旋轉載荷平方和累積是什麼意思

旋轉載荷平方和累積部分的總計是特徵值，方差百分比是方差貢獻率，這兩個值越大代表每個因子的代表性越大。

累積代表所有因子的總體代表程度。

探索性因子分析法是一項用來找出多元觀測變量的本質結構、並進行處理降維的技術。

因而EFA能夠將具有錯綜複雜關係的變量綜合爲少數幾個核心因子。

對於主因子分析法來說，不存在異常值、等距值、線形值、多變量常態分配以及正交性等情況。

計算應用：統計軟件（如SPSS統計軟件或SAS統計軟件）來進行數據分析。

小編還爲您整理了以下內容，可能對您也有幫助：

實驗目的

學會使用SPSS的簡單操作，掌握主成分與因子分析。實驗要求

使用SPSS。實驗內容 實驗步驟

（1）主成分分析，分析示例——對30個省市自治區經濟基本情況的八項指標進行分析，詳情見factorl.sav檔案。

SPSS操作，點擊【分析】→【降維】→【因子】，在開啟的【因子分析】對話框中，把x1~x8都選入【變量】中，點擊【描述】，勾選【係數】，點擊【繼續】，單擊【確定】。

 　　SPSS在調用因子分析的過程中，首先會對原始變量進行標準化，因此以後的輸出結果中通常情況下都是指標準化後的變量。

在結果輸出中會涉及一些因子分析的內容，因此這裏只給出與主成分分析有關的部分如下：

相關性矩陣
		GDP	居民消費水平	固定資產投資	職工平均工資	貨物週轉量	居民消費價格指數	商品價格指數	工業總產值
相關性	GDP	1.000	.267	.951	.187	.617	-.273	-.264	.874
	居民消費水平	.267	1.000	.426	.716	-.151	-.235	-.593	.363
	固定資產投資	.951	.426	1.000	.396	.431	-.280	-.359	.792
	職工平均工資	.187	.716	.396	1.000	-.357	-.145	-.543	.099
	貨物週轉量	.617	-.151	.431	-.357	1.000	-.253	.022	.659
	居民消費價格指數	-.273	-.235	-.280	-.145	-.253	1.000	.763	-.125
	商品價格指數	-.264	-.593	-.359	-.543	.022	.763	1.000	-.192
	工業總產值	.874	.363	.792	.099	.659	-.125	-.192	1.000

上表爲8個原始變量之間的相關係數矩陣，可見許多變量之間直接的相關性比較強，的確存在資訊上的重疊。

總方差解釋
成分	初始特徵值			提取載荷平方和
	總計	方差百分比	累積 %	總計	方差百分比	累積 %
1	3.754	46.924	46.924	3.754	46.924	46.924
2	2.203	27.532	74.456	2.203	27.532	74.456
3	1.208	15.096	89.551	1.208	15.096	89.551
4	.403	5.042	94.593
5	.214	2.673	97.266
6	.138	1.722	98.988
7	.066	.829	99.817
8	.015	.183	100.000
提取方法：主成分分析法。

上表給出的是各成分的方差貢獻率，由此可知，只有前3個特徵根大於1，因此SPSS只提取了前3個主成分。

前3個主成分的方差貢獻率達到89.515%，因此選前3個主成分已足夠描述經濟發展的水平。

成分矩陣a
	成分
	1	2	3
GDP	.884	.385	.120
居民消費水平	.606	-.596	.277
固定資產投資	.911	.163	.213
職工平均工資	.465	-.725	.362
貨物週轉量	.486	.737	-.279
居民消費價格指數	-.510	.257	.794
商品價格指數	-.621	.596	.433
工業總產值	.822	.429	.210
提取方法：主成分分析法。
a. 提取了 3 個成分。

上表爲主成分系數矩陣，可以說明各主成分在各變量上的載荷，從而得出各主成分的表達式，注意表達式中各變量已經不是原始變量，而是標準化變量。

　　由於各自變量已經標準化了，因此以上3個主成分的均數均爲0。

在第1主成分的表達式中，X1，X2，X3，X8的係數較大，可以看成是反映GDP、固定資產投資、居民消費水平和工業總產值的綜合指標。

在第2主成分中，X4和X5的係數較大，可以看成反映的是職工平均工資和貨物週轉量的綜合指標。

在第3主成分中，X6的係數較大，可以看成反映居民消費價格指數方面的綜合指標。

代碼：

1 FACTOR 2 /VARIABLES x1 x2 x3 x4 x5 x6 x7 x8 3 /MISSING LISTWISE 4 /ANALYSIS x1 x2 x3 x4 x5 x6 x7 x8 5 /PRINT INITIAL SIG EXTRACTION ROTATION 6 /CRITERIA MINEIGEN(1) ITERATE(25) 7 /EXTRACTION PC 8 /CRITERIA ITERATE(25) 9 /ROTATION VARIMAX10 /METHOD=CORRELATION.旋轉載荷平方和累積是指在一個系統或結構中，透過對旋轉載荷進行測量或計算後，將每個載荷值的平方進行累加得到的總和。這個平方和累積的值通常用於評估系統或結構的穩定性和承載能力。透過累積平方和，我們可以瞭解在系統執行或受載時旋轉載荷的總體影響。這個概念常常在工程、物理學和相關領域中使用，用於分析和設計各種機械、結構或電子設備的可靠性和耐久性。

旋轉載荷平方和累積多少合適

百分之70。旋轉載荷平方和可以幫助和確定機器的承載能力和壽命，旋轉載荷平方和控制在百分之70最合適，當旋轉載荷平方和累積大於百分之70或積累過多時，會導致機械設備所受的載荷超過其承載能力，使機械設備發生故障或損壞，當旋轉載荷平方和累積過少時，會導測量物體載荷以及方向判斷錯誤，因此旋轉載荷平方和積累在百分之70最合適。

旋轉平方和載入累積怎麼算

旋轉體表面積積分公式：dS=2π*∫f(x)*√[1+f'(x)^2]dx，一條平面曲線繞着它所在的平面內的一條定直線旋轉所形成的曲面叫作旋轉面；該定直線叫做旋轉體的軸；封閉的旋轉面圍成的幾何體叫作旋轉體。比如等腰三角形繞過底邊上的高的直線旋轉一週構成的圖形性就是一個旋轉體圓錐，還有圓柱、圓臺、球等都是旋轉體。旋轉軸是旋轉對稱動作據以進行的幾何直線。

提取載荷平方和是什麼意思

提取載荷平方和是指從一組數據中提取出各個數據乘以自身後的和。載荷平方和一般用於因子分析等數據分析方法中，可以用來評估某個因素對於一組變量的影響程度。在因子分析中，常常需要計算載荷平方和來確定某個因子的方差貢獻率，以及該因子對於總方差的解釋程度。

提取載荷平方和是什麼意思

提取載荷平方和通常是指在進行因子分析、結構方程模型等多變量統計分析時，對每個變量的載荷（loadings）進行平方和的提取和計算。載荷是指在因子分析或結構方程模型中，每個變量與因子或潛在變量之間的關係係數，載荷平方和則是指每個變量的載荷值平方的總和。

載荷平方和常常用於衡量變量對因子或潛在變量的解釋程度，即變量與因子之間的關係程度。在因子分析中，載荷平方和越大，說明變量與因子之間的關係越緊密，變量對因子的解釋程度越高；在結構方程模型中，載荷平方和越大，說明變量對潛在變量的解釋程度越高，潛在變量對觀測變量的解釋程度也越高。因此，載荷平方和是一種重要的數據指標，用於評估變量和因子或潛在變量的關係程度。

載荷平方和累積50可以嗎

屋面荷載每平方米50公斤的房間可以住人嗎？

根據《建築結構荷載規範》3.1.1 建築結構的荷載可分爲下列三類：

永久荷載，包括結構自重、土壓力、預應力等。

可變荷載，包括樓面活荷載、屋面活荷載和積灰荷載、吊車荷載、風荷載、雪荷載、溫度作用等。

偶然荷載，包括爆炸力、撞擊力等

恆載都按實際計算，區別只在於活荷載，上人2.0kN/㎡，不上人取0.5kN/㎡。

1.0kN/㎡=102kg/㎡，上人2.0kN/㎡=200kg/㎡，不上人取0.5kN/㎡=50kg/㎡

由此可見屋面荷載每平方米50kg，這個值是平攤着來算的，就安每平米50kg來計算，10平米就是500kg，局部的集中作用可以平攤到整塊板（樑柱所劃分的區隔）上去計算。不會因爲你在0.1平米的地方有一個超過50kg的人或物就超過其荷載而破壞了的。

你真的要計算的話，就算一算整個房間裏面的人或物總重除一下總面積，不超過50kg/㎡就可以了！換句話就是10平米的房間只要裏面的人和物別超過500kg就算安全的！

另外設計計算的時候也是有放大係數的，不會因爲你超了一點就破壞了！這下你知道了嗎？這個也是我自己的一些看法！大家有不同意見，歡迎大家一起在評論區留言討論！

贊

怎麼用SPSS軟件得到旋轉平方載荷的總和

用spss得到因子分析下旋轉載荷平方和：

“分析”- “降維”-“因子分析“ - ”選擇變量“ - 根據情況選擇需要的，其中只要在“旋轉”項下選擇一種合適的方法，“確定”後輸出的 “解釋的總方差”一表中，就會出現“旋轉平方和載入”即爲“旋轉在和平方和”。

提取載荷平方和方差百分比能超過40%嗎

SPSS主成分與因⼦分析

實驗⽬的

學會使⽤SPSS的簡單操作，掌握主成分與因⼦分析。

實驗要求

使⽤SPSS。

實驗內容

實驗步驟

（1）主成分分析，分析⽰例——對30個省市⾃治區經濟基本情況的⼋項指標進⾏分析，詳情見factorl.sav⽂件。SPSS操作，點擊【分析】→【降維】→【因⼦】，在開啟的【因⼦分析】對話框中，把x1~x8都選⼊【變量】中，點擊【描述】，勾選【係數】，點擊【繼續】，單擊【確定】。

SPSS在調⽤因⼦分析的過程中，⾸先會對原始變量進⾏標準化，因此以後的輸出結果中通常情況下都是指標準化後的變量。在結果輸出中會涉及⼀些因⼦分析的內容，因此這⾥只給出與主成分分析有關的部分如下：

相關性矩陣

GDP 居民消費

⽔平

固定資產

投資

職⼯平均

⼯資

貨物週轉

量

居民消費價

格指數

商品價格

指數

⼯業總產

值

相關性GDP 1.000.267.951.187.617-.273-.264.874居民消費⽔平.267 1.000.426.716-.151-.235-.593.363固定資產投資.951.426 1.000.396.431-.280-.359.792職⼯平均⼯資.187.716.396 1.000-.357-.145-.543.099貨物週轉量.617-.151.431-.357 1.000-.253.022.659居民消費價格

指數

-.273-.235-.280-.145-.253 1.000.763-.125商品價格指數-.264-.593-.359-.543.022.763 1.000-.192⼯業總產值.874.363.792.099.659-.125-.192 1.000

上表爲8個原始變量之間的相關係數矩陣，可見許多變量之間直接的相關性⽐較強，的確存在資訊上的重疊。

總⽅差解釋

成分

初始特徵值提取載荷平⽅和

總計⽅差百分⽐累積 %總計⽅差百分⽐累積 %

1 3.75446.92446.924 3.75446.92446.924

2 2.20327.53274.456 2.20327.53274.456

3 1.20815.09689.551 1.20815.09689.551

4.403

5.04294.593

5.214 2.67397.266

6.138 1.72298.988

7.066.82999.817

8.015.183100.000

提取⽅法：主成分分析法。

上表給出的是各成分的⽅差貢獻率，由此可知，只有前3個特徵根⼤於1，因此SPSS只提取了前3個主成分。前3個主成分的⽅差貢獻率達到89.515%，因此選前3個主成分已⾜夠描述經濟發展的⽔平。

成分矩陣a

成分

123

GDP.884.385.120

居民消費⽔平.606-.596.277

固定資產投資.911.163.213

固定資產投資.911.163.213

職⼯平均⼯資.465-.725.362

貨物週轉量.486.737-.279

居民消費價格指數-.510.257.794

商品價格指數-.621.596.433

⼯業總產值.822.429.210

提取⽅法：主成分分析法。

a. 提取了 3 個成分。

上表爲主成分系數矩陣，可以說明各主成分在各變量上的載荷，從⽽得出各主成分的表達式，注意表達式中各變量已經不是原始變量，⽽是標準化變量。

由於各⾃變量已經標準化了，因此以上3個主成分的均數均爲0。在第1主成分的表達式中，X1,X2,X3,X8的係數較⼤，可以看成是反

映GDP、固定資產投資、居民消費⽔平和⼯業總產值的綜合指標。在第2主成分中，X4和X5的係數較⼤，可以看成反映的是職⼯平均⼯資和貨物週轉量的綜合指標。在第3主成分中，X6的係數較⼤，可以看成反映居民消費價格指數⽅⾯的綜合指標。

代碼：



1 FACTOR

2 /VARIABLES x1 x2 x

3 x

4 x

5 x

6 x

7 x8

3 /MISSING LISTWISE

4 /ANALYSIS x1 x2 x3 x4 x

5 x

6 x

7 x8

5 /PRINT INITIAL SIG EXTRACTION ROTATION

6 /CRITERIA MINEIGEN(1) ITERATE(25)

7 /EXTRACTION PC

8 /CRITERIA ITERATE(25)

9 /ROTATION VARIMAX

10 /METHOD=CORRELATION.

主成分

（2）因⼦分析，在前⾯已經對全國30個省市⾃治區的經濟發展狀況進⾏了主成分分析，最終結果並不是⼗分明確，現在採⽤因⼦分析法進⾏分析。SPSS操作如下，【分析】→【降維】→【因⼦】，在開啟的【因⼦分析】的對話框中，把x1~x8選⼊變量。開啟【描述】⼦對話框，勾選【KMO和巴特利特球形度檢驗】→【繼續】。開啟【提取】，勾選【碎⽯圖】→【繼續】。開啟【得分】，勾選【顯⽰因⼦得分矩陣】→【繼續】。單擊【確定】。

KOM和球形Bartlett檢驗⽤於因⼦分析到適⽤性檢驗，KOM檢驗變量間的偏相關是否較⼩，Bartlett球形檢驗是判斷相關陣是否是單位陣。

KMO 和巴特利特檢驗

KMO 取樣適切性量數。.620

巴特利特球形度檢驗近似卡⽅231.285

⾃由度28

顯著性.000

由Bartlett檢驗可以看出，應拒絕各變量獨⽴的假設，即變量間具有較強的相關性。但是KOM統計量爲0.620⼩於0.7，說明各變量間資訊的重疊程度不是很⾼，有可能做出的因⼦分析模型不是很完善，但還是值得嘗試。

公因⼦⽅差

初始提取

GDP 1.000.945

居民消費⽔平 1.000.799

固定資產投資 1.000.902

職⼯平均⼯資 1.000.873

貨物週轉量 1.000.857

居民消費價格指數 1.000.957

居民消費價格指數 1.000.957

商品價格指數 1.000.928

⼯業總產值 1.000.904

提取⽅法：主成分分析法。

⼏乎所有變量共同度都在80%以上，因此提取出的這⼏個公因⼦對各變量到解釋能⼒是較強的。

碎⽯圖⽤於顯⽰各因⼦的重要程度，它將因⼦按特徵根從⼤到⼩排列。前3個因⼦的散點位於陡坡上，⽽後5個因⼦散點形成了平臺，且特徵根均⼩於1，因此最多考慮前3個公因⼦即可。

成分矩陣a

成分

123

GDP.884.385.120

居民消費⽔平.606-.596.277

固定資產投資.911.163.213

職⼯平均⼯資.465-.725.362

貨物週轉量.486.737-.279

居民消費價格指數-.510.257.794

商品價格指數-.621.596.433

⼯業總產值.822.429.210

提取⽅法：主成分分析法。

a. 提取了 3 個成分。

在（1）⽤作各主成分系數。

總⽅差解釋

成分

初始特徵值提取載荷平⽅和旋轉載荷平⽅和

總計⽅差百分⽐累積 %總計⽅差百分⽐累積 %總計⽅差百分⽐累積 %

1 3.75446.92446.924 3.75446.92446.924 3.20740.09240.092

2 2.20327.53274.456 2.20327.53274.456 2.21727.70867.800

3 1.20815.09689.551 1.20815.09689.551 1.74021.75289.551

4.403

5.04294.593

5.214 2.67397.266

6.138 1.72298.988

7.066.82999.817

8.015.183100.000

提取⽅法：主成分分析法。

前3個因⼦的⽅差貢獻率仍爲89.55%，和旋轉前完全相同，因此選前3個因⼦⾜夠描述經濟發展的⽔平。

成分得分系數矩陣

成分得分系數矩陣

成分

123

GDP.306.011.047

居民消費⽔平.025.387.040

固定資產投資.270.129.075

職⼯平均⼯資-.025.451.096

貨物週轉量.248-.319-.139

居民消費價格指數.070.180.653

商品價格指數.077-.098.462

⼯業總產值.317.026.123

提取⽅法：主成分分析法。

旋轉⽅法：凱撒正態化最⼤⽅差法。

寫出各公因⼦的表達式，



1 FACTOR

2 /VARIABLES x1 x2 x

3 x

4 x

5 x

6 x

7 x8

3 /MISSING LISTWISE

4 /ANALYSIS x1 x2 x3 x4 x

5 x

6 x

7 x8

5 /PRINT INITIAL KMO EXTRACTION ROTATION FSCORE

6 /PLOT EIGEN

7 /CRITERIA MINEIGEN(1) ITERATE(25)

8 /EXTRACTION PC

9 /CRITERIA ITERATE(25)

10 /ROTATION VARIMAX

11 /METHOD=CORRELATION.

因⼦

⼩結

當特殊因⼦變差貢獻率爲0時，主成分分析和因⼦分析完全等價。因此當因⼦模型成⽴，⽽且當因⼦模型成⽴，⽽且特殊因⼦變差貢獻很⼩時，可以期待⼆者得到相同結果，⽽當特殊因⼦貢獻較⼤時，因⼦分析把公因⼦和特殊因⼦嚴格區分開，⽽主成分分析則把這些因⼦不加區別地混在⼀起作爲主成分保留或捨棄，此時⼆者在結果上存在明顯不同。

如果不需要仔細研究變量的內部結構，只需要進⾏綜合評價，使⽤主成分顯然更加簡單，同時不需要考慮數據陣的結構形式問題。如果要考察變量的內部結構，則因⼦分析法顯然更合適，透過因⼦旋轉可以得到的公因⼦更容易解釋。同時，因⼦分析在進⾏綜合評價時，可以透過適⽤性檢驗檢驗變量組的設定是否合理。

￥

5.9

百度文庫VIP限時優惠現在開通,立享6億+VIP內容

立即獲取

SPSS主成分與因子分析

SPSS主成分與因⼦分析

實驗⽬的

學會使⽤SPSS的簡單操作，掌握主成分與因⼦分析。

實驗要求

使⽤SPSS。

實驗內容

第 1 頁

實驗步驟

（1）主成分分析，分析⽰例——對30個省市⾃治區經濟基本情況的⼋項指標進⾏分析，詳情見factorl.sav⽂件。SPSS操作，點擊【分析】→【降維】→【因⼦】，在開啟的【因⼦分析】對話框中，把x1~x8都選⼊【變量】中，點擊【描述】，勾選【係數】，點擊【繼續】，單擊【確定】。

什麼是因子旋轉和因子載荷？

因子載荷 aij 的統計意義就是第i個變量與第 j 個公共因子的相關係數即表示 Xi 依賴 Fj 的份量（比重）。

爲使因子分析法求出因子載荷陣結構簡化，便於對主因子進行專業上解釋，常對因子載荷陣施行變換或稱因子旋轉。追問好！決定就是你了兄弟！再加五分，能不能說的更通俗化一點或者舉個簡單點的例子？謝謝啦！（我是小白，剛接觸此道，怕理解有誤^_^）

追答因子載荷 aij 的統計意義就是第i個變量與第 j 個公共因子的相關係數即表示 Xi 依賴 Fj 的份量（比重）。統計學術語稱作權，心理學家將它叫做載荷，即表示第 i 個變量在第 j 個公共因子上的負荷，它反映了第 i 個變量在第 j 個公共因子上的相對重要性。

關於旋轉因子，很簡單。你想，如果在一個二維座標裏面散點很多，不太能用兩個座標軸表示出那些散點的特徵，這個時候，把兩個座標軸之間的夾角進行旋轉變化，變化之後可以發現，原來是一個被潑在地面上毫無規律形狀的水漬現在突然成橢圓形的，是不是好神奇啊。哈哈，對，現在就可以用兩個座標軸很好的表示這個橢圓的特徵啦（長軸長，短軸長、、、、、、）。————嗯，這就是因子旋轉最直觀的理解。

用spss軟件做的因子分析得到的結論都是什麼意思

KMO 和 Bartlett 的檢驗是爲了檢驗是否適合做因子分析，一般來說KMO的值越接近於1越好，大於0.5的話適合做因子分析，你的KMO值是0.674大於0.5。Bartlett 的檢驗主要看Sig.越小越好，你的接近於0.由此可以得出，你的數據適合做因子分析。

第二個表是提取了兩個個公因子來替代原來的8個原始變量，這兩個因子的方差貢獻率是78.604%，也就是說這兩個公因子能夠解釋原來8個原始變量所包含資訊的78.604%。

第三個表是旋轉因子載荷，是爲了方便對提取的兩個公因子命名，旋轉後，第一個因子在X1上的載荷最大，第二個因子在X2與X7上載荷最大，你可以根據X1,X2，X7的含義來對這兩個因子命名。

第四個表是爲了計算因子得分。比如第一個因子F1=X1*0.7+X2*0.101+X3*0.217+X4*0.236.....+X8*0.241，xi到X8這8個原始變量的值的大小你是知道的，帶進去就可以求出這兩個因子的分數。

純手打，希望能幫助到您，呵呵！

軸承固定的外圈載荷，旋轉的外圈載荷，擺動載荷怎麼區分？能幫我舉幾個例子說明一下麼？

固定的外圈載荷，你可以認爲是外圈固定，內圈旋轉的工況，負荷對於外圈位置是固定的，比如一般的電機軸承

旋轉的外圈載荷，當外圈旋轉時負荷區對於外圈是變動的，比如捲揚機卷繩輪部的軸承

擺動載荷 可以軸承往復運轉（或者叫正反向運轉）追問擺動載荷還是不太明白 是軸向反覆受兩個方向力的意思麼？

追答可以認爲選擇軸做鐘擺執行，所以負荷區所受負荷時是往復的。和單方向選擇產生的疲勞效果是不一樣的，更容易疲勞失效。