保存因子分析就好，如果用spssau分析前先勾选“因子得分”选项，即可在分析后得到因子得分项。
spss直接把几个因子都已经算出来了，就是duFAC1-1列就是因子F1，同理可以得知F2，F3....不用算的，如果问F1怎么来的，就说是F1=0.701X1-0.549X2+0.736X3+0.216X4+0.112X5-0.318X6。
如果进行主成分分析之后又要进行回归分析，应该是用提取出来的主因子作为自变量进行计算的，回归是只能有一个自变量，一个因变量才算回归的，如果不是的话，建议你使用多项式属分析。
把因变量的值还有自变量的值放到EXCEL里，按列排列。然后全部圈起来，找图表选项，绘制散点图，之后对其中的点点击右键，进行数据拟合就可以得出式子。
扩展资料：
标准逐步回归法做两件事情。即增加和删除每个步骤所需的预测。
向前选择法从模型中最显著的预测开始，然后为每一步添加变量。
向后剔除法与模型的所有预测同时开始，然后在每一步消除最小显著性的变量。
这种建模技术的目的是使用最少的预测变量数来最大化预测能力。这也是处理高维数据集的方法之一。
参考资料来源：百度百科-回归分析
主成分分析用于对数据信息进行浓缩，比如总共有20个指标值，是否可以将此20项浓缩成4个概括性指标。除此之外，主成分分析可用于权重计算和综合竞争力研究。即主成分分共有三个实际应用场景：
信息浓缩：将多个分析项浓缩成几个关键概括性指标；
权重计算：利用方差解释率值计算各概括性指标的权重；
综合竞争力：利用成分得分和方差解释率这两项指标，计算得到综合得分，用于综合竞争力对比（综合得分值越高意味着竞争力越强）。
主成分(pca)分析通常有三个步骤；第一步是判断是否适合进行主成分(pca)分析；第二步是主成分与分析项对应关系；第三步是主成分命名.
第一步:判断是否进行主成分(pca)分析;判断标准为KMO值大于0.6.
第二步:主成分与分析项对应关系判断.
特别提示：如果研究目的完全在于信息浓缩，并且找出主成分与分析项对应关系，此时SPSSAU建议使用因子分析【请参考因子分析手册】，而非主成分分析。主成分分析目的在于信息浓缩（但不太关注主成分与分析项对应关系），权重计算，以及综合得分计算。
特别提示：有时不太会关注主成分与分析项的对应关系情况，比如进行综合竞争力计算时，不需要过多关注主成分与分析项的对应关系情况。
主成与分析项对应关系判断:假设预期为3个主成分,分析项为10个;主成分与分析项交叉共得到30个数字,此数字称作“载荷系数”(载荷系数值表示分析项与主成分之间的相关程度); 针对每个主成分,对应10个”载荷系数”,针对每个分析项,则有3个“载荷系数值”(比如0.765,-0.066,0.093),选出3个数字绝对值大于0.4的那个值(0.765),如果其对应主成分1,则说明此分析项应该划分在主成分1下面.
对不合理分析项进行删除,共有三种情况; 第一类:如果分析项的共同度(公因子方差)值小于0.4,则对应分析项应该作删除处理;第二类:某分析项对应的“载荷系数”的绝对值,全部均小于0.4,也需要删除此分析项;第三类:如果某分析项与主成分对应关系出现严重偏差（通常也称作‘张冠李戴’）,也需要对该分析项进行删除处理.
第三步:主成分命名
在第二步删除掉不合理分析项后,并且确认主成分与分析项对应关系良好后,则可结合主成分与分析项对应关系,对主成分进行命名.
分析结果表格示例如下(SPSSAU同时会生成碎石图):
特别提示
主成分(pca)分析进行信息浓缩时，可能会经历多次重复循环，删除不合理项，并且重复多次循环，最终得到合理结果。
SPSSAU操作截图如下：
特别提示
关于“保存成分得分”：主成分(pca)分析将信息浓缩成几个主成分，并且可让系统保存“成分得分”。成分得分可用于进一步分析，比如聚类分析，回归分析使用等。
关于“保存综合得分”：如果使用主成分(pca)分析的目的在于进行综合竞争力排名，比如银行的绩效排名，上市公司竞争力排名等，此时可直接保存综合得分，用于竞争力排名。