Már korábbi fejezetekben megismert adatokon fogunk dolgozni, és csak 5-6 változót használunk annak érdekében, hogy valóban könnyen átlátható eredményeket kapjunk, és lehetőség szerint minden, az értelmezéshez fontos információval, kimeneti táblázattal találkozzunk.

Az elemzést az Analyze menüpont Data Reduction (későbbi verziókban is hasonló elnevezésű) almenüjében találhatjuk meg. A főkomponens-elemzésnek nincsen külön menüpontja.

Tekintsük a következő változókat: egy tantárgyat (matematika) és a komplex probléma-megoldást választjuk, továbbá az ESCS (szocio-kulturális státuszt mérő index) skálát. Ezen túl a tanárok és a diákok morálját, illetve viselkedését szeretnénk még az elemzésbe bevonni.

Lényegében tehát arra vagyunk kíváncsiak, hogy e viszonylag kevert változó-szett mögött milyen látens struktúra húzódik meg. Azt érezzük, hogy ezek mindegyike befolyásolja a diákok iskolai teljesítményét (mennyire jó problémamegoldó, mennyire jó matematikából, milyen a családi háttér, illetve az iskolában a tanárok és diákok milyen viselkedési/morális hátteret mutatnak). Az is érződik azonban, hogy ezek a jelenségek nem egészen egy tőről fakadnak, illetve nem is teljesen függetlenek – tehát reménykedhetünk abban, hogy közöttük valamely háttérösszefüggések lesznek érzékelhetők.

A leíró statisztikák közül a KMO és Bartlett-teszt a leggyakrabban használt mutató: ezen két mutató azt méri, hogy a változóink mennyire hasonlítanak egy teljesen független változó-struktúrához. Nyilván minél inkább függetlenek egymástól a változók, annál kevesebb remény van háttér-változók felbukkanására. Ezen túlmenően még az Anti-image mátrixot szokták kérni, ekkor egy nagy táblázatban azt mérjük, hogy mely változót mennyire magyaráz a többi változó. Ennek érdekében e táblázatnak a bal felsőtől a jobb alsó sarokig húzódó átlóját szokás szemlélni, és minden értéknél elvárjuk, hogy legalább 0,5-ös értéket vegyen fel (terjedelmi okokból ezt a táblázatot most nem szerepeltetjük).

Az Extraction gomb alatti menüben több beállítani való érték is szerepel. A Scree plot bejelölésével elérhetjük, hogy egy vizuális segédeszközt (grafikont) nyerjünk annak érdekében, hogy kitaláljuk, hány faktoros modellel szeretnénk dolgozni.

Amennyiben ilyen opciót nem szeretnénk – tehát a gépre bízzuk a választást, úgy vagy megadjuk a sajátértékek értékét (hagyományosan 1-nél nagyobb értékek kellenek, de elfogadható az is, ha szigorúbbak vagyunk, és mondjuk 1,5-nél vagy akár 2-nél nagyobb értékekkel dolgozunk csak), vagy a faktorok számát kell beállítanunk. A sajátértékek magyarázata túlfeszítheti egy pszichológusoknak tartandó statisztikai kurzus kereteit, így ettől itt eltekintünk.

Ezen túl megadhatjuk a programnak, hogy hány faktoros modellt szeretnénk építeni (Number of factors), amivel élhetünk akkor, ha pl. reprodukálni szeretnénk egy valahol már publikált faktorstruktúrát.

Az iteráció-számot beállító lehetőséget hagyjuk 25-ön, de számítsunk rá, hogy nagy változószám esetén esetleg ezt az értéket növelnünk kell (a program egy warning üzenetben jelzi számunkra, ha erre van szüksége).

Amennyiben főkomponens-elemzést kérünk, úgy a Method legördülő menüjéből válasszuk ki a Principal components opciót – a Maximum likelihood elemzés a hagyományos faktorelemzést adja.

A rotáció segítségével jobb értelmezést, könnyebb interpretációt érhetünk el. Általában ha egymástól független faktorokat szeretnénk építeni a modellbe, akkor a Varimax rotációt használjuk. Ha esetleg ettől a függetlenségtől is szeretnénk megszabadulni a még jobb interpretálhatóság érdekében – bizonyos pszichológiai elméletek esetén ennek jelentős létjogosultsága lehet – akkor a Direct Oblimin vagy Promax forgatásokat is választhatjuk.

Akár az OK-zás, akár a syntax futtatása után az alábbi kimeneti adatokat kell értelmeznünk.