1．KMO和Bartlett的检验结果：
首先是KMO的值为0．733，大于阈值0．5，所以说明了变量之间是存在相关性的，符合要求；然后是Bartlett球形检验的结果。
在这里只需要看Sig．这一项，其值为0．000，所以小于0．05。那么也就是说，这份数据是可以进行因子分析的。
2．公因子方差：
公因子方差表的意思就是，每一个变量都可以用公因子表示，而公因子究竟能表达多少呢，其表达的大小就是公因子方差表中的“提取”。
“提取”的值越大说明变量可以被公因子表达的越好，一般大于0.5即可以说是可以被表达，但是更好的是要求大于0.7才足以说明变量能被公因子表的很合理。
在本例中可以看到，“提取”的值都是大于0.7的，所以变量可以被表达的很不错。
3．解释的总方差和碎石图：
简单地说，解释地总方差就是看因子对于变量解释的贡献率（可以理解为究竟需要多少因子才能把变量表达为100％）。
这张表只需要看图中红框的一列，表示的就是贡献率，蓝框则代表四个因子就可以将变量表达到了91．151％，说明表达的还是不错的
都要表达到90％以上才可以，否则就要调整因子数据。再看碎石图，也确实就是四个因子之后折线就变得平缓了。
4．旋转成分矩阵：
这一张表是用来看哪些变量可以包含在哪些因子里，一列一列地看：第一列，最大的值为0．917和0．772，分别对应的是细颗粒物和可吸入颗粒物。
因此可以把因子归结为颗粒物。第二列，最大值为0．95对应着二氧化硫，因此可以把因子归结为硫化物。第三列，最大值为0．962，对应着臭氧。
因此可以把因子归结为臭氧。第四列，最大值为0．754和0．571，分别对应着二氧化氮和一氧化碳。
扩展资料
因子分析与主成分分析的区别：
主成分分析是试图寻找原有变量的一个线性组合。这个线性组合方差越大，那么该组合所携带的信息就越多。也就是说，主成分分析就是将原始数据的主要成分放大。
因子分析，它是假设原有变量的背后存在着一个个隐藏的因子，这个因子可以可以包括原有变量中的一个或者几个，因子分析并不是原有变量的线性组合。
因子分析还是非常好用的一种降维方式的，在SPSS中进行操作十分简单方便，结果一目了然。python也可以做因子分析，代码量也并不是很大。
但是，python做因子分析时会有一些功能需要自己根据算法写，比如说KMO检验。
比如你有很多变量，用这么多变量来解释另一个变量，显得有点复杂，但是如果能找到其它的几个少量的变量来代替这些变量来进行下一步的分析，这就要用到因子分析。它运用了数学上的矩阵变换思想。
而在实际运用过程中，如果只有5个因素，（也就是你所说的因子）那因子分析这部分就不需要了。
因子分析的结果很好解释，只是方法选的如果有问题，解释的再好也没有意义。本回答被提问者采纳
因子分析一般采用的都是主成分方法。但是因子分析不是分析因子对其他变量的影响的，而是得到因子的
