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。