方法。 使您可以指定因子抽取的方法。 可用方法为主成分分析、未加权最小二次方、广义最小二乘法、最大似然、主轴因子分解、Alpha 因子分解和映像因子分解。

主成分分析。 一种因子抽取方法，用于形成观察变量的不相关的线性组合。 第一个成分具有最大的方差。 后面的成分对方差的解释的比例逐渐变小，它们相互之间均不相关。 主成分分析用来获取最初因子解。 它可以在相关性矩阵是奇异矩阵时使用。

未加权最小二乘法。 一种因子提取方法，可最小化观测的和重新生成的相关矩阵（忽略对角线矩阵）之间差值的平方和。

广义最小二乘法。 一种因子抽取方法，该方法可以使观察的相关性矩阵和再生的相关性矩阵之间的差的平方值之和最小。 相关系数要进行加权。权重为他们单值的倒数，这样单值高的变量，其权重比单值低的变量的权重小。

最大似然法。 一种因子抽取方法，在样本来自多变量正态分布的情况下，它生成的参数估计最有可能生成了观察到的相关性矩阵。 将变量单值的倒数作为权重对相关性进行加权，并使用迭代算法。

主轴因子分解。 一种从初始相关性矩阵抽取因子的方法，在初始相关性矩阵中，多元相关系数的平方放置于对角线上作为公因子方差的初始估计值。 这些因子载荷用来估计替换对角线中的旧公因子方差估计值的新的公因子方差。 继续迭代，直到某次迭代和下次迭代之间公因子方差的改变幅度能满足抽取的收敛准则。

Alpha 因子法。 一种因子抽取方法，它将分析中的变量视为来自潜在变量全体的一个样本。 此方法使因子的 alpha 可靠性最大。

图像因子分解。 由 Guttman 开发的因子抽取方法，它基于映像理论。 变量的公共部分（称为偏映像）定义为其对剩余变量的线性回归，而非假设因子的函数。

分析· 使您可以指定相关性矩阵或协方差矩阵。

相关矩阵。 在分析中使用不同的刻度测量变量时很有用。

协方差矩阵。 当您想将因子分析应用于每个变量具有不同方差的多个组时很有用。

抽取。 可以保留特征值超过指定值的所有因子，也可以保留特定数量的因子。

显示。 使您可以请求未旋转的因子解和特征值的碎石图。

未旋转的因子解。 显示未旋转的因子载荷（因子模式矩阵）、公因子方差和因子解的特征值。

碎石图。 与每个因子相关联的方差的图。 该图用于确定应保持的因子个数。 通常该图显示大因子的陡峭斜率和剩余因子平缓的尾部之间明显的中断（碎石）。

收敛的最大迭代次数。 使您可以指定算法估计解的过程所采取的最大步骤数。

指定抽取选项

此功能需要 Statistics Base 选项。

从菜单中选择：分析 > 维缩减 > 因子 ...

在“因子分析”对话框中，单击抽取。