本书对于采集到的数据进行因子分析，对研究假设中的23个激励变量加以降维，提炼出主成分因子，验证其与研究假设中激励要素的吻合度。
1.因子分析的适用条件分析
对选取的23个变量进行KMO and Bartlett’s检验，由于KMO取值为0.79，约等于0.8，而Bartlett球形检验中的Sig.=0.000，说明采集数据适合做因子分析(表9-2)。
表9-2 问卷一的KMO检验和Bartlett检验
2.旋转后因子的特征值与贡献率
先尝试按照五个激励要素的研究假设提取五个公共因子，总的方差贡献率为57.9%，尝试六个与七个公共因子时，贡献率分别为63%和67%，当尝试到八个公共因子时，总方差贡献率达到70.9%(表9-3)。
表9-3 八个公共因子时的特征值与贡献率(旋转后)
3.旋转后的因子载荷表与主成分命名
表9-4 旋转后的因子载荷表Rotated Component Matrixa
Extraction Method:Principal Component Analysis. 提取方法:主成分分析法
Rotation Method:Varimax with Kaiser Normalization.循环法:Kaiser标准化的最大方差法a.Rotation converged in 8 iterations.a.在8次迭代内循环收敛
根据表9-4中主成分因子变量与原变量之间的关系可以看出，每个主成分因子都有明确的意义，对相应的原变量具有充分的解释力。不仅如此，八个主成分因子中有三个与研究假设中的激励要素完全吻合，分别为F4:产品材料维度的环境绩效改进潜能，F2:闭环循环性，F5:服务替代性;而另外的几个主成分因子中，F1:整车厂对汽车产品设计的反馈能力，F7:增加的环境责任压力，F8:获得的长期无形资产，分别从能力(F1)与意愿(F7、F8)的角度，共同作用于产品设计的反馈性，F3:汽车回收利用的成本确定性，F6:汽车回收利用的收益确定性则分别从成本与收益的角度，共同作用于经济效益的确定性。也就是说，通过因子分析法，原研究假设中关于EPR的五个激励要素，以及激励要素与激励变量之间的关系得到了验证(表9-5)。
表9-5 问卷一主成分命名及其含义揭示
续表
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。
