因子分析和主成分分析（PCA）有什么区别？

因子分析基于潜在因子模型，因子载荷表示变量与潜在因子的关系；主成分分析是纯线性变换，PC是变量的线性组合。管理学问卷研究通常用因子分析（关注潜变量）；做数据降维时两者均可，但PCA更简单。

KMO值只有0.6怎么办？

KMO在0.6-0.7之间属于"勉强可以"的程度。可以尝试：1）删除相关性很低的变量；2）增加样本量；3）考虑改用其他降维方法（如主成分分析）。如果KMO<0.6，因子分析结果不可靠，建议换方法。

出现了cross-loading（跨因子载荷）怎么处理？

Cross-loading是指同一变量在两个或多个因子上的载荷都>0.4。处理方法：1）删除cross-loading严重的变量；2）考虑该变量是否属于两个因子（修改量表结构）；3）如果多数变量都有cross-loading，考虑增加或减少因子数量。

可以用因子分析做实证回归吗？

可以。用因子分析提取公因子后，以因子得分（Factor Scores）作为新的自变量进行多元回归。注意：因子得分之间的相关系数矩阵（不是单位阵）应在论文中报告，并说明多重共线性的处理。

EFA和CFA的样本量要求分别是多少？

EFA：每个变量至少5-10个样本，总体至少100-200个；CFA：每个待估计参数至少10个样本，复杂模型需要300-500个。管理学问卷研究建议EFA用200-300份，CFA用300-500份。

因子分析法指南

因子分析法论文怎么写 | 学境思源AcademicIdeas探索性因子分析EFA与验证性因子分析CFA全攻略

Q: 出现了cross-loading（跨因子载荷）怎么处理？

Cross-loading是指同一变量在两个或多个因子上的载荷都>0.4。处理方法：1）删除cross-loading严重的变量；2）考虑该变量是否属于两个因子（修改量表结构）；3）如果多数变量都有cross-loading，考虑增加或减少因子数量。

因子分析法论文怎么写？学境思源（AcademicIdeas）详解探索性因子分析（EFA）与验证性因子分析（CFA）的区别、KMO与Bartlett检验、因子旋转方法，以及在问卷数据与经济学论文中的应用与结果报告规范。

生成研究方法章节 SPSS进阶指南

这个页面能先帮你做什么

详解EFA与CFA的适用场景与完整分析流程
覆盖KMO/Bartlett检验与因子旋转方法的正确选择
提供因子分析结果的标准报告格式（管理学APA格式）

因子分析的本质：降维与信息浓缩

因子分析（Factor Analysis）是通过研究原始变量之间的相关关系，将信息重叠、具有错综复杂关系的变量归结为少数几个相互无关的综合因子（潜变量）的统计方法。因子分析分为探索性因子分析（EFA）和验证性因子分析（CFA），两者在研究阶段和目的上有本质区别。

在管理学问卷研究中，因子分析通常用于：检验量表结构（EFA）、验证理论模型中的潜变量结构（CFA）、以及为后续回归分析做数据降维（降维后的因子得分可作为自变量）。

探索性因子分析（EFA）与验证性因子分析（CFA）的区别

【EFA（探索性因子分析）】用于探索数据的潜在结构，不知道因子与变量的对应关系时使用。不需要先验理论，纯粹从数据出发探索因子结构
【CFA（验证性因子分析）】基于先验理论，验证预设的因子结构是否符合数据。需指定每个因子与哪些观测变量相关、哪些不相关
【选择原则】新量表开发先用EFA探索结构，再用CFA验证；成熟量表直接用CFA验证；仅做降维可用主成分分析（PCA）
【软件选择】EFA用SPSS/Amos；CFA用Amos/Mplus/LISREL；也可在SPSS中做EFA后用Amos做CFA

因子分析的适用性检验与因子提取

【KMO检验（Kaiser-Meyer-Olkin Measure of Sampling Adequacy）】KMO值>0.7适合做因子分析；0.6-0.7勉强可以；<0.6不适合。EFA前必须报告KMO值
【Bartlett球形检验】原假设为相关矩阵为单位阵（变量互不相关），p<0.05拒绝原假设说明变量间存在相关性，适合做因子分析
【特征值（Eigenvalue）】特征值>1的因子被保留（Kaiser标准）；也可用碎石图（Scree Plot）辅助判断
【累积方差解释率】一般要求前几个因子累积解释60%以上的方差才能认为因子具有代表性
【因子载荷（Factor Loading）】反映原始变量与因子的相关程度，绝对值越大越好。>0.5的载荷被认为是显著的

因子旋转的目的与方法选择

【为什么要旋转】初始因子载荷矩阵往往难以解释，旋转是为了让每个变量在少数因子上有高载荷、在其他因子上载荷接近零
【正交旋转（Varimax）】最常用，强制因子之间不相关。适合理论支持因子相互独立的情形
【斜交旋转（Promax）】允许因子之间存在相关。比正交旋转更贴合实际，但解释更复杂
【选择原则】管理学研究中多数理论模型假设因子间不相关，默认用Varimax；如果理论本身支持因子相关，可用Promax
【旋转后的载荷矩阵解读】每个变量对应载荷最高的因子为其归属因子；载荷<0.4的变量考虑删除；同一变量在多个因子上载荷均高（cross-loading）需处理

因子分析结果的标准报告格式

【样本与数据质量报告】样本量（通常N>200）；KMO值（报告具体数值）；Bartlett球形检验（χ², df, p）
【因子提取报告】提取的因子数量；各因子的特征值；各因子解释的方差比例及累积方差解释率
【旋转后的因子载荷矩阵】通常以表格形式呈现，载荷值需报告至小数点后两位，<0.4的载荷可留空或用ns表示
【信度检验】Cronbach's α系数（每个因子单独计算），α>0.7为可接受，>0.8为良好
【因子得分】如果用因子得分做后续回归分析，需报告因子得分的均值、标准差，以及因子间的相关系数矩阵
【结果描述示例】"KMO值为0.83，Bartlett球形检验显著（χ²=456.7, df=78, p<.001），适合做因子分析。采用主轴因子分解法，Varimax旋转后提取3个因子，累积解释方差72.3%。"

常见问题

因子分析和主成分分析（PCA）有什么区别？: 因子分析基于潜在因子模型，因子载荷表示变量与潜在因子的关系；主成分分析是纯线性变换，PC是变量的线性组合。管理学问卷研究通常用因子分析（关注潜变量）；做数据降维时两者均可，但PCA更简单。
KMO值只有0.6怎么办？: KMO在0.6-0.7之间属于"勉强可以"的程度。可以尝试：1）删除相关性很低的变量；2）增加样本量；3）考虑改用其他降维方法（如主成分分析）。如果KMO<0.6，因子分析结果不可靠，建议换方法。
出现了cross-loading（跨因子载荷）怎么处理？: Cross-loading是指同一变量在两个或多个因子上的载荷都>0.4。处理方法：1）删除cross-loading严重的变量；2）考虑该变量是否属于两个因子（修改量表结构）；3）如果多数变量都有cross-loading，考虑增加或减少因子数量。
可以用因子分析做实证回归吗？: 可以。用因子分析提取公因子后，以因子得分（Factor Scores）作为新的自变量进行多元回归。注意：因子得分之间的相关系数矩阵（不是单位阵）应在论文中报告，并说明多重共线性的处理。
EFA和CFA的样本量要求分别是多少？: EFA：每个变量至少5-10个样本，总体至少100-200个；CFA：每个待估计参数至少10个样本，复杂模型需要300-500个。管理学问卷研究建议EFA用200-300份，CFA用300-500份。

生成研究方法章节 SPSS进阶指南结构方程模型SEM AHP层次分析法