1、探索性因子分析法（Exploratory Factor Analysis，EFA） 目录隐藏 1 什么是探索性因子分析法？ 2 探索性因子分析法的起源 3 探索性因子分析法的计算 4 探索性因子分析法的运用 5 探索性因子分析法的步骤 6 探索性因子分析法的优点 7 探索性因子分析法的缺点 8 探索性因子分析法的假定 9 EFA 在教育、心理领域存在的问题及建议1 10 参考文献编辑什么是探索性因子分析法？ 探索性因子分析法（Exploratory Factor Analysis，EFA）是一项用来找出多元观测变量的本质结构、并进行处理降维的技术。 因而，EFA 能够将将具有错综复杂关系的变量
2、综合为少数几个核心因子。 编辑探索性因子分析法的起源 因子分析法是两种分析形式的统一体， 即验证性分析和纯粹的探索性分析。英国的心理学家 Charles Spearman 在 1904 年的时候，提出单一化的智能因子（A Single Intellectual Factor）。 随着试验的深入，大量个体样本被分析研究，Spearman 的单一智能因子理论被证明是不充分的。 同时，人们认识到有必要考虑多元因子。 20 世纪 30 年代，瑞典心理学家 Thurstone 打破了流行的单因理论假设，大胆提出了多元因子分析（Multiple Factor Analysis）理论。 Thurstone
3、在他的心智向量（Vectors of Mind， 1935）一书中，阐述了多元因子分析理论的数学和逻辑基础。 编辑探索性因子分析法的计算 在运用 EFA 法的时候，可以借助统计软件（如 SPSS 统计软件或 SAS 统计软件）来进行数据分析。 编辑探索性因子分析法的运用 1、顾客满意度调查。 2、服务质量调查。 3、个性测试。 4、形象调查。 5、市场划分识别。 6、顾客、产品及行为分类。 编辑探索性因子分析法的步骤 一个典型的 EFA 流程如下： 1、辨认、收集观测变量。 2、获得协方差矩阵（或 Bravais-Pearson 的相似系数矩阵） 3、验证将用于 EFA 的协方差矩阵（显著性水
4、平、反协方差矩阵、Bartlett球型测验、反图像协方差矩阵、 KMO 测度）。 4、选择提取因子法（主成分分析法、主因子分析法）。 5、发现因素和因素装货。 因素装货是相关系数在可变物(列在表里)和因素(专栏之间在表里)。 6、确定提取因子的个数（以 Kaiser 准则和 Scree 测试作为提取因子数目的准则）。 7、解释提取的因子（例如，在上述例子中即解释为“潜在因子”和“流程因子”）。 编辑探索性因子分析法的优点 1、EFA 法便于操作。 2、当调查问卷含有很多问题时，EFA 法显得非常有用。 3、EFA 法既是其他因子分析工具的基础（如计算因子得分的回归分析），也方便与其他工具结合使
5、用（如验证性因子分析法）。 编辑探索性因子分析法的缺点 1、变量必须有区间尺度。 2、沉降数值至少要要变量总量的 3 倍。 编辑探索性因子分析法的假定 对于主因子分析法来说，不存在异常值、等距值、线形值、多变量常态分配以及正交性等情况。 编辑EFA 在教育、心理领域存在的问题及建议 11.样本容量、观测变量数目不够 很多应用探索性因子分析的研究中,普遍存在的一个问题就是样本容量及观测变量数目太小。探索性因子分析中,一般要求样本容量至少为 100-200,当变量的公共方差较大时,则一定数目的小样本也能确保因子负载的稳定性。国内学者曾做过一项调查,结果表明:1991-2000 年国内两种心理学期刊
6、发表的运用因子分析的文章中,有近 10%的文章研究样本小于 100,甚至有多达 50%的文章没有提供这一信息。而对于观测变量的数目,一般认为,观测变量与所提取的因子数目之比至少为 4。很多研究者认为观测变量的数目并不与被提取的因子数目相关联,因为研究者事先并不知道会有多少个因子被提取出来,因此,无法依据被提取的因子个数对观测变量的数目进行安排,但是,实际上很多研究者在因子分析前对所探讨的观测变量的因子结构已有了一定的预期。教育、心理领域中,存在着相当数量的研究并未达到这些标准。这或许是由于研究者对因子分析的要旨理解不深,但更有可能的是研究者对这类方法的细节重视不够。 2.因子提取方法的误用 探
7、索性因子分析中最常用的提取因子的方法主要有两种:主成分分析法和主轴因子法。决定选用何种方法时,一般有两点值得考虑:一是因子分析的目的;二是对变量方差的了解程度。如果因子分析的目的是用最少的因子最大程度解释原始数据的方差,则应用主成分分析法;若因子分析的主要目的是确定数据结构,则适合用主轴因子法。 实际上,虽然研究者大多认为主成分分析法和主轴因子法的结果差别不大,但是 Widman 提出,主轴因子法使用复相关系数的平方作为公共方差的初始估计值,通过不断重复,最后得到确定的公共方差的值,所以,这一过程比起主成分分析法,因子负载就更准确。因此,他建议研究者最好使用主轴因子法而不是主成分分析法。但实际
8、研究中,研究者大量使用的是主成分分析法,导致这一结果的最直接可能就是 SPSS 软件的缺省设置即为主成分分析法。 3.因子数目的确定标准及因子旋转中存在的问题 心理领域中,研究者运用的确定因子数目的标准大多是 Kaiser 法,即特征值1.0 的标准。SPSS 中,缺省的提取因子方法就是 Kaiser 法,但实际这一标准仅仅适用于主成分分析法。Fabrigar 等人提出,特征值1.0 的标准通常会导致提取过多的因子。当因子提取过多时,因子的重要性就值得怀疑了。例如,假设有这样的案例,分别从 5 个变量和 10 个变量中提取因子,在 5 个变量的情况下,特征值为 1.0 的因子将解释变量总方差的
9、 20%(1/5,每个变量的方差估计为 1,总方差即为 5);相应地,在 10 个变量的情况下,同样特征值为 1.0 的因子只能解释总体方差的 10%(1/10),显然,当从大量变量中提取因子时,使用这样的标准将导致所提取的因子只能解释总方差很小的一部分。而碎石检验准则的主观性太强,并且,在有些情况下,因子的特征值并没有临界点,因为因子特征值是以一种线性的方式逐渐下降的,所以这种情况是可能存在的,例如双重负荷现象,因此,这种方法并没有太强的使用价值。一般推荐使用 Reise 等人的平行分析方法来确定因子的数目。这种标准比起碎石检验标准来说,减少了研究者主观因素的影响,结果也更客观、真实、有效。
10、 虽然正交旋转能容易地解释和表示因子分析的结果,但由于其规定因子间不相关,因此正交旋转的结果往往并不符合实际。建议在探索性因子分析中使用斜交旋转法,它既能很容易地解释因子,同时也确保了因子间的简单结构,更重要的是,允许因子间的相关也更符合现实。例如,在探索性因子分析中提取出了家庭受教育水平和家庭经济收入这两个因子,如果勉强进行正交旋转,忽视两因子间的相关,必然会对结果造成很大的影响,实际上这两个因子都属于家庭社会经济地位的范畴,具有很高的相关,因此,进行斜交旋转,允许两因子间的相关,这样得到的结果才更有说服力。实际研究中,研究者更多地还是采用了正交旋转的方法,1991-2000 年国内两种心理
11、学期刊发表的运用因子分析的文章中,高达 60%的文章使用正交旋转,而斜交旋转只占到了 6%。 4.因子值缺乏重复验证性 心理、教育领域中,研究者求解因子值时,绝大多数依赖的是 SPSS,而该软件所提供的求解因子值的方法最后求得的因子值是以一种加权的方式获得的,这就使得这些因子值只适用于特定的样本,缺乏重复验证性。 为了克服这一缺陷,研究者建议使用一种简单的非加权的方法,该方法首先鉴别出在某一因子上有较高负载的变量,然后将这些负载的值相加,从而得到能反映该因子的一种特定的因子值。使用这种方法研究者将失去变量在因子上的负载信息,但是,这样得到的因子值与 SPSS 提供的各种权重的因子值具有较高相关
12、,因此,使用这种简单的策略获得的因子值是很有意义的,它能克服缺乏重复验证的缺陷。 当然,因子值本身实质上还是一种观测变量,存在一定的随机误差,可以使用潜变量模型的方法来消除这些随机误差。 5.研究结果的呈现形式不规范 因子分析结果的呈现中,哪些信息需要研究者明确提供都有一定的规定,但教育、心理领域的应用中,很少有研究者能提供完整的信息。作为因子分析的基础,相关矩阵是最根本的,研究者必须提供,否则,研究结果就缺乏重复验证的可能;另外,旋转前后因子所解释的方差、因子负载矩阵等信息也必须提供。 6.过于依赖 SPSS,缺乏主动性 近年来因子分析应用中存在的最大的问题就是研究者过于依赖 SPSS 软件
13、,往往是电脑控制人脑,研究者丧失了主动性。前面所讨论的因子分析实际应用中存在的一些主要问题,很大一部分是由 SPSS 本身所导致的。研究者进行因子分析时,大多脱离自己的实际研究,盲目地采用 SPSS 的各种缺省设置,最后导致获得的研究结果缺乏可信性,不符合实际研究的需要。例如,在连续性或非连续性(如二分类)变量的因子分析中,研究者应选择适当的分析方法,不能无视观测变量的类型,做统一的处理。对于由连续变量和非连续变量所组成的混合变量,研究者建议使用 Tobit 模型;分类顺序变量则应该采用最大似然法( Maximum Likelihood)或加权最小二乘法(Weighted Least Squares)。为了克服这种依赖性,有些研究者提出了采用其它的一些统计方法,逼迫研究者在进行统计分析时进行更多的思考,如 CEFA 软件。 总之,实际研究中,研究者应根据各种情况,选用适合的统计策略,尽量克服各种可能存在的问题,避免人脑受电脑的控制;另外,研究者自身加强统计知识的学习对于因子分析的正确运用也显得至关重要。
