一、案例与数据
研究“员工满意度”不同指标所占权重情况，便于进行下一步分析与决策，通过问卷调查的方式去获取指标体系的数据，已知该问卷共涉及12个核心变量，并且核心变量使用的均为五级量表，12个核心变量为四个维度其中A1~A4代表福利待遇，B1~B3代表管理及制度，C1~C3代表员工自主性，D1~D2代表工作性质，此外还有一些背景信息比如性别、年龄等。部分数据如下：
二、分析问题
研究者想要将多个变量归纳为某几个维度进行权重计算，四个维度分别为A1~A4代表福利待遇，B1~B3代表管理及制度，C1~C3代表员工自主性，D1~D2代表工作性质，需要对数据进行降维处理，这里使用因子分析进行研究。
三、因子分析适用性
进行问卷因子分析前，首先需要对数据进行KMO值和Bartlett检验，以确定因子分析适用性，一般需要KMO值大于0.6，如果小于0.6需要调整问卷（如：删除掉公因子方差值较低项）进行分析或者重新搜集数据，Bartlett检验中需要p值小于0.05。
KMO值和Bartlett检验
从上述结果中可以看出，KMO值为0.883，满足因子分析的前提要求，这意味着它可以进行因子分析，此外，数据通过了Bartlett检验，p值小于0.05，这也表明研究数据适用于因子分析。
四、因子分析过程
因子分析是一个错综复杂的过程，其中包括调整测量项与因子之间对应关系、公因子提取以及因子相关性分析。
调整测量项与因子之间对应关系
在分析过程中很容易遇到“张冠李戴”（比如A1分析项应该属于A维度却在B维度有很高的载荷系数）和“纠缠不清”（比如A1分析项应该属于A维度，但是在A维度和B维度两个维度都有很高的载荷系数）的情况。这时一般需要对“张冠李戴”的分析项进行删除处理，对“纠缠不清”的分析项酌情处理。由于本案例进行过处理，不需要对分析项再进行调整。如果想要了解此部分，可以查看SPSSAU案例库其它关于“因子分析”的文章。
