因子分析的旋转方法选择.docxVIP

因子分析的旋转方法选择

引言

在社会科学、心理学、经济学等领域的实证研究中，因子分析作为一种重要的降维技术，被广泛用于揭示观测变量背后的潜在结构。然而，因子分析的初始解（未旋转的因子载荷矩阵）往往因因子意义模糊、载荷分布分散而难以直接解释。此时，因子旋转成为关键步骤——通过对因子轴进行几何变换，使载荷矩阵的结构更简洁、因子含义更清晰。但面对方差最大旋转、四次最大旋转、Promax旋转等十余种旋转方法，研究者常陷入“选择困境”：不同方法的适用场景是什么？如何根据研究目标和数据特征做出合理选择？这些问题直接影响因子分析结果的可靠性与解释力。本文将围绕因子旋转的理论基础、主流方法的技术特征及选择策略展开系统探讨，为实证研究中的方法选择提供参考。

一、因子旋转的理论基础与核心目标

因子分析的本质是通过线性变换将原始变量表示为少数公共因子的线性组合，其数学模型可简化为：每个变量是公共因子的加权和加上独特因子。初始因子解虽满足数学上的最优（如最大方差解释率），但因子载荷的分布可能不符合“简单结构”假设——即每个变量应仅在少数因子上有高载荷，多数因子上载荷接近零（Thurstone，1947）。这种情况下，因子的实际含义难以界定，例如可能出现“混合因子”（一个因子同时载荷多个不相关变量）或“分散因子”（多个变量在同一因子上的载荷差异小）。

因子旋转正是通过调整因子轴的位置（正交或斜交旋转），使载