关键词：
【中文标题】用 R 重现 SPSS 因子分析【英文标题】：Reproducing SPSS factor analysis with R 【发布时间】：2013-08-10 22:46:37 【问题描述】：我希望有人能指出我正确的方向。首先，我不是统计学家。我是一名软件开发人员，我的任务是尝试使用 R 重现 SPSS 的因子分析（使用 PC 提取和 varimax 旋转）的结果。我在过去一周只接触过 R，所以我试图找到我的方式。
我确实发现这篇 2010 年的帖子很有帮助：https://stats.stackexchange.com/questions/612/is-psychprincipal-function-still-pca-when-using-rotation
我能够毫无问题地重现组件矩阵值，但是我需要计算“旋转”的组件矩阵值。同样，我需要使用 varimax 旋转。创建组件矩阵值的最后一行是：
pfa.eigen$vectors [ , 1:factors ] *
diag ( sqrt (pfa.eigen$values [ 1:factors ] ), factors, factors )
如果有人可以帮助我使用正确的语法来创建旋转分量矩阵值，我将永远感激不尽！
好的 - 开始了 - 这是我正在使用的数据（120 列，31 行）：
-36 -30 -30 -30 -25 -48 -33 -30 -20 21 -1 4 0 -27 -11 25 10 10 38 46 -4 10 -21 -15 -2 -14 -6 -5 -13 37 -16 -26 -25 -18 -14 -23 -20 -20 -14 -19 -17 -9 -12 32 -14 -22 -14 -27 -19 14 -17 -1 -25 -22 -3 0 29 3 43 59 53 35 -21 60 12 -35 -9 -29 -2 -25 15 45 35 40 -17 22 7 -11 14 -18 11 15 6 6 15 20 -5 8 3 -11 4 -2 -18 13 31 -16 1 -8 -8 3 -15 -18 28 -3 -13 -9 7 -2 2 12 28 29 21 18 64 -10 13 -1 10 10
-32 -30 -28 -33 -30 -37 -33 -27 -21 13 0 25 -13 -26 6 25 20 4 33 50 -8 11 -23 -15 -21 -17 8 -15 -16 35 -17 -22 -23 -23 -13 -26 -18 -22 -22 -26 -15 -15 -18 24 -17 -25 -24 -23 -20 12 -13 -11 -21 -25 -7 22 50 -15 47 46 45 37 -19 51 6 -30 -12 -34 -5 -29 17 37 25 41 -6 17 1 -9 14 -10 17 26 2 34 18 22 7 15 14 -16 -9 -10 -16 17 14 -19 2 -15 -8 -7 -23 -15 38 -6 -14 0 12 -7 -3 3 24 24 49 27 45 -8 22 -15 29 53
-26 -19 -22 -19 -15 -40 -28 -23 -20 23 1 10 -1 -18 -7 11 18 11 23 33 -7 21 -22 -17 -2 -11 18 -2 1 63 -12 -23 -19 -13 -13 -24 -20 -16 -20 -17 -16 -10 -10 19 -11 -21 -6 -15 -13 12 -7 -10 -14 -19 0 7 8 -4 40 35 29 35 -10 47 3 -32 -5 -26 -8 -22 3 24 16 8 -11 18 9 -5 13 4 4 21 1 5 26 4 -4 17 21 -16 10 8 -16 12 10 -18 3 -10 -13 -1 -16 -17 44 14 -14 -7 8 -9 8 6 17 8 18 4 36 0 10 -6 -6 26
-24 -20 -29 -22 -22 -41 -22 -26 -18 15 -2 11 2 -9 1 15 10 10 26 27 -7 17 -17 -12 -2 -12 16 -2 -8 42 -11 -23 -20 -11 -13 -20 -18 -22 -18 -21 -19 -8 -6 17 -7 -15 -8 -14 -15 9 -9 -2 -19 -15 -5 2 16 -6 41 44 30 29 -18 57 -4 -25 -6 -25 -6 -20 3 22 20 4 -11 11 5 -7 11 -3 11 15 3 9 30 2 -3 18 25 -14 8 -7 -14 3 0 -19 2 -13 -11 -5 -19 -18 39 4 -13 0 2 -10 9 1 32 22 28 30 39 -7 2 -6 22 36
-25 -26 -28 -23 -13 -38 -26 -21 -14 4 -3 -11 -15 -21 -4 13 18 7 18 42 -11 -1 -15 -12 -9 -14 4 -5 -8 46 -16 -17 -17 -20 -11 -20 -19 -13 -12 -12 -14 -14 -17 18 -6 -16 -7 -16 -14 13 -15 -9 -11 -18 -1 -3 32 -13 45 59 37 32 -16 43 4 -26 -7 -21 -8 -22 21 43 26 27 -8 10 6 -7 4 -13 11 6 5 13 1 13 0 7 14 -13 -1 0 -11 15 22 -11 3 -3 -11 2 -12 -15 37 2 -11 -4 7 1 6 11 32 27 6 27 41 -10 16 -7 1 13
32 2 43 41 33 61 1 23 -13 19 17 16 -2 -13 18 -9 16 -12 -5 -10 18 21 -9 -5 -12 -12 -4 -14 -13 -1 -8 -15 -13 -16 -10 -14 -11 -14 -12 -13 -6 8 -8 -4 6 -4 9 -10 -10 20 -2 6 -10 27 4 -8 -12 -13 -10 -15 -14 55 -10 52 7 -17 5 -13 -4 -14 -9 -13 -8 -11 8 6 3 3 7 -3 1 6 -16 6 12 -9 -12 42 26 -13 -5 -6 -9 -8 -8 -7 -3 -9 -5 -7 -8 -8 6 -1 -8 -8 -2 -11 -10 -16 -11 -7 8 -9 -12 8 9 -2 -8 15
18 14 18 38 34 12 45 47 -21 -5 4 -12 35 44 -7 -26 -10 -10 -16 -13 18 7 21 17 -13 -16 -22 -22 -14 -18 -17 -3 38 -4 1 29 0 -11 -9 -17 -4 28 0 15 43 35 41 35 17 -17 -18 -16 -21 27 10 -19 -22 -11 -18 -20 -18 -21 36 -26 -15 38 2 30 -11 24 -5 -8 -13 0 6 -5 -3 5 -4 -11 -5 -21 -24 -24 -17 -21 -9 -13 11 -14 -6 -12 -10 -15 -5 -14 -14 -13 -4 -13 -13 14 -24 -22 48 27 -16 -7 8 -13 14 -5 20 23 -12 -1 -7 -15 -16 1
19 20 19 11 27 34 42 29 -9 39 20 16 31 20 9 -13 2 -2 17 -3 26 51 45 30 -21 -13 -18 -21 -20 -22 -18 -22 -22 -22 -18 -21 -20 -22 -18 -22 -14 -11 1 15 36 23 27 23 30 -5 -8 -6 -4 10 0 -18 0 -16 -11 -5 3 -27 1 -26 -20 -23 9 -3 -10 -4 -1 -6 -3 -7 25 40 36 39 48 6 9 -13 -19 -23 -17 7 -24 27 67 -23 -13 -13 -18 -8 23 -17 -19 -4 11 -20 -20 -17 -9 -16 8 -10 -3 -21 7 -19 -12 -7 -22 -15 -11 -7 4 -7 -19 -19
1 24 32 22 27 42 46 44 -10 19 36 7 16 -2 0 7 6 -14 -10 -10 15 29 24 13 -12 -12 -13 -16 -14 -14 -13 -20 -10 -17 -11 -18 -13 -11 -7 -15 -7 19 10 7 40 38 36 40 45 -5 -17 -7 -12 13 -2 -5 -12 -13 -10 -15 -16 -13 -2 -16 -12 -21 -1 -18 -14 -15 -11 -13 -16 -10 8 4 10 12 20 2 0 -10 -16 -16 -9 -2 -11 30 72 -13 -5 -8 -8 -14 -8 0 -13 -7 4 -9 -12 -11 -14 -11 20 1 -6 -10 -5 -14 -14 -10 -2 -3 -14 -6 -2 -11 -14 16
-36 -22 -58 -46 -77 -49 -47 -57 -19 -20 -37 -12 -10 -16 -19 -16 -19 15 -16 -25 -21 -25 -14 10 44 27 50 54 47 -36 41 56 41 51 -10 46 43 53 48 45 43 -44 2 -37 -39 -26 -40 -31 -25 29 -6 -6 35 -36 8 -1 7 5 -1 -12 -25 -24 19 -32 34 3 4 -18 32 -10 13 -4 4 -19 -8 -18 -7 2 -18 19 18 30 43 37 -24 11 37 -42 -33 36 21 47 -5 -13 -8 34 34 48 -2 3 31 -23 -27 23 -4 -1 4 41 13 21 -20 -24 -27 -15 -21 10 -9 24 -10 5
33 16 17 40 32 28 16 21 -10 -11 -22 -12 -17 -16 -15 -23 -16 2 -15 -18 9 -12 -4 -9 6 -6 9 3 -2 44 45 27 29 18 44 19 30 24 14 5 19 33 24 -18 12 -1 14 -7 -13 9 15 6 19 38 11 -22 -20 -9 -17 -22 -15 -15 -5 -17 -1 -20 19 -21 -1 -15 -6 -17 -12 -14 -4 -15 -15 -10 -13 2 -13 -14 -14 -19 -26 -22 9 10 -16 7 9 3 -5 10 -8 10 16 -1 -7 2 -5 -15 6 8 -19 -18 6 8 -13 -4 -11 -10 -16 -4 -14 3 -5 14 -14 -21
10 30 22 11 37 36 36 18 -4 -3 38 0 -11 -5 -10 -2 7 -12 -7 -8 4 0 0 -9 -18 -7 -16 -14 -9 -14 -15 -16 -13 -20 -7 -16 -13 -9 -14 -15 -12 1 -9 6 48 28 35 39 35 -8 5 -14 6 7 6 5 -8 -11 -6 -11 -5 -15 -13 -17 -11 -13 6 2 -3 -2 -5 -9 -9 -7 6 -8 -1 -11 -7 -3 -6 -8 20 -4 0 14 -10 17 -1 -11 -7 -7 -5 -9 -10 -8 -12 -11 -5 -10 -10 98 -10 -7 64 34 -3 -15 -1 -8 -13 -8 2 -8 -13 3 -1 -2 -4 -4
2 -2 -4 6 10 14 -4 -8 22 -1 4 13 -6 18 -16 7 10 0 1 -2 4 10 -11 -10 -7 -5 -11 -11 -6 -4 -9 -10 -14 1 -11 -9 -14 -8 -7 -12 -7 -17 -12 0 -2 -6 1 8 -4 -16 6 -16 14 3 -10 36 36 -10 -11 7 6 -16 -9 -22 -13 58 -11 59 10 38 -3 -8 2 -8 -12 0 4 -10 -4 -1 -4 11 18 40 8 3 3 12 -9 -8 -4 -9 -7 -4 -11 -4 -15 -9 -10 -4 8 6 0 0 12 5 2 -6 -4 -9 2 -6 3 -3 -11 -2 2 4 7 16
9 -3 -1 8 29 -9 3 14 4 -12 -10 -3 -4 9 -16 -1 5 0 -8 -5 12 -9 -9 -9 0 5 10 4 4 -15 -3 -4 2 6 -3 20 -10 -6 -8 6 2 -17 -7 8 10 -9 12 -6 -13 -11 -8 -13 1 22 11 -5 -11 -13 -7 -9 -7 -14 -7 -15 -12 64 13 46 21 42 -2 -4 1 -3 2 -15 -8 -11 -17 -3 4 -15 10 -6 -11 -3 -2 -10 -17 7 -1 -5 13 -13 -10 4 -7 -7 -6 1 28 -9 -15 11 -7 13 -3 -2 4 12 6 7 7 -6 -3 3 -4 3 18 -4
-15 -18 -19 -21 -11 -23 -18 -25 11 14 4 12 11 9 -18 21 21 -4 32 16 -7 34 -14 -16 -18 -23 -6 -15 -16 -6 -13 -21 -21 -19 -14 -22 -19 -20 -19 -22 -18 -25 -21 24 10 -19 12 -19 -10 3 -18 -15 -14 -14 -12 38 76 -14 26 33 45 -21 -16 -20 -13 15 -9 31 -2 23 -7 8 14 3 -10 11 5 -9 19 16 2 25 38 41 30 25 8 25 41 -17 -8 -9 -15 0 -3 -21 -16 -18 -12 -10 -2 7 37 3 -9 6 -1 -17 -3 -12 10 21 12 4 22 5 2 -6 -2 8
62 -5 15 14 29 22 5 10 -14 14 -3 16 15 27 -11 -5 27 -13 1 2 17 6 -8 -13 -10 -8 -9 -13 -11 -15 -8 -13 -12 -11 -9 -10 -11 -11 -12 -14 -6 -15 -11 3 17 -11 14 -11 -9 -12 -9 -3 -4 32 -1 11 -11 -9 -4 -13 -14 -12 -7 -15 -4 41 0 54 1 38 -9 -9 -2 -5 -7 7 -2 -9 5 6 10 5 -12 0 40 -9 -8 56 -4 -9 -5 -9 -8 -7 -4 -14 -11 -8 -7 -9 -7 1 -10 -6 0 7 -2 -13 -6 -14 -5 9 14 -2 -11 5 5 -3 11 3
12 12 15 8 49 42 7 15 -15 -8 51 7 -12 -5 -11 -1 29 -13 -4 -7 15 4 -7 -10 -6 -8 -8 -10 -9 -12 -10 -9 -11 -12 -8 -11 -8 -7 -11 -9 -8 -15 -5 10 1 22 4 48 15 -8 3 -9 -5 13 3 21 -12 -11 -12 -13 -12 -12 -11 -13 -7 -12 3 0 -7 -1 -4 -7 -8 -5 3 -2 -1 -10 -1 0 -3 -2 -5 5 20 3 -8 38 -12 -7 -7 -7 -1 -11 -8 -2 -9 -7 -6 -8 -4 100 -13 -5 18 40 -5 -10 -6 -4 -9 -6 -1 -9 -6 3 -4 0 -5 7
29 -7 -19 -16 -8 -14 -10 -14 -10 -9 7 -10 0 11 -9 -5 -3 0 -6 -8 -5 3 -6 1 -2 -8 -8 -10 0 -8 5 -2 27 4 21 29 12 10 4 0 3 7 -2 -8 -12 35 -2 27 34 -14 -4 -11 9 -9 11 18 -11 -4 -11 -11 -11 -12 -2 -13 -9 49 20 25 0 33 -11 -9 -7 -6 -10 -8 -9 -9 -8 -3 -6 -6 -16 -10 -17 -13 -1 9 -10 2 0 -2 -2 -6 -12 3 -3 -4 -6 -2 -2 70 -10 4 26 20 -3 -5 -1 -5 -4 2 6 -5 -9 3 -2 3 6 -6
-1 7 -14 2 -4 -49 17 2 -14 -25 20 -25 -10 8 -18 -8 -31 6 -16 -17 -5 -26 14 46 21 30 -13 34 22 -24 11 43 15 39 64 53 17 8 18 32 17 -4 19 -18 11 41 16 29 45 -28 -11 -19 45 -10 11 -14 -22 18 -22 -17 -26 -28 9 -27 -23 -17 17 -14 0 1 -1 -9 -11 -7 -9 -23 -15 -10 -18 -9 -17 -19 -12 -10 -34 -21 16 -41 -28 19 -2 -4 28 -15 -16 0 -15 15 -12 -14 0 25 -24 -12 57 50 -6 26 47 10 -1 -10 -10 -15 -8 -1 -10 7 -15 -23
0 -17 -20 -18 -28 -12 -14 -19 59 -11 -10 -12 -9 8 -9 25 -9 13 -7 -6 -4 -11 -5 -2 -2 0 -4 -4 2 -7 45 1 8 11 -4 -1 7 -8 3 8 0 -1 9 -9 -10 -11 -9 -1 -9 -8 15 12 19 2 4 1 -9 -1 2 -4 -2 -10 -6 -14 -8 45 19 20 7 24 -7 -3 -2 -5 -8 -13 0 -6 -10 29 -2 -4 -9 -10 -9 -5 7 -14 -7 10 -5 -3 16 31 5 -4 2 -7 -5 23 21 -5 35 11 -6 -11 -5 0 -12 -2 2 10 -2 -2 -10 -4 -7 -3 7 -4
-13 -4 -23 -6 5 -31 -7 -9 33 -20 -16 -16 -16 11 -18 12 -16 0 -15 -17 -13 -15 -14 -12 30 49 -13 26 30 -17 6 41 -9 40 -7 6 -1 8 31 24 2 -18 18 -19 1 -7 -1 -13 -9 -18 -16 -15 22 -14 -6 10 11 46 -10 -10 -14 -20 -15 -20 -15 46 -11 49 0 40 -12 -11 -9 -18 -12 -20 -12 -17 -18 -8 -14 -1 22 27 -19 -10 26 -28 -17 32 14 26 30 1 -11 24 -5 17 -11 22 38 -14 -13 -3 10 8 -8 23 12 16 2 -16 -15 -11 -13 8 -11 -4 -6 -10
47 24 54 52 38 62 54 34 -17 16 -2 9 18 -5 32 -18 0 -16 -10 -15 4 13 3 -2 -15 -12 1 -18 -18 -17 -9 -17 -16 -17 -11 -19 -11 -14 -17 -15 -13 18 14 -8 -5 24 8 7 -4 1 36 24 -13 6 -5 -12 -10 -12 -12 -15 -16 51 7 36 49 -20 -4 -21 -14 -19 -14 -15 -14 -13 2 4 -8 8 18 6 17 -9 -11 -17 12 -9 -16 23 20 -16 -8 -8 -11 -12 -12 9 -5 -11 61 -13 -10 -11 -15 -5 -13 -16 -5 -14 -12 -15 -10 -11 -6 2 -14 -2 -1 -1 -9 -14
15 44 57 25 22 50 36 37 25 -4 14 1 3 6 72 -16 0 -12 -10 -4 18 -9 55 15 -13 -10 -15 -19 -13 -17 -17 -19 -14 -23 -11 -20 -16 -9 -12 -16 -11 27 5 9 6 14 9 20 5 16 23 19 -16 31 -10 -14 -12 43 -15 -14 -11 -2 -6 -12 -4 -24 -2 -18 -9 -19 0 -12 -9 -1 40 11 15 35 3 -5 -7 -13 5 -22 4 10 -18 -29 -8 -11 -13 -10 -7 -6 7 1 -5 -11 43 -8 -6 -11 -16 -12 -16 -14 -3 -15 -12 -12 -11 -10 -13 -13 -18 -2 1 -3 0 -13
-34 23 -8 -12 -28 -19 -15 -10 39 -20 -21 -18 -15 -23 4 3 -31 10 -18 -20 -9 -31 21 4 17 20 2 21 11 -23 16 12 32 14 -11 -1 42 39 28 48 26 26 21 -22 -10 0 -5 -2 13 22 10 39 -19 -8 1 -32 -22 33 -16 -12 -3 -21 28 -21 13 -38 4 -34 1 -29 11 -10 -6 -11 22 -4 4 21 -5 5 -7 -6 15 -26 -19 11 7 -47 -24 26 -3 -4 36 26 8 36 47 17 3 44 2 -19 -23 1 -17 -31 0 14 -5 -2 -5 -7 -21 -1 -18 -3 -12 9 -5 -12
-11 0 -8 -10 -27 -8 -11 0 -14 -17 -31 -12 -16 -18 -4 -20 -35 17 -15 -28 -13 -25 -3 11 27 31 38 34 50 -27 22 60 37 40 28 53 34 51 26 16 37 26 10 -24 -13 -11 -24 -9 -8 12 32 7 4 -10 -4 -21 -13 4 -18 -25 -22 -10 4 -20 29 -16 -5 -26 6 -30 13 -5 -9 -14 4 -20 -14 -5 -28 15 -1 -10 26 -11 -31 -2 14 -38 -26 12 18 37 -3 -7 -5 13 17 47 7 5 16 -24 -25 24 -24 -25 1 23 11 26 -13 -15 -13 -14 -11 -1 -10 13 -16 -10
15 23 50 21 25 40 33 39 -14 -5 -16 7 43 43 56 -20 -20 -5 -16 -14 -1 -20 37 37 -17 -15 -6 -16 -18 -15 -6 -14 21 -13 -6 -7 10 7 0 1 1 41 14 -6 -5 17 -15 16 11 -15 11 57 -20 10 -13 -21 -16 8 -18 -17 -18 38 83 10 31 -21 -6 -24 -6 -21 -8 -2 -16 7 22 -11 -7 41 -6 -14 -11 -17 -20 -26 -13 -13 -10 -27 -17 4 -7 -13 4 -14 -18 16 10 -17 39 3 -16 -14 -15 -1 -16 -17 -8 -6 -16 -19 -12 2 -13 20 -16 -13 -3 -14 -15 -15
22 6 19 8 -5 38 -14 -8 21 -31 -31 -18 -5 2 -13 -29 -26 16 -20 -25 -9 -26 -8 11 23 26 17 26 18 60 12 50 11 25 86 42 30 17 48 41 22 20 7 -13 -20 -18 -23 -23 -16 -17 36 10 29 0 -3 -19 -20 -8 -27 -27 -27 -11 29 -20 -12 19 -8 8 9 5 -3 -15 -10 -20 -12 -21 -8 -7 -22 -7 -23 -22 -22 -13 -32 -28 25 -18 -28 40 0 -2 48 18 -7 0 -2 18 -13 18 2 -17 4 1 -18 -22 8 33 -7 9 -15 -22 -25 -17 -21 6 -6 14 -12 -22
16 -19 8 -8 -16 15 -17 -16 43 10 20 28 -1 5 -11 14 41 -9 9 -3 -7 1 -10 -11 -3 -5 -6 -13 -13 -13 -13 -15 -10 -13 -10 -15 -12 -13 -11 -12 2 -15 -9 -12 -11 -16 -16 -10 -9 -13 -3 -6 7 -7 11 64 -8 -8 -4 -12 -10 -14 -6 -15 -8 40 -7 46 14 33 -8 -12 -2 -10 -4 5 -1 -9 7 17 13 31 -11 34 52 3 -7 19 -16 -7 -4 -8 6 -7 -2 15 -13 -8 -4 -11 18 8 -12 0 1 26 4 -15 -8 -13 -5 -6 2 -6 -9 15 2 9 28 -4
-30 23 12 10 -15 1 13 23 33 10 -7 -5 6 -3 55 14 -16 -1 9 22 1 -14 40 1 -6 7 -2 -11 -12 -15 -11 -23 -8 -26 -18 -29 1 7 -6 1 3 15 15 2 -17 -16 -10 -20 -15 35 21 22 -23 8 -3 -29 -19 27 0 -4 16 -9 -7 -11 -5 -38 0 -35 -1 -27 27 15 18 39 30 14 16 43 8 -2 -2 -15 12 -34 15 24 -17 -44 -24 -1 -11 -8 2 16 43 6 25 2 15 20 -14 -21 -17 2 -22 -21 8 -17 -19 1 -17 -2 -18 -9 7 -4 5 17 16 -13
-25 -19 -31 -24 -41 -39 -22 -30 10 -29 -21 -22 -15 9 -21 1 -23 -3 -17 -22 -20 -17 -19 -2 45 34 -1 55 54 -18 52 62 34 57 10 46 48 45 41 65 25 -26 -5 -22 -19 -4 -19 -13 3 -23 -17 -12 65 -19 4 11 -20 16 -21 -17 -22 -23 7 -23 -18 37 -4 34 9 46 -6 -16 -14 -16 -20 -15 -19 -22 -19 -7 -19 6 -17 12 -24 -21 15 -35 -22 36 27 42 21 -2 -12 13 -4 43 -15 3 56 -10 -13 -6 -3 -10 6 43 12 35 -14 -16 -18 -14 -18 9 -14 -3 -4 -27
-34 -25 -37 -30 -31 -43 -34 -31 -21 15 -2 3 -4 -23 -4 19 15 6 25 40 -15 3 -20 -14 -3 -1 8 0 -5 29 -15 -18 -19 -10 -12 -18 -19 -13 -12 -18 -14 -7 -14 13 -24 -20 -16 -21 -16 12 -12 -3 -21 -24 -10 -3 24 -2 37 38 43 38 -18 58 28 -26 -15 -22 -2 -23 8 25 20 42 -10 17 9 -14 4 -10 13 7 -1 1 20 15 -8 13 3 -10 11 4 -13 11 15 -9 8 -6 -1 3 -6 -18 32 8 -19 -11 2 0 6 18 34 36 30 28 39 -2 15 -6 25 11
这是我正在运行的 spss 脚本：
FILE HANDLE X /NAME='\spsswin\auto\matrix.nrm' LRECL=155.
DATA LIST FILE=X /VAR1 TO VAR120 1-155.
DO REPEAT XTEMP=VAR1 TO VAR120.
COMPUTE XTEMP=XTEMP+200.
END REPEAT.
LIST.
CORRELATIONS VARIABLES=VAR001 TO VAR120
/PRINT=TWOTAIL NOSIG.
FACTOR VARIABLES=VAR001 TO VAR120
/CRITERIA=FACTORS(5),ITERATE(200)
/EXTRACTION=PC
/ROTATION=VARIMAX.
这是我能够重现的 SPSS 输出 - 未旋转的分量矩阵分数：
Component Matrixa
Component
1 2 3 4 5
var001 .075 -.751 -.232 .261 -.427
var002 .217 -.839 .358 .009 .154
var003 -.059 -.881 .253 .211 -.199
var004 .044 -.867 .119 .095 -.292
var005 -.193 -.855 -.147 .002 -.208
var006 -.025 -.831 .125 .370 -.242
var007 .000 -.946 .102 -.100 .023
var008 -.036 -.930 .204 -.054 -.064
var009 .295 -.002 .034 .458 .478
var010 -.875 -.126 .078 .131 .006
var011 -.498 -.514 -.381 -.094 .249
var012 -.762 -.136 -.113 .451 -.106
var013 -.320 -.604 .150 -.043 -.063
var014 .165 -.610 -.305 -.003 .074
var015 -.222 -.420 .727 .143 .086
var016 -.540 .542 -.174 .052 .380
var017 -.791 .019 -.413 .331 -.061
var018 .267 .739 .255 -.240 -.022
var019 -.848 .440 -.034 -.030 .108
var020 -.834 .463 .086 -.176 .063
var021 -.308 -.818 -.050 .070 -.003
var022 -.767 -.226 -.276 .055 .002
var023 .084 -.714 .500 -.081 .404
var024 .428 -.493 .274 -.388 .146
var025 .825 .487 -.043 -.057 .037
var026 .833 .316 -.006 -.061 .195
var027 .291 .651 .290 .175 -.328
var028 .788 .531 -.023 -.135 .036
var029 .817 .465 -.080 -.079 .039
var030 -.410 .433 .098 -.235 -.475
var031 .795 .286 .006 .067 -.122
var032 .919 .261 -.080 -.111 -.088
var033 .827 -.013 .103 -.153 -.119
var034 .895 .334 -.171 -.116 -.042
var035 .614 -.033 -.076 -.335 -.361
var036 .866 .101 -.191 -.254 -.173
var037 .905 .161 .192 -.043 -.071
var038 .882 .240 .231 .034 .015
var039 .923 .268 .074 -.043 -.002
var040 .905 .262 .072 -.060 .099
var041 .916 .195 .156 .062 -.017
var042 .146 -.560 .594 -.176 -.276
var043 .637 -.350 .459 -.104 .046
var044 -.904 -.024 -.072 -.238 .059
var045 -.193 -.744 -.307 -.241 .135
var046 .145 -.811 -.142 -.393 .085
var047 -.215 -.762 -.302 -.238 .129
var048 .034 -.796 -.219 -.290 .162
var049 .140 -.666 -.206 -.435 .297
var050 -.279 .365 .666 .221 .104
var051 .334 -.252 .551 .353 -.239
var052 .132 -.229 .824 .213 -.140
var053 .764 .158 -.441 -.015 .001
var054 .004 -.811 .034 .177 -.178
var055 .386 -.114 -.386 -.102 -.025
var056 -.296 .250 -.715 .405 .078
var057 -.593 .528 -.200 .047 .104
var058 .440 .085 .374 -.052 .487
var059 -.737 .634 .033 -.142 -.018
var060 -.731 .610 .019 -.226 .041
var061 -.784 .526 .096 -.134 .139
var062 -.574 .181 .365 -.043 -.534
var063 .470 -.350 .350 -.139 -.185
var064 -.670 .362 .250 -.155 -.414
var065 -.031 .224 .580 .201 -.410
var066 .329 -.042 -.690 .286 -.012
var067 .356 -.369 -.116 -.123 .054
var068 .181 -.135 -.769 .314 .087
var069 .547 .471 -.221 .397 .083
var070 .280 -.107 -.783 .222 .108
var071 -.171 .575 .528 -.185 .298
var072 -.655 .613 .208 -.309 .040
var073 -.644 .690 .121 -.081 .141
var074 -.679 .364 .314 -.272 .126
var075 -.052 -.613 .612 .132 .360
var076 -.857 -.006 .186 .063 .206
var077 -.664 -.153 .285 .072 .459
var078 -.088 -.502 .712 .085 .320
var079 -.801 -.221 .105 .083 .179
var080 .196 .054 -.089 .622 .132
var081 -.629 .295 .047 .289 -.041
var082 -.381 .659 -.286 .372 .032
var083 .038 .506 .046 .263 .417
var084 -.173 .587 -.562 .309 .033
var085 -.758 .115 -.156 .443 -.006
var086 -.599 .362 .238 .204 .525
var087 .661 .594 -.192 -.059 -.064
var088 -.683 -.212 -.414 .213 -.338
var089 -.671 -.269 -.096 -.105 .008
var090 .903 .305 .039 -.018 .042
var091 .492 .640 -.112 -.104 -.213
var092 .618 .559 -.039 .038 -.013
var093 .746 .029 -.005 -.052 .122
var094 -.131 .536 .369 -.013 .067
var095 -.514 .310 .477 -.063 .404
var096 .764 .039 .272 .287 .129
var097 .327 .430 .703 .099 .035
var098 .805 .397 .091 -.025 .108
var099 -.050 -.504 .601 .224 -.056
var100 .422 .386 .446 .080 .181
var101 .707 .315 -.351 .281 .150
var102 -.017 -.353 -.518 -.095 .112
var103 -.642 .527 -.044 -.101 -.224
var104 .243 .633 .185 .334 -.218
var105 .110 -.438 -.606 -.411 .254
var106 -.057 -.221 -.765 -.232 .176
var107 -.150 .692 .225 .171 -.086
var108 .815 .467 -.019 -.218 -.085
var109 .264 .293 -.374 -.615 .166
var110 .435 .752 -.017 -.262 .026
var111 -.622 .507 -.122 -.394 -.101
var112 -.764 .406 .002 -.212 -.055
var113 -.750 .259 -.285 -.185 -.239
var114 -.643 .267 .136 -.346 -.269
var115 -.719 .591 .065 -.301 -.039
var116 .458 .074 -.525 .496 -.043
var117 -.873 .244 .110 -.001 -.120
var118 .600 .244 .180 .349 .086
var119 -.479 .446 -.127 .276 .106
var120 -.690 .387 -.146 -.009 -.128
Extraction Method: Principal Component Analysis.
a 5 components extracted.
这是我用来重现这些值的 R 代码：
pfa.eigen <- eigen(cor(my.data))
pfa.eigen$values
factors <- 5
pfa.eigen$vectors[ ,1:factors] %*% diag(
sqrt(pfa.eigen$values[1:factors]), factors, factors)
这是我需要重现的来自 SPSS 的“旋转”分量矩阵分数：
Rotated Component Matrixa
Component
1 2 3 4 5
var001 -.202 -.636 -.192 .208 -.590
var002 -.039 -.907 -.144 .091 .223
var003 -.347 -.880 .001 .099 -.149
var004 -.223 -.850 -.110 .025 -.280
var005 -.428 -.654 -.354 -.012 -.311
var006 -.338 -.804 .013 .258 -.275
var007 -.253 -.852 -.355 -.026 .007
var008 -.287 -.883 -.222 -.056 -.019
var009 .165 -.041 .025 .629 .318
var010 -.878 .086 .106 -.106 .064
var011 -.608 -.120 -.585 .033 .021
var012 -.847 .102 .140 .205 -.191
var013 -.460 -.506 -.111 -.127 -.002
var014 -.033 -.433 -.498 .194 -.153
var015 -.344 -.596 .392 -.056 .390
var016 -.368 .729 -.002 .054 .302
var017 -.812 .377 -.079 .178 -.268
var018 .523 .466 .366 -.277 .199
var019 -.658 .631 .141 -.217 .169
var020 -.602 .596 .189 -.389 .219
var021 -.542 -.606 -.313 .065 -.092
var022 -.799 .119 -.223 -.045 -.120
var023 -.109 -.787 -.121 .025 .538
var024 .342 -.620 -.246 -.208 .261
var025 .921 .228 .081 .134 .010
var026 .877 .084 -.023 .195 .147
var027 .438 .316 .651 -.029 -.122
var028 .916 .269 .081 .050 .040
var029 .911 .227 .036 .126 -.004
var030 -.192 .384 .343 -.534 -.244
var031 .812 .017 .152 .179 -.136
var032 .955 .008 -.016 .093 -.129
var033 .804 -.282 .004 -.002 -.073
var034 .953 .121 -.070 .118 -.127
var035 .641 -.197 -.107 -.249 -.322
var036 .890 -.078 -.185 -.031 -.241
var037 .905 -.186 .162 .091 .003
var038 .889 -.119 .223 .166 .089
var039 .949 -.041 .093 .143 .009
var040 .932 -.027 .045 .162 .096
var041 .901 -.141 .174 .211 .014
var042 .031 -.798 .222 -.326 .042
var043 .524 -.649 .092 -.011 .219
var044 -.801 .260 -.139 -.379 .110
var045 -.355 -.439 -.660 -.063 -.051
var046 -.022 -.656 -.633 -.167 -.009
var047 -.381 -.452 -.659 -.067 -.054
var048 -.146 -.575 -.661 -.059 .007
var049 .018 -.474 -.720 -.122 .157
var050 -.186 .122 .690 -.044 .432
var051 .180 -.573 .519 .171 -.028
var052 .033 -.596 .635 -.034 .232
var053 .749 .118 -.298 .274 -.252
var054 -.266 -.743 -.154 .144 -.234
var055 .339 -.042 -.375 .107 -.231
var056 -.310 .586 -.249 .471 -.327
var057 -.415 .705 .079 -.055 .060
var058 .444 -.130 .069 .134 .586
var059 -.469 .728 .259 -.365 .127
var060 -.454 .721 .181 -.409 .181
var061 -.548 .641 .208 -.320 .282
var062 -.451 .087 .546 -.480 -.205
var063 .379 -.590 .096 -.137 -.013
var064 -.469 .333 .447 -.540 -.121
var065 .016 -.098 .747 -.155 -.066
var066 .216 .152 -.397 .504 -.432
var067 .247 -.353 -.321 .060 -.045
var068 .040 .156 -.508 .558 -.393
var069 .553 .354 .142 .522 -.106
var070 .159 .166 -.560 .511 -.369
var071 .055 .368 .420 -.277 .608
var072 -.360 .628 .277 -.512 .287
var073 -.381 .735 .306 -.261 .293
var074 -.463 .387 .238 -.462 .386
var075 -.249 -.723 .115 .121 .537
var076 -.814 .169 .123 -.126 .307
var077 -.681 -.015 .033 .007 .544
var078 -.236 -.663 .227 .022 .574
var079 -.829 -.001 -.003 -.065 .218
var080 .058 .032 .166 .647 -.052
var081 -.559 .387 .324 .045 .002
var082 -.251 .780 .227 .260 -.103
var083 .118 .456 .187 .333 .368
var084 -.071 .779 -.037 .335 -.249
var085 -.772 .349 .168 .227 -.106
var086 -.502 .436 .233 .131 .592
var087 .798 .411 .064 .087 -.129
var088 -.747 .116 -.123 .020 -.506
var089 -.683 -.012 -.189 -.201 -.005
var090 .934 .016 .078 .182 .029
var091 .669 .443 .185 -.071 -.192
var092 .730 .333 .184 .141 -.027
var093 .712 -.151 -.100 .178 .065
var094 .045 .354 .452 -.159 .299
var095 -.372 .261 .309 -.181 .648
var096 .664 -.269 .245 .402 .150
var097 .426 -.003 .685 -.043 .382
var098 .871 .109 .129 .155 .126
var099 -.226 -.683 .348 .043 .175
var100 .495 .060 .415 .088 .370
var101 .677 .243 -.097 .532 -.118
var102 -.113 -.069 -.592 .120 -.180
var103 -.418 .614 .253 -.354 -.107
var104 .348 .367 .599 .165 -.110
var105 .043 -.112 -.885 -.038 -.064
var106 -.090 .170 -.797 .071 -.212
var107 .033 .527 .549 -.036 .080
var108 .944 .191 .068 -.055 -.052
var109 .452 .376 -.493 -.329 .069
var110 .680 .552 .141 -.167 .097
var111 -.347 .648 .015 -.533 .006
var112 -.545 .548 .132 -.419 .074
var113 -.584 .510 -.050 -.373 -.242
var114 -.436 .316 .189 -.606 -.033
var115 -.429 .674 .202 -.510 .149
var116 .328 .140 -.137 .651 -.411
var117 -.736 .378 .266 -.303 .030
var118 .557 -.019 .312 .408 .085
var119 -.381 .569 .192 .157 .044
var120 -.528 .558 .131 -.213 -.103
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a Rotation converged in 20 iterations.
【问题讨论】：
我的问题是'如何让 R 做到这一点'？非常感谢！ 你能否：给我们一些样本数据（或随机生成）；准确描述您在 SPSS 中单击的内容（最好使用对话框截图）；显示 SPSS 输出的数字，并附有说明；向我们展示您使用什么 R 代码来获得到目前为止的输出。 你能不能只旋转未旋转的矩阵（你可以在上面重现）。因此，如果 mm 是未旋转权重的矩阵，请使用 varimax(mm)。这让你非常接近你想要的，尤其是 1:3 的组件。 【参考方案1】：如果在psych包中使用principal()，可以指定参数：
rotate
"none", "varimax", "quatimax", "promax", "oblimin", "simplimax", and "cluster" are possible rotations/transformations of the solution.
参考：Psych on Cran
这可能会对您有所帮助。有点晚了，但供将来参考：
data (df)
> install.packages ("psych")
> library ("psych")
> rotatedmatrix <- principal(df, nfactors = 4, rotate = "varimax", scores = TRUE)
获取因子载荷：
> loadings <- as.data.frame(unclass(rotatedmatrix$loadings))
要将您的因子载荷导出到文本文件：
> capture.output(print(rotatedmatrix), file=""filename.txt")
【讨论】：
求助，关于glmnet，用r做logistic回归
...发生，0表示风险未发生）；2、确定影响滑坡风险的影响因子，这个根据区域具体情况而定，一般包括：地层岩性、植被、降水、地貌、断层、人类活动等等。如果是其他风险的话也根据具体情况而定（咨询专家就可以知道）。3... 查看详情
实验13-spss-因子分析-对商户降维综合评价
因子分析-对商户进行综合评价 虽然系统聚类分析可以对变量进行分类，但是，难以判断变量分类结果的合理性。如果要衡量每个变量对类别的贡献，也难以通过聚类分析来实现。因子分析，就是找出隐藏在变... 查看详情
spss分析方法-因子分析（转载）
参考技术A因子分析就是将大量的彼此可能存在相关关系的变量，转换成较少的彼此不相关的综合指标的多元统计方法。。下面我们主要从下面四个方面来解说：[if!supportLineBreakNewLine][endif]实际应用理论思想建立模型[if!supportLineBre... 查看详情
spss进行单因子方差分析的时候因变量和因子怎么确定？
...时，驾龄应该和总偏差值哪个应该是因变量，哪个应该是因子？我分别互换做了一下，两次结果中的显著性不同，求高手解答！办法如下：1、首先在自己的电脑上打开spss，之后再这个软件上依次点击“分析—一般线性模型——... 查看详情
spss如何降低r方
...于识别变量间的关联程度，可以使用VIF（变量多元共线性因子）来识别多重共线性的问题，根据VIF的结果和业务情况来判断如何处理变量，以确保存在最低的多重共线性以降低R方。最后，可以通过正则化和收缩过拟合模型来调... 查看详情
spss单因素方差分析中啥是因子，啥是因变量
结局变量是因变量，影响因素是因子。比如不同性别样本间升高是否有统计学差值，性别选择为因子，升高为因变量参考技术A你这个结果不显著但是结果是有参考价值的因为f=t方，你换为t检验也是一个结论的 查看详情
关于spss效度分析，因子分析
...的结果要怎么分析呢？效度怎么样？有人和我说是可以做因子分析，我没搞明白，那还要不要做因子分析啊？这样就可以看效度了吗，急近似卡方值和自由度什么意思啊，是不是分析的时候不用在意1，这是因子分析的第一步。... 查看详情
用r语言做因子分析
...arimax"))pairs(FA1$loadings)把数据导入后用极大似然法进行因子分析，到(FA0=factanal(data,4,rot="none"))时总是出现错误于factanal(data,4,rot="none"):unabletooptimizefromthisstartingvalue是程序错了还是数据格式不对啊，或者是R还要加... 查看详情
matlab因子分析法的案例，主要程序
呵呵。这个正好我会啊。我搞数学建模的时候做的题目很多都是数据分析，市场调查分析就是其中一种很简单的啊。最基本的分析工具是SPSS和SAS，他们都是常用的统计工具。你需要做哪方面的分析，就用他们的哪些功能。最常... 查看详情
spss做因子分析的时候那个旋转矩阵(rotatedmatrix)怎么看啊？矩阵里面都代表啥意思啊？
如果在做因子分析的时候选择输出RotatedMatrix的话，出来的那个矩阵里面的数字代表什么意思啊？怎么通过RotatedMatrix确定关键的变量啊？参考技术A看每个变量在各个因子中系数的大小，表示变量在因子的载荷大小，一般大于0.5的... 查看详情
【r语言第3篇】用r进行主成分分析
参考技术A主成分分析和探索性因子分析是两种用来探索和简化多变量复杂关系的常用方法。主成分分析（PCA）是一种将数据降维技巧，它将大量相关变量转化成一组很少的不相关变量，这些无相关变量称为主成分。探索性因子... 查看详情
spss方差分析(代码片段)
...变量】，将因变量选入【因变量】，将自变量选入【固定因子】。如果需要均值图示，【绘图】，将因子选入【水平轴】，【图】→【添加】。如果需要多重比较时，【事后多重比较】，将因子选入【两两比较检验】，【假定... 查看详情
怎么用spss计算两变量关联性分析中列联系数r的计算？？？？？
参考技术Aanalyze---descriptvestatistics---crosstabs---nominal---contingencycoefficient(列联系数C)追问中文版的，这个看不懂啊。追答。。。我们用的都是英文版的，中文版的汉化的不是很好，再加上上课学的也是英文版，所以，嘿嘿嘿嘿，我救... 查看详情
如何解释或者是说明spss软件的因子分析和非参数检验结果~越详细越好
参考技术Ahttp://ishare.iask.sina.com.cn/f/9884042.html这本书入门很好，你可以参考一下，很详细。 参考技术B这个结果就很多了，要就事论事的追问举例说明~~~追答恩，你举例吧，我来说明 查看详情
r语言探索性因子分析（exploratoryfactoranalysis）
R语言探索性因子分析（Exploratoryfactoranalysis）因子分析的方法一般有两种：一是探索性因子分析（EFA）；二是验证性因子分析（CFA）。探索性因子分析有助于建立新的假设、发展新的理论；验证性因子分析适用于理论架构已经较... 查看详情
r语言因子分析fa（factoranalysis）实战案例
R语言因子分析FA（factoranalysis）实战案例目录R语言因子分析FA（factoranalysis）实战案例#因子分析#案例分析 查看详情
r语言因子分析fa（factoranalysis）步骤实战
R语言因子分析FA（factoranalysis）步骤实战目录R语言因子分析FA（factoranalysis）步骤实战#因子分析 #案例分析 查看详情
使用 R 进行因子分析
】使用R进行因子分析【英文标题】：factoranalysisusingR【发布时间】：2013-03-2311:01:00【问题描述】：我正在尝试使用带有varimax旋转的R进行因子分析，但没有成功。我在SAS上运行完全相同的数据，可以得到结果。在R中，如果我使用... 查看详情