ommu
alities（称共同度）表示公因子对各个变量能说明的程度，每个变量的初始公因子方差都为1，共同度越大，公因子对该变量说明的程度越大，也就是该变量对公因子的依赖程度越大。共同度低说明在因子中的重要度低。一般的基准是04就可以认为是比较低，这时变量在分析中去掉比较好。（3）解释的总方差
说明的变异数总计
各因子的特征值
因子贡献率
因子累积贡献率
元件
总计
变异的累加
总计
变异的累加
总计
变异的累加
1
2451
49024
49024
2451
49024
49024
2042
40843
40843
2
1595
31899
80923
1595
31899
80923
2004
40079
80923
3
662
13246
94168
4
191
3823
97992
5
100
2008100000
撷取方法：主体元件分析。
第二列：各因子的统计值
第三列：各因子特征值与全体特征值总和之比的百分比。也称因子贡献率。
第四列：累积百分比也称因子累积贡献率
第二列统计的值是各因子的特征值，即各因子能解释的方差，一般的，特征值在1以上就是重要的因子；第三列是各因子的特征值与所有因子的特征值总和的比，也称因子贡献率；第四列是因子累计贡献率。如因子1的特征值为2451，因子2的特征值为1595，因子345的特征值在1以下。因子1的贡献率为490，因子2的贡献率为31899，这两个因子贡献率累积达809，即这两个因子可解释原有变量809的信息，因而因子取二维比较显著。
标准文档
f实用文案
至此已经将5个问项降维到两个因子，在数据文件中可以看到增加了2个变量，fac1_1、fac2_1，即为因子得分。（4）成分矩阵与旋转成分矩阵
成分矩阵是未旋转前的因子矩阵，从该表中并无法清楚地看出每个变量到底应归属于哪个因子。旋转后的因子矩阵，从该表中可清楚地看出每个变量到底应归属于哪个因子。此表显示旋转后原始的所有变量与新生的2个公因子之间的相关程度。
一般的，因子负荷量的绝对值04以上，认为是显著的变量，超过05时可以说是非常重要的变量。如味道与饭量关于因子1的负荷量高，所以聚成因子1，称为饮食因子；等待时间、卫生、亲切关于因子2的负荷量高，所以聚成因子2，又可以称为服务因子。（5）因子得分系数矩阵
元件评分系数矩阵
元件
1
2
卫生
010
447
饭量
425
036
等待时间
038
424
标准文档
f实用文案
味道亲切
480316
059371
撷取方法：主体元件分析。转轴方法：具有Kaiser正规化的最
大变异法。元件评分。
因子得分系数矩阵给出了因子与各变量的线性组合系数。因子1的分数0010X10425X20038X30408X40316X5因r