探索性因子分析法.pdfVIP

探索性因子分析法--第1页

探索性因子分析法(ExploratoryFactorAnalysis，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能够将具有错综复杂

关系的变量综合为少数几个核心因子。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。

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、发现因素和因素载荷。因素载荷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。

折叠编辑本段特点

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用(如验证性因子分析法)。

探索性因子分析法的缺点

探索性因子分析法--第1页

探索性因子分析法--第2页

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。

折叠编辑本段差异

探索性因子分析和验证性因子分析的差异之处

1.基本思想不同

因子分析的基本思想是要寻找公共因子，以达到降维的目的。探索性因子分

析主要是为了找出影响观测变量的因子个数，以及各个因子和各个观测变量之间

的相关程度，以试图揭示一套相对比较大的变量的内在结构。研究者的假定是每

个指标变量都与某个因子匹配，而且只能通过因子载荷凭知觉推断数据的因子结

构。而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能

力，以试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预

期一致。指标变量是基于先验理论选出的，而因子分析是用来看它们是否如预期

的一样。其先验假设是每个因子都与一个具体的指示变量子集对应，并且至少要

求预先假设模型中因子的数目，但有时也预期哪些变量依赖哪个因子。

2.应用前提不同探索性因子分析没有先验信息，而验证性因子分析有先验信

息。探索性因子分析是在事先不知道影响因子的基础上，完全依据样本数据，利

用统计软件以一定的原则进行因子分析，最后得出因子的过程。

在进行探索性因子分析之前，不必知道要用几个因子，以及各因子和观测变

量之间的关系。在进行探索性因子分析时，由于没有先验理论，只能通过因子载

荷凭知觉推断数据的因子结构。上述数学模型中的公共因子数m在分析前并未

i

确定，而是在分析过程中视中间结果而决定，各个公共因子ξ统一地规定为均影

响每个观测变量xi。在管理研究中，如仅仅从数据出发，很难得到科学的结果，

探索性因子分析法--第2页

探索性因子分析法--第3页

甚至可能与已有的理论或经验相悖。因此，探索性因子分析更适合于在没有理论

支持