当公司财务报表里塞了足足19个乱七八糟的比率，什么营收增长率、净资产收益率、存货周转率的时候，决策者经常会被这些数字绕晕头。因子分析这东西就像个贴身助手，能帮你把这些杂乱无章的指标归成几个互不干扰的“大标签”，把厚厚一摞表格浓缩成一张得分卡。我们来一步步看看怎么做： 首先把数据先洗个澡，也就是用Z-score给它标准化一下，免得数值太大的指标把数值小的指标给压没了。然后把标准化后的数据乘一乘，看看哪些指标喜欢粘在一起抱团。如果发现大多数系数都大于0.3，说明这些变量之间有关系，可以继续往下做因子分析。 接下来要找出几个主因子。通过求特征根和特征向量，特征根就代表了每个因子能解释多少方差。通常我们按照“累计贡献率≥85%”的原则来截取出前m个因子。把这些特征向量排成矩阵后还得转一转（比如用最大方差法），让载荷矩阵里的数字看着更顺眼些。 建立好模型后，就把原来的19个指标看作是公因子和一些特殊误差的组合。计算出每个观测值的得分，再按每个因子解释方差的大小加权一下，就能得到综合的绩效分数了。最后把这些分数按时间或者行业来对比一下，得分高的就是绩效好的企业。 如果遇到KMO值小于0.7的时候要小心点，这时候可能数据不太适合做因子分析。提取因子数m不能凭感觉瞎猜，得验证累计贡献率够不够。要是旋转完载荷还小于0.4的项最好剔除掉，免得混入噪音干扰结果。 现在给你个练习：我们准备了一个叫“上市企业经营绩效评价指标.sav”的数据集。任务是把这19个指标通过因子分析压成1个综合得分；在Excel里输出每个指标的权重和得分表格；按季度或者年度算出名次；最后把SPSS处理过的所有结果和Excel表格打包压缩好发给老师。 这样一来，下次面对堆积如山的财务报告时，你也能轻松让数据化繁为简，一眼看穿企业的真实业绩啦。