---|-----|-----|
| 目的 | 探索因子结构 | 验证预设模型 |
| 因子数量 | 数据驱动 | 理论驱动 |
| 因子载荷 | 自由估计 | 约束估计 |
| 模型拟合 | 无 | 有拟合指标 |
| 应用阶段 | 量表开发早期 | 量表验证阶段 |
分析流程
步骤1: 数据准备
├── 样本量检查 (N ≥ 5k, 推荐 N ≥ 10k)
├── 缺失值处理
└── 异常值检测
↓
步骤2: 适用性检验
├── KMO检验 (≥ 0.60)
├── Bartlett球形检验 (p < .05)
└── 相关矩阵检验
↓
步骤3: 因子数确定
├── 特征值 > 1 (Kaiser准则)
├── 碎石图
├── 平行分析
└── 理论考量
↓
步骤4: 因子提取
├── 主成分分析 (PCA)
├── 主轴因子法 (PAF)
├── 最大似然法 (ML)
└── alpha因子分析
↓
步骤5: 因子旋转
├── 正交旋转 (Varimax, Quartimax)
├── 斜交旋转 (Promax, Oblimin)
└── 旋转选择依据
↓
步骤6: 结果解释
├── 因子载荷解释
├── 共同度检验
├── 因子命名
└── 内部一致性检验
↓
步骤7: 报告撰写
因子提取方法
| 方法 |
适用场景 |
特点 |
| PCA |
数据降维 |
提取总方差 |
| PAF |
共同因素分析 |
提取共同方差 |
| ML |
正态分布数据 |
可做统计检验 |
| Alpha |
信度优化 |
最大化alpha系数 |
| Image |
小样本 |
减少偏差 |
因子旋转策略
正交旋转
- Varimax: 简化载荷，最常用
- Quartimax: 简化因子
- Equamax: 折中方案
斜交旋转
- Promax: 快速斜交
- Oblimin: 灵活斜交
- Geomin: 适合复杂结构
选择依据
因子间相关理论预期?
├── 是 → 斜交旋转
└── 否 → 正交旋转
研究目的?
├── 数据简化 → PCA + Varimax
├── 构念开发 → PAF + Oblimin
└── 理论验证 → CFA
拟合指标(CFA)
| 指标 |
可接受 |
良好 |
说明 |
| χ²/df |
< 5 |
< 3 |
受样本量影响大 |
| CFI |
≥ 0.90 |
≥ 0.95 |
比较拟合指数 |
| TLI |
≥ 0.90 |
≥ 0.95 |
Tucker-Lewis指数 |
| RMSEA |
≤ 0.08 |
≤ 0.06 |
近似误差均方根 |
| SRMR |
≤ 0.10 |
≤ 0.08 |
标准化残差均方根 |
信效度评估
信度
| 指标 |
公式 |
可接受值 |
| Cronbach's α |
α = kr/(1+(k-1)r̄) |
≥ 0.70 |
| 组合信度(CR) |
CR = (Σλ)²/[(Σλ)²+Σ(1-λ²)] |
≥ 0.70 |
| AVE |
AVE = Σλ²/k |
≥ 0.50 |
效度
- 内容效度: 专家评审
- 收敛效度: AVE ≥ 0.50, 载荷 ≥ 0.50
- 区分效度: √AVE > 因子间相关
使用示例
用户: 分析这个问卷的因子结构
AI: 我将进行探索性因子分析：
## 适用性检验
- KMO = 0.85 (良好)
- Bartlett χ² = 1234.56, p < .001 (适合)
## 因子数确定
- 特征值 > 1: 3个因子
- 平行分析: 建议3个因子
- 碎石图: 转折点在第4个因子
## 因子提取与旋转
采用主轴因子法 + Oblimin斜交旋转
## 结果
因子1 (解释方差32%): 项目1, 2, 3 → 命名为"工作满意度"
因子2 (解释方差24%): 项目4, 5, 6 → 命名为"组织承诺"
因子3 (解释方差18%): 项目7, 8 → 命名为"离职倾向"
## 信度检验
α₁ = 0.87, α₂ = 0.82, α₃ = 0.79 (均可接受)
🚫 绝对禁止原则
使用前必读：以下原则是不可逾越的红线，违反将导致因子分析结论失效。
- 禁止适用性不足仍强行分析 — KMO < 0.60 或 Bartlett检验不显著(p > .05)时继续进行因子分析，导致因子结构不可靠
- 禁止预设不合理的因子数 — 盲目使用Kaiser准则（特征值>1）而不结合碎石图和平行分析，导致过度或不足提取
- 禁止忽视因子载荷解释标准 — 将载荷<0.40的条目纳入因子，或不报告共同度而直接解释因子
- 禁止混淆EFA与CFA — 将探索性因子分析的结果直接当作验证性结论，忽略两种方法的本质区别
- 禁止忽视旋转选择的理论依据 — 因子间理论上相关却使用正交旋转（Varimax），或反之
- 禁止跳过信效度完整评估 — 仅报告因子载荷，不检验Cronbach's α、组合信度(CR)、收敛效度(AVE)、区分效度
✅ 质量标准
完整性
- 必做项清单完成度 ≥ 90%
- 适用性检验报告完整（KMO、Bartlett）
- 因子提取与旋转有据可查
方法论
- 理论框架与数据一致性 ≥ 90%
- 因子数确定有多种方法交叉验证
- 分析步骤可复现性高
深度
- 核心维度覆盖 ≥ 80%
- 信效度完整评估（α、CR、AVE、√AVE）
- 结果解释有理论支撑
🖥️ Python 工具
工具链
| # |
工具名称 |
功能描述 |
| 1 |
efa_analyzer.py |
探索性因子分析，支持主成分分析、主轴因子法、KMO检验、Bartlett检验、平行分析 |
| 2 |
rotation_selector.py |
旋转策略选择，支持Varimax/Promax/Oblimin正交与斜交旋转 |
| 3 |
cfa_validator.py |
验证性因子分析，支持拟合指标计算（χ²/df、CFI、TLI、RMSEA、SRMR） |
| 4 |
reliability_calculator.py |
信效度计算，支持Cronbach's α、组合信度(CR)、AVE、区分效度检验 |
CLI用法
python tools/efa_analyzer.py --input data.csv --method paf --rotation oblimin --output factors.json
python tools/cfa_validator.py --input model.json --data data.csv --output fit_indices.json
python tools/reliability_calculator.py --input coded_data.csv --output reliability.json
参考文献
- Tabachnick, B.G., & Fidell, L.S. (2019). Using Multivariate Statistics. 7th ed.
- Hair, J.F., et al. (2019). Multivariate Data Analysis. 8th ed.
- Brown, T.A. (2015). Confirmatory Factor Analysis for Applied Research. 2nd ed.
- Fabrigar, L.R., et al. (1999). Evaluating the use of EFA. Psychological Methods, 4, 272-299.
技能版本: 5.0.0
方法论标准: Tabachnick & Fidell (2019)
创建时间: 2026-03-15
ptreezh