SPSS因子分析的结果可以从以下几个方面进行解读：
KMO和Bartlett的检验结果
KMO值：用于衡量变量之间的相关性。KMO值越接近1，表示变量之间的相关性越强，适合进行因子分析。
Bartlett球形检验：用于检验变量之间是否独立。Bartlett球形检验的显著性水平（p值）越小，表示变量之间的独立性越差，越适合进行因子分析。
公因子方差解释
公因子方差：表示每个变量可以被公因子解释的程度。公因子方差越大，说明变量在公因子上的载荷越大，即变量可以被公因子更好地解释。通常认为公因子方差大于0.5即表示变量可以被合理地解释，大于0.7则更为理想。
总方差和碎石图
总方差：表示因子对变量解释的总贡献率。通过查看总方差表，可以了解每个因子对总方差的贡献情况。
碎石图：用于直观地展示因子的重要性。碎石图的横坐标是因子序号，纵坐标是特征值。通过观察碎石图，可以确定因子的个数和识别出重要的因子。
旋转成分矩阵
因子载荷：表示每个变量在每个因子上的载荷值。载荷值越高，表示变量与该因子的相关性越强。通常认为载荷值绝对值大于0.4或0.5具有较强解释力。
因子命名：根据因子载荷和潜在因子内容对因子进行命名，以便在后续的统计分析和讨论中使用。
因子得分
因子得分：通过将每个样本在各个因子上所得的因子载荷进行数值乘法或求和，得到该样本在不同因子上的得分。这些得分可以用于进一步的分析，如聚类分析、回归分析等。
在进行因子分析后，还需要注意以下几点：
样本的合适性：样本应满足多变量正态分布，且样本量应足够大，以确保因子分析结果的稳定性和可靠性。
变量间的相关性：变量之间应存在一定的相关性，以便进行因子分析。如果变量之间的相关性较低，因子分析的解释能力将受到限制。
通过以上步骤和方法，可以对SPSS因子分析的结果进行全面的解读，从而更好地理解数据结构和潜在因素。