《表1 KMO和巴特利特检验》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《新零售下全渠道供应链的线上线下协同研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

探索性因子分析是一种根据相关性大小对原始变量进行分组的因子分析方法。通过探索性因子分析可以使得同一组变量间存在较高的相关性，不同组变量间的相关性较低。首先对问卷进行预分析。问卷原有题项33个，对问卷进行因子分析，先后删除因子负荷较小的题项IS6、RS7、CS5、CS7、OP5和SCC5。至此，问卷有效题项降为27个。接下来对问卷数据进行统计分析，统计软件使用SPSS22.0。统计结果显示，KMO值为0.903，表明各变量间相关性较强；Barlett球形检验结果表明变量间并非独立（见表1）。因此，问卷数据非常适合做因子分析。然后是因子旋转和提取。因子旋转的目的是通过调整公共因子载荷大小对公共因子进行解释，通常采用方差最大化正交旋转的方法。因子的提取方法为主成分分析法，尽量使变量的方差能够被提取的主成分（公共因子）解释。提取公共因子之后，根据研究需要确定公共因子的个数。公共因子的筛选方法采用凯泽（Kaiser）特征根法，用特征根表示引入该公共因子后可解释平均多少原始变量信息。因为本研究题项数目介于20至50之间，所以选择特征值1作为公共因子选择的准则。综上所述，本研究采用方差最大化正交旋转方法，要求特征根大于1且累积方差贡献率大于80%。通过因子旋转最终提取了6个主成分（公共因子）。