.00  0.00  0.03  0.00  0.00  0.00  0.23  0.18     0  0.00  0.00  0.00  0.00  0.00  0.00  0.00  0.00

#结果不仅给出了相关性强度，还给出了相关性显著性的值，可以看出大部分的相关性系数都是显著的，因而后续可以进行因子分析。

因子分析描述（KMO和Bartlett球形度检验）

如何预估因子分析的效果，SPSS中使用KMO和Bartlett球形度检验，R中如何实现？

实际中当KMO统计量>0.7时，因子分析的效果比较好

Bartlett球形度检验具有显著性，表明变量间存在相关性，可提取公因子。

判断提取的因子数

碎石图判断需要提取的因子数目（主成分特征值>1的个数）

>opar<-par(no.readonly = TRUE)

>par(mar=c(2,2,2,2),mfrow=c(1,1))（重置图形界面的格式）

>library(psych)

>fa.parallel(producteffects,fa="pc",n.iter = 100,main = "scree plot with parallel analysis",show.legend = TRUE)

>abline(h=1)#利用主成分分析方法来提取因子，那么应该考虑特征值1（h=1）以上的点。

>par(opar)

$~N8]WE_B3{FZ2)1G89$L$SQ.png$

#可以看出图中特征值>1的成分个数有5-6个，考虑提取5个成分

因子提取

#主成分方法提取未旋转公共因子

>Nonrotateprincipal<-principal(producteffects,nfactors = 5,rotate = "none")（不太明白为什么在旋转之前一定要先求未旋转的情况）

>Nonrotateprincipal

Principal Components Analysis

Call: principal(r = producteffects, nfactors = 5, rotate = "none")

Standardized loadings (pattern matrix) based upon correlation matrix

       PC1   PC2   PC3   PC4   PC5   h2   u2 com

q5_01 0.57  0.00 -0.18 -0.48 -0.09 0.60 0.40 2.2

q5_02 0.60 -0.09 -0.11 -0.52 -0.09 0.66 0.34 2.1

q5_03 0.49 -0.22  0.22 -0.37  0.07 0.48 0.52 2.8

q5_04 0.50 -0.03 -0.54  0.00  0.23 0.59 0.41 2.4

q5_05 0.34  0.20 -0.43  0.07  0.46 0.56 0.44 3.3

q5_06 0.59 -0.14 -0.44  0.10 -0.15 0.60 0.40 2.2

q5_07 0.56  0.03 -0.19 -0.16 -0.16 0.40 0.60 1.6

q5_08 0.48 -0.23 -0.07  0.39 -0.06 0.45 0.55 2.5

q5_09 0.60 -0.29 -0.08  0.25 -0.39 0.67 0.33 2.7

q5_10 0.45 -0.34  0.35  0.06  0.15 0.47 0.53 3.1

q5_11 0.44 -0.29  0.42 -0.11  0.38 0.61 0.39 3.9

q5_12 0.62  0.00  0.06  0.02  0.37 0.53 0.47 1.7

q5_13 0.41 -0.12  0.07  0.46  0.28 0.47 0.53 2.9

q5_14 0.58 -0.27  0.09  0.28 -0.34 0.61 0.39 2.7

q5_15 0.48 -0.19  0.39  0.00 -0.06 0.42 0.58 2.3

q5_16 0.32  0.29  0.30 -0.13 -0.16 0.32 0.68 3.9

q5_17 0.39  0.55  0.06 -0.04 -0.08 0.46 0.54 1.9

q5_18 0.42  0.64  0.20  0.09  0.04 0.63 0.37 2.0

q5_19 0.41  0.60  0.07  0.21 -0.08 0.58 0.42 2.1

q5_20 0.42  0.52  0.13  0.08 -0.03 0.47 0.53 2.1



                       PC1  PC2  PC3  PC4  PC5

SS loadings           4.83 2.00 1.44 1.28 1.04

Proportion Var        0.24 0.10 0.07 0.06 0.05

Cumulative Var        0.24 0.34 0.41 0.48 0.53

Proportion Explained  0.46 0.19 0.14 0.12 0.10

Cumulative Proportion 0.46 0.65 0.78 0.90 1.00

说明：

未旋转的情况下，往往各成分难以进行有意义的命名，因为因子分析中各因子必须有意义。

从各成分的方差解释比例可以看出，这5个成分的累计方差解释比例达到53%。可以接受。

#提取旋转后的主成分

>rotateprincipal<-principal(producteffects,nfactors = 5,rotate = "varimax",scores=TRUE)

>rotateprincipal$loadings#自动删除载荷在0.1以下的值（如何将标签显示在载荷表的行名称里面）

Loadings:

      RC2    RC1    RC5    RC4    RC3   

q5_01  0.152         0.123  0.726  0.160

q5_02  0.102  0.121  0.210  0.761  0.108

q5_03                0.498  0.479       

q5_04         0.237         0.317  0.661

q5_05  0.160                       0.724

q5_06         0.559         0.363  0.387

q5_07  0.209  0.307         0.480  0.173

q5_08         0.599  0.212         0.213

q5_09         0.773  0.122  0.232       

q5_10         0.262  0.627              

q5_11                0.768  0.118       

q5_12  0.243  0.139  0.503  0.172  0.405

q5_13  0.115  0.360  0.385 -0.248  0.343

q5_14  0.107  0.721  0.238  0.138       

q5_15  0.152  0.293  0.511  0.159 -0.159

q5_16  0.467         0.160  0.203 -0.196

q5_17  0.649                0.176       

q5_18  0.780                       0.106

q5_19  0.736  0.152                0.129

q5_20  0.668                       0.101



                 RC2   RC1   RC5   RC4   RC3

SS loadings    2.454 2.302 2.114 2.092 1.625

Proportion Var 0.123 0.115 0.106 0.105 0.081

Cumulative Var 0.123 0.238 0.344 0.448 0.529

说明：表中输出结果载荷在0.3以下的可以忽略，0.3~0.5之间的可以参考，高于0.5的成分可以合并命名。

RC2：q5_17,18,19,20合并，是关于同龄人的行为，年轻人的建议，自身形象，命名为外界影响

RC1：q5_06,08,09,14合并，是关于延缓衰老、调节内分泌和抗皱的，命名为延缓衰老

RC5：q5_10,11,12,15合并，是关于提高睡眠质量、抗疲劳、提高免疫力、消除黑眼圈，命名为身体健康

RC4：q5_01,02合并，是关于皮肤光泽和红润的，命名为气色肤色

RC3：q5_04,06合并，是关于祛痘祛斑，命名为特定问题

>scores<-rotateprincipal$scores#设置scores=TRUE，可以得到各成分的得分表，保存为变量继续后面的分析

#对因子进行命名

>colnames(scores)<-c("外界影响","延缓衰老","身体健康","气色肤色","特定问题")

基于因子分析结果进行数据分析

#将得分表与消费者特征变量整合

>analysisdata<-cbind(healthproducts[,c(1:24)],scores)

##不同婚姻状况消费者在各成分上的均值和标准差

melt()函数

#分析不同婚姻状况下消费者在购买动机上的差异

>test_function<-function(x){

t.test<-t.test(x~analysisdata$w1)#假设的是方差非齐性，statistic对应t值，parameter对应df，方差齐性的时候用什么方法检验

wilcox.test<-wilcox.test(x~analysisdata$w1)#这个是什么时候用的？

return(c(t=t.test,w=wilcox.test))

}

>group<-sapply(analysisdata[,25:29],ttest_function)

t检验的结果得出的是SPSS中方差非齐性下输出的检验结果

GX$Z9}07EDP[2{2OV)]5LIH.png

#可视化不同婚姻状况的群体在不同因子上的分布

>library(lattice)

>splom(analysisdata[,25:29],groups =analysisdata$w1, auto.key=TRUE, pch=1:2，col=1:2, key=list(text=list(levels(factor(analysisdata$w1))) , points=list(pch=1:2，col=1:2)))

$9Y}{P_`[W9$@PUR~O`6O5C1.png$

pairs(~外界影响+延缓衰老+身体健康+特定问题,data=subset(analysisdata[analysisdata$w1 %in% "未婚",]),col="blue")#两两的散点图，但是如何用颜色区分婚姻

pairs(~外界影响+延缓衰老+身体健康+特定问题,data=subset(analysisdata[analysisdata$w1 %in% "已婚",]),col="red",add=TRUE)#为什么不行

#不同品牌偏好的消费者在5个成分上的差异

aggr_brand<-aggregate(analysisdata[,25:29],by=list(analysisdata$q8),FUN = mean)

8U~N$6ACQD6]BH3U_NX@L5H.png

1 个评论

周肖康

请问有原始数据的链接吗？谢谢了！

要回复文章请先登录或注册