探索性因子研究中统计方法比对探究.docVIP

探索性因子研究中统计方法比对探究 　　摘要： 本文以探索性因子分析中统计方法的选择为目标，针对在许多应用探索性因子分析的文献中存在的统计方法选择不当致使计算结果失真这一现象，对探索性因子分析中的15种统计方法进行了比对研究，并给出了建议。 Abstract： Taking the selection of statistical method in exploratory factor analysis as the target， and in view of the distortion of calculation result due to improper selection of statistical methods in many literature using exploratory factor analysis， comparison research is done to the 15 statistical methods and suggestions are presented. 关键词： 探索性因子分析；统计方法；比对研究 Key words： exploratory factor analysis；statistical methods；comparison research 中图分类号：C32 文献标识码：A 文章编号：1006-4311（2014）17-0274-03 0 引言 探索性因子分析（EFA）的形成和发展有相当长的历史，最早用以研究解决心理学和教育学方面的问题。1904年，英国心理学家Charles Spearman发表了一篇著名论文《对智力测验得分进行统计分析》，提出单一化的智能因子，被视为探索性因子分析的起点。1935年，瑞典心理学家Thurstone在他的《心智向量》一书中，阐述了多元因子分析理论的数学和逻辑基础，提出了多元因子分析理论。 探索性因子分析（EFA）的这种将多变量化简的技术，在统计软件（如SPSS或SAS统计软件）的辅助下，其应用领域从最初的心理学和教育学拓展至经济学、社会学、考古学、生物学、医学、地质学以及体育科学等各个领域，且都取得了非常显著的成绩，得到了十分广泛的应用。 但是，探索性因子分析（EFA）在应用过程中也存在着一定的问题，其中之一就是使用者们多数仅仅关心这一方法在实际应用中的讨论，而并不去探求其中的统计原理。他们多数会直接选择SPSS统计软件去计算结果，这种做法往往导致使用者仅仅依赖统计软件的缺省设计，从而失去了研究者的主动性，使得研究结果出现了偏差，而研究者本身并不自知。 在实际调查中发现，在应用探索性因子分析（EFA）的文献中，有超过90%以上的文献在因子分析的过程选择了因子提取的主成分分析法，因子旋转的最大方差法和计算因子得分的回归法，出现这一结果，并非完全是研究数据适合统计方法，而是因子分析的计算是借助SPSS软件来完成的，SPSS的缺省设计正是这三种方法，这样就使得因子分析的使用者们过分依赖统计软件，往往是电脑控制了人脑，不能合理、正确地使用这些方法，尚失了研究者的主动性，使得研究脱离了实际，导致研究结果缺乏可信度。 1 统计方法比对 探索性因子分析（EFA）需要经过因子提取、因子旋转和计算因子得分等几个主要步骤，其中因子提取有包括主成分分析法、未加权最小平方法、综合最小平方法、极大似然法、主轴因子分解法、Alpha法和映像因子分解法等7种方法；因子旋转的方法包括最大方差法、直接Oblimin法、最大四次方值法、最大平衡值法、Promax法等5种方法；计算因子得分的方法主要有回归法、Bartlett法和Anderson-Rubin法等3种方法。 1.1 因子提取方法比对 探索性因子分析中最常用的提取因子的方法是主成分分析法，该方法从样本协方差阵S出发，由的谱分解式 S=■λ■l■l■■ 其中λ■？叟λ■？叟…λp？叟0为S的特征值，l1，l2，…，lp为对应的单位正交特征向量，当最后p-m个特征值较小时，可将S近似地分解为 S≈■l■，■l■，…，■l■■l■■l■ ┆■l■+σ12 σ22 ？埙 σp2 =AA′+D。 从而得到因子载荷矩阵A。 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，那么则应用主成分分析法就是最佳选择，此方法用于形成原始变量的不相关的线性组合，其中第一个成分具有最大的方差，后面的成分对方差的解释的比例逐渐变小，它们相互之间均不相关。 另一个常用的提取因子的方法是主轴因子法，它是主成分分析法的一种修正，如果因子分析的主要目的是确定数据结构，则主轴因子法是比较适合的，该方法从样本约相关