因子分析中正交旋转与斜交旋转的效果对比.docxVIP

因子分析中正交旋转与斜交旋转的效果对比

引言

在社会科学、心理学、经济学等领域的数据分析中，因子分析是一种常用的降维技术。其核心目标是通过挖掘变量间的潜在关联，将大量观测变量浓缩为少数几个具有解释力的公共因子，从而简化数据结构、揭示内在规律。然而，因子分析的初始解往往存在“因子意义不明确”的问题——公共因子与观测变量的关联（即因子载荷）可能分散在多个因子上，导致研究者难以准确命名和解释因子。此时，旋转操作便成为关键环节：通过对因子轴进行几何变换，调整因子载荷的分布模式，使结果更符合实际解释需求。

在因子旋转方法中，正交旋转与斜交旋转是最主流的两类技术。二者的根本差异在于对因子间关系的假设：正交旋转要求因子轴保持垂直（即因子间不相关），而斜交旋转允许因子轴形成任意角度（即因子间可能相关）。这种差异直接影响因子结构的清晰性、因子关系的真实性以及结果的实际应用价值。本文将围绕二者的原理、特点及效果差异展开系统对比，为研究者在实际操作中选择合适的旋转方法提供参考。

一、因子分析与旋转操作的基本逻辑

（一）因子分析的核心目标与初始解的局限性

因子分析的基本思想是“用尽可能少的公共因子解释尽可能多的变量方差”。假设我们有一组观测变量(X_1,X_2,…,X_p)，可以将其表示为(X_i=a_{i1}F_1+a_{i2}F_2+…+a_{im}F_m+i)，其中(F_1,F_2,…,F_m)是公共因子，(a{ij})是因子载荷（表示变量(X_i)与因子(F_j)的关联强度），(_i)是特殊因子（仅解释(X_i)的独特方差）。初始因子解通过主成分分析或极大似然法等方法计算得出，但此时的因子载荷矩阵可能呈现“载荷分散”的特征：一个变量可能在多个因子上有中等强度的载荷，而一个因子也可能与多个变量存在弱关联。这种情况下，研究者难以判断每个因子具体代表什么含义（例如，是“数学能力”还是“逻辑推理能力”），导致因子命名和解释陷入困境。

（二）旋转操作的本质与作用

旋转操作的本质是对因子轴进行坐标变换，通过调整因子的方向，改变因子载荷的分布模式。形象地说，初始因子轴的位置是“随机”确定的（如同在二维平面上随意画两条垂直的线），而旋转相当于“转动”这两条线，找到更符合实际数据结构的位置。其核心作用是“强化高载荷、弱化低载荷”——让每个变量尽可能只在一个因子上有高载荷（称为“简单结构”），而在其他因子上的载荷趋近于0。这样一来，因子与变量的对应关系会更清晰，研究者可以根据高载荷变量的共同属性为因子命名（例如，若“数学成绩”“物理成绩”“逻辑题得分”在一个因子上载荷很高，可命名为“数理逻辑因子”）。

二、正交旋转与斜交旋转的原理与特点

（一）正交旋转：假设因子独立的“严格约束”

正交旋转的核心假设是“公共因子之间不相关”，即因子轴在几何空间中保持90度垂直。这种约束源于传统统计方法中“变量独立”的经典假设，同时也使得后续分析（如回归分析）更为简便——独立的因子无需考虑协方差的影响。

在具体方法中，最常用的正交旋转是“方差最大旋转”（Varimax）。其原理是最大化各因子载荷的方差：对于每个因子，让高载荷尽可能高、低载荷尽可能低，最终形成“两极分化”的载荷分布。例如，若某个因子在旋转后，变量A的载荷为0.8（高载荷）、变量B的载荷为0.1（低载荷），变量C的载荷为0.7（高载荷），而其他变量的载荷均低于0.3，则可以认为该因子主要由变量A和C定义。另一种常见的正交旋转是“四次方最大旋转”（Quartimax），其目标是最大化所有变量在各因子上载荷的四次方之和，更关注让每个变量只在少数因子上有高载荷，适合变量数量较多的场景。

正交旋转的特点可以概括为“简洁性”与“约束性”并存。一方面，因子间独立的假设使得结果易于解释和应用，尤其在理论模型明确要求因子独立时（如某些心理量表的维度划分），正交旋转是更稳妥的选择；另一方面，这种严格的独立性假设可能与现实数据的真实结构不符——例如，在教育领域，“语言能力”和“逻辑能力”两个因子往往存在一定相关性，强行假设其独立可能扭曲因子间的真实关系。

（二）斜交旋转：允许因子相关的“灵活开放”

斜交旋转突破了因子独立的约束，允许因子轴在几何空间中形成任意角度（即因子间可以相关）。其核心逻辑是：现实中的变量关系往往复杂，公共因子作为变量的抽象表征，也可能存在内在关联。例如，在消费者行为研究中，“价格敏感度”和“品牌忠诚度”两个因子可能同时受到“消费观念”的影响，从而呈现一定的正相关。此时，斜交旋转能更真实地反映这种关联。

斜交旋转的实现方法主要有两类：一类是“直接斜交旋转”（如Oblimin旋转），通过调整一个“斜度参数”控制因子间的相关程度（参数为