原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
探索性因子分析是社会科学、管理学、心理学等领域中常用的数据降维与结构探测方法。其核心目标之一，就是从一组观测变量中提取出少数几个潜在的“因子”，以简化数据结构、揭示变量间的内在关联。而确定因子的数量，是因子分析中至关重要的一步，选多或选少都会影响结果的解释效度。
本文将以一份实际的SPSSAU输出结果为例，系统介绍五种常用的因子数量确定方法，并附上清晰的流程图与解读，帮助你彻底理解这一关键环节。
一、什么是探索性因子分析？
探索性因子分析旨在识别观测变量背后的潜在结构，通过“因子”来表示变量之间的共同方差。我们通常希望用尽可能少的因子，解释尽可能多的原始信息。而“因子数量”的确定，既依赖统计指标，也离不开研究者的理论洞察。
下面我们用一个综合流程图来概括因子数量判断的整体过程：
流程图解读：确定因子数量是一个多步骤、多依据的综合过程。我们首先需要检验数据是否适合做因子分析（KMO与Bartlett检验），通过后，再依次运用特征根大于1准则、方差解释率、碎石图等统计工具进行初步判断，最后必须结合理论知识和因子载荷矩阵的实际含义进行微调，才能确定最终的因子数量。
二、数据基础与适用性检验
在进行因子数量判断之前，必须确保数据适合进行因子分析。我们使用SPSSAU对一组包含6个指标的铁路运输数据进行分析，输出结果如下：
KMO值为0.722，介于0.7～0.8之间，属于“比较适合”进行因子分析的范围，表明变量间存在足够的共性方差。Bartlett球形检验的p值小于0.001，强烈拒绝变量间独立的原假设，进一步支持因子分析的适用性。
三、确定因子数量的五种方法详解
方法一：特征根大于1准则
特征根反映了因子可解释的原始变量方差量。特征根大于1，意味着该因子能解释的信息超过单一原始变量，通常被保留。
从SPSSAU输出的“方差解释率表格”中，我们提取出以下关键信息：
分析解读：根据特征根大于1准则，前2个因子的特征根均大于1（分别为3.666和1.063），而第3个因子的特征根为0.632（1），因此应提取2个因子。这2个因子旋转后的累积方差解释率达到78.808%，意味着它们能解释原始数据近八成的变异，信息保留程度非常理想。
方法二：方差解释率法
方差解释率反映了每个因子对总方差的贡献程度。我们通常希望保留的因子能共同解释大部分方差（通常建议60%以上），但同时也要考虑因子的简洁性和可解释性。
从同一表格可见，提取2个因子时，累积方差解释率为78.808%，已远超一般研究的可接受标准。若提取3个因子，累积解释率虽增至89.344%，但第3个因子的特征根仅为0.632（1），且新增解释率（10.536%）主要来自统计噪音而非真实信息。从简洁性和可解释性原则出发，提取2个因子更为合适。
SPSSAU的优势体现：软件自动根据特征根大于1准则提取出2个因子，并在智能分析中明确提示“如果因子提取个数与预期不符，可在分析时主动设置因子个数”。这种灵活性让研究者既能依赖统计准则，又能融入专业判断。
方法三：碎石图检验
碎石图通过图示化方式展示特征根的下降趋势，以直观的形式辅助判断因子数量。我们通过另一个流程图来理解碎石图的判读逻辑：
SPSSAU输出碎石图如下：
在本次分析的碎石图中，第1个因子的特征根下降极为显著，第2个因子后曲线变得明显平缓。这个“拐点”位于第2个因子处，符合典型的碎石图判读标准。SPSSAU提供的碎石图可视化效果清晰，便于用户直观判断因子提取的合适数量。
方法四：因子载荷矩阵判读
确定因子数量后，还需检查“旋转后因子载荷系数矩阵”，确保每个因子都有若干题项在其上有较高载荷（通常0.5），且因子结构清晰、易于解释。
本次分析中，Varimax旋转后的因子载荷矩阵显示：
因子1：主要载荷在铁路货运总量(0.916)、铁路货物总周转量(0.809)、铁路营业里程(0.762)上，反映“货运能力与基础设施”维度。
因子2：主要载荷在铁路客运量(0.875)、铁路旅客周转量(0.866)上，反映“客运服务规模”维度。
交叉载荷情况：铁路运输职工人数在两个因子上均有中等载荷(0.589和0.616)，这符合实际情况——职工人数同时服务于客运和货运业务。
分析解读：两个因子的结构清晰，业务含义明确，所有变量的共同度均高于0.7，说明因子提取效果很好。如果提取3个因子，反而会导致因子结构碎片化，难以合理解释。
方法五：理论一致性原则
统计方法固然重要，但因子结构的最终确定必须结合研究理论和实际意义。即使统计指标支持提取更多因子，若新增因子无法从理论角度合理解释，也应谨慎考虑。
在本例中，铁路运输系统的经典理论通常区分客运和货运两大业务板块，这与提取出的2个因子高度吻合。从业务逻辑看：
因子1（货运能力与基础设施）：涵盖货运量、货物周转量、营业
文档评论（0）