因子分析中Varimax旋转与Promax旋转的差异.docxVIP

因子分析中Varimax旋转与Promax旋转的差异

引言

在心理学、社会学、经济学等领域的量化研究中，因子分析是一种常用的降维技术，其核心目标是通过少数几个潜在因子（公因子）解释观测变量的协方差结构。然而，初始提取的因子通常缺乏明确的实际意义——变量在多个因子上的载荷可能相近，导致研究者难以对因子进行清晰命名和解释。此时，因子旋转技术便成为关键：它通过对因子轴进行几何变换，在保持因子对原始变量解释力不变的前提下，调整因子载荷的分布，使结果更符合实际意义。

在众多旋转方法中，Varimax旋转（方差最大旋转）和Promax旋转（斜交旋转）是应用最广泛的两类代表。前者属于正交旋转家族，后者则是斜交旋转的典型。二者在理论基础、操作逻辑、结果特征及适用场景上存在显著差异。本文将围绕这两种旋转方法的核心差异展开系统论述，帮助研究者更科学地选择旋转策略。

一、理论基础与假设前提的差异

因子旋转的本质是对因子空间进行坐标变换。不同旋转方法的差异，首先源于对因子间关系的基本假设和数学目标的不同。

（一）Varimax旋转：基于正交性的“简化”逻辑

Varimax旋转由美国统计学家亨利·凯泽（HenryKaiser）于1958年提出，是正交旋转中最经典的方法。其理论基础可概括为两点：

第一，因子间正交假设。正交意味着因子轴在几何空间中相互垂直（夹角90度），数学上表现为因子间的相关系数为0。这一假设隐含了“潜在因子彼此独立”的前提——例如，在智力测验中，若假设语言能力与逻辑推理能力是独立的潜在特质，便可用正交旋转。

第二，最大化变量在单因子上的载荷方差。Varimax的数学目标是“使每个因子上变量载荷的平方的方差最大化”。通俗理解，就是让每个变量尽可能在一个因子上有高载荷（接近1或-1），在其他因子上的载荷尽可能低（接近0）。这种“集中化”分布能显著简化因子结构，使每个因子对应一组高度相关的变量，便于研究者识别因子的实际意义。

（二）Promax旋转：基于斜交性的“现实”取向

Promax旋转由统计学家亨德里克森（Hendrickson）和怀特（White）于1964年提出，属于斜交旋转（ObliqueRotation）的范畴。其理论基础与Varimax形成鲜明对比：

第一，因子间可相关假设。斜交旋转允许因子轴在空间中任意角度相交（夹角非90度），数学上表现为因子间相关系数不为0。这一假设更贴近现实研究场景——例如，在员工绩效评价中，“沟通能力”与“团队协作能力”往往存在正相关，若强制假设二者独立，可能扭曲真实关系。

第二，在正交解基础上的斜交化调整。Promax的操作逻辑是“先正交后斜交”：首先对初始因子进行Varimax正交旋转，得到简化的正交因子结构；随后通过幂转换（通常取幂次k=2或4）对因子载荷矩阵进行调整，使因子间产生相关性。这种“两步走”策略既保留了正交旋转简化因子结构的优势，又通过引入因子间相关增强了模型的现实解释力。

（三）假设差异的本质：对“因子独立性”的不同立场

Varimax与Promax的根本分歧在于对“因子是否独立”的判断。正交旋转（如Varimax）坚持因子独立的理想假设，适用于理论明确要求因子无关联的场景；而斜交旋转（如Promax）则承认因子可能存在现实关联，更适合探索性研究或理论尚未明确的领域。这种假设差异直接影响后续操作步骤、结果解读及应用场景的选择。

二、操作过程与数学逻辑的差异

旋转方法的具体操作步骤是理论假设的直接体现。Varimax与Promax在操作流程、优化目标及计算复杂度上存在显著差异。

（一）Varimax的“单向优化”过程

Varimax的操作可概括为“单目标、迭代优化”。其核心步骤如下：

构建目标函数：计算每个因子上变量载荷平方的方差，目标是使所有因子的方差之和最大化。例如，若有3个因子，需分别计算因子1、因子2、因子3的载荷平方方差，然后求和作为总目标。

迭代调整因子轴：通过数学变换（如雅可比旋转）调整因子轴的角度，每次调整后重新计算目标函数值，直到无法进一步增大（达到局部最大值）。这一过程类似于“寻找最佳拍照角度”——不断微调相机位置，直到画面中主体最突出、背景最模糊。

终止条件：当两次迭代间的目标函数值变化小于设定阈值（如0.0001）时，停止迭代，输出最终的因子载荷矩阵。

由于目标函数明确（最大化方差）、数学推导成熟，Varimax的计算过程相对稳定，通常在较少迭代次数内即可收敛。

（二）Promax的“两步斜交化”过程

Promax的操作更复杂，需经历“正交预旋转+斜交调整”两个阶段：

第一步：正交预旋转。先对初始因子进行Varimax旋转，得到简化的正交因子结构（记为矩阵(L)）。这一步的目的是利用Varimax的简化优势，避免直接处理原始因子的复杂载荷分布。

第二