因子分析的方差最大旋转效果评估.docxVIP

因子分析的方差最大旋转效果评估

一、引言

在社会科学、心理学、经济学等领域的量化研究中，因子分析作为一种重要的降维技术，常被用于探索观测变量背后的潜在结构。然而，初始因子解往往因因子载荷分布分散、难以对应具体理论概念而缺乏实际解释价值。此时，旋转技术成为关键——通过对因子轴进行几何变换，使因子载荷矩阵更符合“简单结构”假设（Thurstone,1947），从而提升因子的可解释性。在众多旋转方法中，方差最大旋转（VarimaxRotation）因其操作简便、效果稳定的特点，成为应用最广泛的正交旋转方法。但实践中，研究者常面临“旋转后效果如何评估”“哪些因素会影响旋转效果”等问题。本文围绕方差最大旋转的效果评估展开，系统探讨其原理、评估维度、影响因素及实证验证，旨在为研究者提供科学的应用指导。

二、方差最大旋转的原理与应用逻辑

（一）因子分析与旋转技术的核心目标

因子分析的本质是通过少数潜在公共因子解释多个观测变量间的协方差关系。初始因子解（如主成分法提取的因子）虽能最大化方差解释率，却可能因因子轴方向的随意性，导致载荷矩阵呈现“模糊结构”——同一变量在多个因子上的载荷均较高，或同一因子包含性质迥异的变量（Gorsuch,1983）。例如，在消费者行为研究中，初始因子可能同时包含“价格敏感度”和“品牌忠诚度”的混合载荷，无法对应具体的消费心理维度。此时，旋转技术通过调整因子轴的方向（正交旋转保持因子间不相关，斜交旋转允许相关），使因子载荷向0或1两极分化，最终逼近“简单结构”：每个变量仅在一个因子上有显著载荷，每个因子仅包含少数高度相关的变量（Thurstone,1947）。

（二）方差最大旋转的数学逻辑与操作特征

方差最大旋转是正交旋转的典型代表，其核心目标是最大化各因子载荷平方的方差。具体而言，对于每个因子，计算该因子下所有变量载荷平方的方差，然后将所有因子的方差求和并最大化。这一操作的直观效果是：迫使每个因子上的载荷要么接近1（高载荷变量）、要么接近0（低载荷变量），从而形成清晰的“载荷峰”（Field,2013）。例如，若某因子在旋转后仅包含3个变量的载荷高于0.7，其余变量载荷低于0.3，则该因子的意义可基于这3个变量明确界定。与其他正交旋转方法（如quartimax、equamax）相比，方差最大旋转更关注单个因子的结构清晰度，而非全局或变量的平衡，因此在需要突出因子独特性的研究中更具优势（TabachnickFidell,2019）。

三、效果评估的关键维度与指标

（一）因子结构清晰度：载荷矩阵的稀疏性与集中性

因子结构清晰度是评估旋转效果的核心维度，直接反映因子与变量间的对应关系是否明确。具体可通过以下指标衡量：

其一，高载荷变量比例。理想情况下，每个变量应仅在一个因子上有高载荷（通常定义为绝对值≥0.7），在其他因子上载荷≤0.3（Hairetal.,2010）。若80%以上的变量满足这一条件，则说明结构清晰度良好；若存在大量变量在两个或多个因子上载荷接近0.5，则可能需要重新考虑因子数量或旋转方法。

其二，载荷矩阵的稀疏性。通过计算“简单结构系数”（如每个因子上高载荷变量的数量占比），可量化因子的“纯粹性”。例如，若一个因子仅包含4个高载荷变量，且这些变量在理论上高度相关（如“数学成绩”“物理成绩”“逻辑推理”），则该因子可被定义为“数理能力因子”。

（二）因子解释力：公共因子方差与特征值的稳定性

旋转不改变公共因子方差（即变量被因子解释的总方差）的总和，但可能影响单个因子的特征值（即该因子解释的方差比例）。评估时需关注两点：

一方面，公共因子方差的保持性。若旋转后多数变量的公共因子方差较旋转前下降超过0.1，则可能说明旋转过程破坏了变量与因子的本质关联，需检查数据质量或旋转参数（如是否错误设定了因子数量）（CostelloOsborne,2005）。

另一方面，特征值的合理性。方差最大旋转可能使初始因子的特征值重新分配——原高特征值因子的方差解释率可能下降，而低特征值因子的解释率上升，但总和应保持不变。若出现某个因子特征值骤降（如从3.2降至1.1），需结合理论判断是否因过度旋转导致因子意义失真。

（三）信效度关联：与测量工具质量的协同验证

旋转效果需与测量工具的信效度指标协同验证，以确保因子结构的实际意义。例如，在心理学量表开发中，若旋转后形成的因子与理论假设的维度（如“外向性”“神经质”）高度一致，且每个因子对应的题项内部一致性信度（Cronbach’sα）≥0.7，则说明旋转效果良好（DeVellis,2017）。反之，若因子结构与理论预期偏差较大，或信度指标显著下降，则可能是旋转过程放大了数据中的随机误差，需重新审视研究设计。

四、影响旋转效果的主要因素分析

（一）数