前文在对基层公务员“应然”素质进行理论分析时，通过对基层公务员素质要素的历史脉络、国内外比较及时代特征分析，使得我国基层公务员应具备的素质要素不断完善，从而保证了整个研究过程趋于完整。而对于我国基层公务员素质模型的实证研究，需要对基于理论模型的研究问卷进行多元分析。如果素质要素太多将使得分析的复杂性增加；鉴于素质要素之间往往会具有一定的相关性，使得各素质要素存在信息重叠，因此可以采用因子分析法（Factor Analysis）进行相关统计分析。因子分析的主要功能是从问卷调查表全部素质要素项中提取一些公因子，这些公因子又分别与某一些特定要素高度相关，这些公因子也就代表了问卷调查表的基本结构。因子分析可以检验问卷是否可以测量出设计问卷时所假设的某种结构。该分析方法在保证不损失原有的研究信息的条件下，用较少的指标代替原来较多的指标，即将相互之间关系比较密切的几个指标归在同—个类别之中，每一类指标就成为一个因子。因子分析方法最早被应用于心理学研究，长期的实践证实该方法能够有效地提取内在结构逻辑，因而它已被应用到社会学等各个领域。
由于因子分析的目的是寻找要素间内在结构逻辑，因此需求样本量比较大，否则难以得到稳定和准确的结果。根据Garsuch的观点，因子分析时的样本量要求如下：样本量与指标数的比例应在5∶1以上，实际上理想的样本量应为指标数的10～25倍。本研究样本量为692，素质要素指标数为42，样本16.5，因此适合做因子分析。除了样本量要求外，进行因子分析还有一个默认的前提条件就是各指标间必须有相关性。如果各变量间没有共享信息，就不会有公因子需要提取，自然也谈不上使用该方法。对于该条件的判断，除了可以根据专业知识来估计外，也可以通过素质要素之间相关系数分析或使用KMO（Kaiser-Meyer-Olkin）抽样适当性检验和Bartlett's球形检验加以判定。KMO检验主要用于探查变量间的偏相关性，它可以比较各指标间的简单相关和偏相关的大小，取值范围在0～1之间。KMO值越接近1，说明指标之间的共同因素越多，越适合做因子分析。一般认为，当KMO大于0.5时可以做因子分析，达0.9以上时效果最佳。本研究KMO（Kaiser-Meyer-Olkin）抽样适当性检验和Bartlett's球形检验的SPSS软件输出的结果见表6-10。
表6-10 KMO和Bartlett's检验结果
由检验结果可以看出本研究的KMO值为0.961，远大于0.5，本研究Bartlett's球形检验结果P＜0.001，表明本研究调查问卷完全适于做因子分析。
确定本研究调查结果适合做因子分析之后，利用SPSS统计软件中的Factor Analysis功能对调查研究问卷进行因子分析。因子分析主要是通过主成分（Principal Components）方法利用相关系数矩阵，根据Kaiser准则抽取特征值大于1的共同因素，配合碎石图陡阶分析确定因子个数；再以方差极大法（Varimax）对共同因素进行正交旋转处理，使旋转后每一个因子内各知识要素负荷量大小相差尽可能达到最大，以便于对因子的分析与命名。本研究主成分特征值与总方差解释的主成分累计贡献率表见表6-11，因子分析的碎石图，见图6-1。
表6-11 主成分特征值与总方差解释的主成分累计贡献率（节录）
Extraction Method：Principal Component Analysis.
图6-1 碎石图
根据表6-11列出主成分从大到小的次序排列的特征根，可见第一个主成分的特征根为14.120，它解释了总变异的44.798％；正交旋转后的第一个主成分的特征根为7.102，它解释了总变异的22.533％；第七项特征根为0.634小于1，这说明该主成分的解释力度还不如直接引入原变量大。结合碎石图坡度变化情况，本研究42项素质要素经因子分析，可以提取6个公因子，累积贡献率为65.768％。
因素载荷表示的是该素质要素项对该公因子的线性回归方程的系数，正交旋转后的载荷量等于该素质要素项与该公因子的相关系数，即代表了素质要素项与公因子之间的密切程度，它的取值在-1和1之间，绝对值接近1的相关程度大。也就是说，如果一个素质要素项在一个公因子上的载荷高，就意味着该素质要素项可以更好地反映这个公因子。同时，如果同一个素质要素项与两个或者两个以上的公共因子都密切相关，那么它所表达的信息就有可能是比较模棱两可的。因而，本书选取素质要素项的标准是：在单个因子上的载荷的绝对值超过0.5；且仅有一项超过0.5。[3]
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
