因子分析入门：从多题量表中发现潜在结构

本文适合谁

有大量量表题目（10–30 题）、需要合并变量或发现潜在结构的研究人员。本文聚焦探索性因子分析（EFA）；验证性因子分析（CFA）见问卷信度与效度怎么分析。

核心结论摘要

• 因子分析把相关的题目合并为少数潜在因子，是降维与结构发现工具；
• 触发条件：题量多、题目间相关明显、需要因子分做后续分析；
• 流程：适用性检验（KMO/Bartlett）→ 提取因子（特征值/碎石图）→ 旋转 → 命名 → 因子分合成；
• 阈值（KMO、载荷）是经验参考，不脱离场景使用；
• EFA 发现结构，CFA 验证结构——不要用同一数据既探索又验证。

什么时候需要因子分析

• 题量多需要降维：20 道态度题合并为 3–4 个因子，供回归/聚类使用；
• 发现潜在构念：探索题目背后隐藏的结构（如”满意度”可拆成”功能/服务/价值”）；
• 检查量表维度：验证多题量表是否符合设计的维度划分（信效度衔接见问卷信度与效度怎么分析）；
• 数据预处理：聚类分析前的变量精简（见聚类分析完整指南）。

原理：相关 → 潜在因子

• 假设：一组相关的题目背后存在共同的潜在因素（因子）；
• 因子是题目的线性组合，解释了题目间的相关；
• 目标是找到因子数最少、解释方差最多、命名可解释的结构。

适用性检验

• KMO（Kaiser-Meyer-Olkin）：题项间偏相关大小——值越大越适合因子分析（经验参考 > 0.6，0.8+ 良好）；
• Bartlett 球形检验：相关矩阵是否为单位矩阵（p<0.05 说明题项间存在相关，值得提取）；
• 注意：两者均为经验参考；小样本、题数少的场景需谨慎解读（阈值不脱离场景，见问卷信度与效度怎么分析）。

提取因子数

方法	做法	注意
特征值 > 1	保留特征值大于 1 的因子	常用但机械，题数多时易高估因子数
碎石图	特征值曲线拐点	判断有主观性
解释方差	累计解释方差达经验水平（如 ≥60%）	参考值，视研究领域调整
理论预期	结合理论设定因子数	探索时用，验证时须 CFA

建议多方法交叉 + 可解释性判断，不单独依赖特征值。

旋转

• 正交旋转（Varimax）：因子间不相关——解释简单，常用；
• 斜交旋转（Promax/Oblimin）：允许因子相关——心理构念常相关，更贴近现实；
• 旋转不改变因子结构的信息量，只改变解释方式；
• 旋转方法需在报告中说明。

因子载荷与命名

• 载荷：题项与因子的相关系数；
• 判读：题项在其主因子上的载荷（经验参考 ≥0.4–0.5，视样本与题数）、交叉载荷（其他因子上的载荷应明显更低）；
• 命名：根据高载荷题项的共同含义命名（如”功能满意度”）；命名是研究者的理论判断，不是自动输出；
• 命名要能覆盖该因子全部高载荷题项，避免”以偏概全”。

因子分合成

• 合成方式：均值合成（因子内题项取均值，简单常用）或因子得分（加权）；
• 均值合成前检查：题项方向一致（反向题先反转，见问卷量表怎么设计）；
• 因子分用途：作为新变量进入回归（见回归分析完整指南）、聚类（见聚类分析完整指南）或 ISA 分析。

简化示例（教学演示）

10 道满意度态度题（5 点量表），EFA 结果：

题项	因子 1	因子 2
功能丰富	0.72	0.12
功能稳定	0.68	0.18
上手容易	0.61	0.21
客服响应	0.15	0.74
售后处理	0.11	0.70
服务态度	0.22	0.66

• KMO=0.82，Bartlett p<0.001（教学演示值）；
• 提取 2 个因子（特征值 3.8、2.4），累计解释方差 62%；
• 命名：因子 1「功能体验」、因子 2「服务体验」；
• 因子分均值合成后进入驱动分析。

报告呈现

• 方法说明：提取方法、旋转、因子数确定依据；
• 载荷表：题项 × 因子（主载荷加粗，交叉载荷标注）；
• 解释方差表：各因子特征值与解释比例；
• 命名与解释：每个因子的含义与业务解读；
• 附录放完整相关矩阵。

常见错误

1. 不检验适用性直接跑：KMO 低时结果不可靠；
2. 只看特征值 >1：机械规则，结合碎石图与理论；
3. 忽略交叉载荷：题项同时落多个因子被忽略；
4. 命名脱离题项：按预期命名而不管实际载荷；
5. EFA 当 CFA：同一数据探索又宣称验证；
6. 阈值照搬：载荷/KMO 阈值不结合样本与场景；
7. 因子分直接进报告：因子分是合成变量，报告需说明合成方式。

使用边界与注意事项

• 样本量：经验参考题项数 × 5–10 或 ≥ 200（视复杂度）；
• 本文为 EFA 入门；结构验证（CFA）、聚合/区分效度见问卷信度与效度怎么分析；
• 因子分析假设变量间存在线性相关，强非线性关系场景需谨慎。

参考资料

• Fabrigar, L. R., & Wegener, D. T. (2011). Exploratory Factor Analysis（EFA 方法专著）
• 配合：问卷信度与效度怎么分析、聚类分析完整指南