قسمت سوم با برچسب” Rotation Sums of Squared Loadings ” مربوط به مقادیر ویژه عوامل استخراجی با چرخش می‌باشد. بر این اساس با توجه به نتایج حاصله از تحلیل مؤلفه‌ های اصلی ۳۴ متغییر تحقیق در ۸گروه طبقه بندی گردیدند. ۸ عامل اول استخراج شده از یک بزرگترند و در تحلیل باقی می مانند. اگر به ستون واریانس تجمعی نسبی توجه کنید، این ۸ عامل می‌توانند ۸۲۵/۷۹ درصد از تغییر پذیری (واریانس) متغیرها را توضیح دهند. توجه داشته باشید که در چرخش عامل های باقی مانده، نسبتی از کل تغییرات که توسط این ۸ عامل توضیح داده شده است ثابت است ولی در روش بدون چرخش درصد عامل اول درصد بیشتری از تغییرات را تعیین می‌کند. در روش چرخش عامل ها هر یک از آن ها نسبت تقریبا یکسانی از تغییرات را توضیح می‌دهند. این ویژگی چرخش واریماکس است که تغییرات را میان عامل ها به صورت یکنواخت توزیع می‌کند.

خروجی چهارم نمودار(۱-۴) با عنوان نمودار scree است . این نمودار تصویر گرافیکی مقدار ویژه در هر یک از عامل های استخراج شده است- داده ی ستون اول در قسمت اول جدول(۶-۴).

نمودار۴-۱ تصویر گرافیکی مقادیر ویژه

مقدار واریانس توجیه شده- مقدار ویژه- با استخراج عامل های بعد از عامل هشتم به بعد افت می‌کند.مقادیر ویژه ۸ عامل اول بیشتر از یک است و به همین دلیل در خروجی باقی مانده اند.

خروجی پنجم- یعنی جدول(۷-۴)- ماتریس اجزا یا عامل های چرخیده نشده را نشان می‌دهد که شامل بارهای عاملی هر یک از متغییرها در ۸ عامل باقی مانده می‌باشد. ولی تفسیر بارهای عاملی بدون چرخش ساده نیست . ‌بنابرین‏ عامل ها را می چرخانیم تا قابلیت تفسیر آن ها افزایش یابد.

جدول۷-۴ ماتریس اجزا یا عامل های چرخیده نشده

Component Matrix^a

Component

۱

۲

۳

۴

۵

۶

۷

۸

x1

.۷۷۰

-.۲۰۳

.۱۶۳

-.۳۵۶

.۱۸۹

-.۲۴۳

.۰۷۵

.۰۸۰

x2

.۷۱۷

.۲۳۴

.۰۱۵

.۲۱۷

.۰۳۴

-.۱۹۶

-.۱۸۵

.۲۴۸

x3

.۴۷۲

.۳۸۳

.۶۳۷

.۳۲۶

.۱۲۷

.۰۳۶

.۰۶۳

-.۰۴۱

x4

.۳۸۰

.۳۵۱

.۶۵۱

.۳۵۶

.۰۸۵

.۱۷۲

.۰۵۵

-.۱۱۷

x5

.۶۵۰

-.۳۳۴

.۱۲۵

.۳۳۶

-.۳۱۵

-.۱۳۷

-.۱۸۹

.۰۶۲

x6

.۷۶۴

.۰۶۵

.۱۸۷

-.۲۰۱

.۲۱۵

-.۰۵۳

-.۲۰۰

.۰۱۵

x7

.۷۵۱

-.۰۶۸

-.۲۷۷

-.۰۴۱

-.۰۳۷

.۱۵۵

-.۱۴۱

.۰۹۲

x8

.۵۷۵

-.۱۶۵

-.۳۴۳

-.۱۹۷

-.۱۱۴

.۱۶۵

-.۴۲۶

.۱۴۳

x9

.۰۱۰

.۱۹۵

-.۱۷۲

-.۰۲۹

-.۴۱۲

-.۲۲۲

.۵۳۶

.۴۴۹

x10

.۴۷۱

-.۱۸۵

-.۱۶۸

.۲۵۴

.۶۵۸

.۱۸۸

.۰۴۲

.۳۵۲

x11

.۷۰۳

.۵۴۰

-.۰۰۶

-.۰۰۶

-.۱۷۷

.۰۶۲

-.۰۸۸

.۲۱۶

x12

.۶۵۱

.۵۴۰

-.۰۰۴

-.۰۷۸

-.۱۴۰

.۱۱۸

-.۲۱۲

.۱۹۸

x13

.۷۰۵

.۵۷۵

.۰۱۱

.۰۳۳

-.۲۰۰

.۰۶۱

-.۱۳۳

.۱۹۸

x14

.۶۷۸

.۲۴۵

.۰۰۷

-.۱۸۵

-.۰۱۶

-.۰۵۸

-.۱۱۸

-.۱۶۲

x15

.۶۷۹

-.۳۳۳

-.۰۰۸

.۱۹۰

-.۱۳۶

-.۱۶۹

.۳۴۳

.۰۸۸

x16

.۷۵۲

-.۲۵۰

.۰۰۷

.۰۴۵

-.۰۷۴

-.۰۱۱

-.۰۲۵

-.۲۱۶

x17

.۷۰۹

-.۱۲۴

-.۴۴۱

-.۱۳۸

-.۰۶۳

-.۰۵۴

-.۰۰۹

-.۰۳۴

x18

.۵۵۷

-.۱۶۹

.۴۴۸

-.۴۴۲

.۱۵۸

-.۲۵۴

.۰۴۰

.۰۲۵

x19

.۷۲۵

-.۱۶۱

.۳۰۷

-.۴۰۸

.۱۹۸

-.۲۳۸

.۰۴۷

.۱۰۱

x20

.۶۲۷

.۱۴۲

.۲۱۶

.۱۶۴

.۲۲۴

-.۲۱۰

.۲۲۶

-.۰۵۲

x21

.۷۰۴

-.۱۳۹

-.۲۴۷

.۲۶۶

-.۰۷۳

-.۰۰۹

.۱۳۷

.۱۱۶

x22

.۷۶۲

-.۰۸۵

-.۲۷۳

.۰۳۷

-.۱۳۴

-.۱۰۵

.۱۵۸

-.۰۳۰

x23

.۶۳۷

-.۱۳۱

.۰۲۴

-.۱۳۸

.۲۲۶

-.۱۰۲

-.۱۹۷

-.۰۹۷

x24

.۶۶۹

-.۴۰۷

.۱۷۲

.۴۲۵

-.۲۸۸

-.۱۶۰

-.۱۲۵

-.۰۰۲

x25

.۶۲۸

-.۴۱۵

.۱۲۹

.۴۲۹

-.۲۳۱

-.۱۵۶

-.۱۸۴

-.۰۴۷

x26

.۶۵۸

-.۰۹۵

-.۱۹۲

.۲۳۵

.۲۰۳

.۱۲۹

.۰۷۷

-.۳۴۶

x27

.۶۹۶

.۳۳۷

-.۲۸۷

-.۱۱۵

.۰۸۲

-.۱۸۶

.۱۶۰

-.۲۶۴

x28

.۵۴۸

.۲۰۴

-.۱۳۶

.۲۹۹

-.۱۳۳

.۳۷۴

.۱۸۲

-.۲۴۵

x29

.۷۰۰

.۳۶۸

-.۳۱۶

-.۰۹۹

.۱۳۳

-.۱۰۴

.۱۸۳

-.۲۱۷

x30

.۶۷۷

.۲۲۲

-.۳۳۹

-.۰۵۱

.۰۱۱

-.۱۵۹

-.۰۴۰

-.۲۴۷

x31

.۳۸۹

-.۱۵۳

-.۲۴۹

.۲۷۴

.۶۷۰

.۲۴۳

.۰۸۸

.۲۶۰

x32

.۷۰۱

-.۳۱۸

.۱۲۲

-.۲۸۷

-.۲۱۳

.۳۵۱

.۱۶۶

-.۰۳۵

x33

.۶۶۰

-.۱۲۰

.۲۵۹

-.۳۲۱

-.۲۲۸

.۳۸۱

.۱۳۷

.۰۴۲

x34

.۶۶۲

-.۲۴۰

.۲۱۱

-.۲۸۵

-.۱۲۰

.۵۲۲

.۱۴۷

.۰۱۱

Extraction Method: Principal Component Analysis.

a. 8 components extracted.

خروجی ششم- یعنی جدول(۸-۴)- ماتریس چرخیده شده اجزا را نشان می‌دهد که شامل بارهای عاملی هر یک از متغییرها در ۸ عامل باقی مانده پس از چرخش می‌باشند. این ماتریس را راحت تر می توان تفسیر کرد.هر چقدر مقدار قدرمطلق ضرایب بیشتر باشد عامل مربوطه نقش بیشتری در کل تغییرات دارد.