因子分析：因子分析模型中，假定每个原始变量由两部分组成：共同因子和唯一因子。共同因子是各个原始变量所共有的因子，解释变量之间的相关关系。唯一因子顾名思义是每个原始变量所特有的因子，表示该变量不能被共同因子解释的部分。

      因子分析适用条件：
（1）样本量不能太小，至少为变量数的5倍。
（2）各变量间应该具有相关性，如彼此独立，则无法提取公因子。通过Bartlett球形检验来判断。
（3）KMO检验：用于考察变量间的偏相关性，取值0~1之间;KMO统计量越接近1，变量间的偏相关性越强，因子分析效果越好。一般统计量在0.7以上为适应做因子分析。＜0.5则不适宜做因子分析。
（4）因子分析中各公因子应该具有实际意义。
      操作步骤：
      1）打开因子分析工具：
      2）选择要进行因子分析的变量：
      3）设置因子分析模型：
      a.描述：这里要说一下KMO和Bartlett的球形度检验，KMO检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。主要应用于多元统计的因子分析。KMO统计量是取值在0和1之间。Kaiser给出了常用的kmo度量标准:　0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示极不适合。KMO统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO值接近1.KMO值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值接近0.KMO值越接近于0,意味着变量间的相关性越弱，原有变量越不适合作因子分析。Bartlett’s球形检验用于检验相关阵中各变量间的相关性，是否为单位阵，即检验各个变量是否各自独立。如果变量间彼此独立，则无法从中提取公因子，也就无法应用因子分析法。      Bartlett球形检验判断如果相关阵是单位阵，则各变量独立，因子分析法无效。由SPSS检验结果显示Sig.<0.05（即p值<0.05）时，说明各变量间具有相关性，因子分析有效。
      b.抽取：一般来说方法我们都选择主成分方法，但是在python中进行因子分析时用的不是这个方法。
      c.旋转：旋转的作用是为了方便最后看什么变量属于哪个因子。
      d.得分。
      e.选项：选择按列表排除个案。
      到此模型设置完毕，点击确定即可在SPSS窗口中看到分析结果。