②“Coefficient Display Format”（系数显示格式）选项框：因素负荷量出现的格式。

A “Sorted by size”（依据因素负荷量排序）：根据每一因素层面的因素负荷量的大小排序。

B “Suppress absolute values less than”（绝对值舍弃的下限）：因素负荷量小于后面数字者不被显示，默认的值为0.1。

在本例中，选择“Exclude cases listwise”、“Sorted by size”二项，并勾选“Suppress absolute values less than”，其后空格内的数字不用修改，默认为0.1。如果研究者要呈现所有因素负荷量，就不用选取“Suppress absolute values less than”选项。在例题中为了让研究者明白此项的意义，才勾选了此项，正式的研究中应呈现题项完整的因素负荷量较为适宜。单击“Continue”按钮确定。

设置完所有的选项后，单击“OK”按钮，输出结果。

⒊ 结果分析

（1）KMO及Bartlett’检验

如图6-40所示，显示KMO及Bartlett’检验结果。

KMO是Kaiser-Meyer-Olkin的取样适当性量数，当KMO值愈大时，表示变量间的共同因素愈多，愈适合进行因素分析，根据专家Kaiser（1974）观点，如果KMO的值小于0.5时，较不宜进行因素分析，此处的KMO值为0.695，表示适合因素分析。

此外，从Bartlett’s球形检验的 值为234.438，自由度为45，达到显著，代表母群体的相关矩阵间有共同因素存在，适合进行因素分析。

（2）共同性

如图6-41所示，显示因素间的共同性结果。

共同性中显示抽取方法威主成份分析法，最右边一栏为题项的共同性。

（3）陡坡图

如图6-42所示，显示因素的陡坡图。

从陡坡图中，可以看出从第三个因素以后，坡线甚为平坦，因而以保留3个因素较为适宜。

（4）整体解释的变异数——未转轴前的数据

如图6-43所示，显示的是未转轴前整体解释的变异数。

从图中可以看出，左边10个成份因素的特征值总和等于10。解释变异量为特征值除以题项数，如第一个特征值得解释变异量为6.358÷10 63.579％。

将左边10个成份的特征值大于1的列于右边。特征值大于1的共有三个，这也是因素分析时所抽出的共同因素数。由于特征值是由大到小排列，所以第一个共同因素的解释变异量通常是最大者，其次是第二个1.547，再是第三个1.032。

转轴后的特征值为4.389、3.137、1.411，解释变异量为43.885％、31.372％、14.108％，累积的解释变异量为43.885％、75.257％、89.366％。转轴后的特征值不同于转轴前的特征值。

（5）未转轴的因素矩阵

如图6-44所示，显示的是未转轴的因素矩阵。

从图中可以看出，有3个因素被抽取，并且因素负荷量小鱼0.1的未被显示。

（6）转轴后的因素矩阵