探索性因子分析结果解读：KMO检验、因子载荷与旋转.docxVIP

探索性因子分析结果解读

一、方法概述

探索性因子分析(ExploratoryFactorAnalysis,EFA)是一种多变量降维统计方法,其核心目标是从大量观测变量中提取少数不可观测的潜在公共因子,以简化数据结构并揭示变量之间的内在关联机制。该方法基于这样的假设:观测变量之间的相关性可以由若干个潜在的公共因子来解释,每个因子代表一种潜在的维度或构念。EFA在心理学量表开发、市场调研、社会科学等领域被广泛用于量表结构验证、维度划分和综合评价权重确定。本研究借助SPSSAU软件平台,对12个观测变量进行探索性因子分析,采用主成分提取法和最大方差旋转法(Varimax),以识别数据中潜在的因子结构并计算各变量的因子权重。

在SPSSAU【进阶方法】模块选择【探索性因子】，将变量拖拽至右侧对应分析框，操作如下图：

二、因子分析适用性检验

表1报告了因子分析的适用性检验结果。KMO(Kaiser-Meyer-Olkin)值为0.783,大于0.7的经验标准,表明变量间的偏相关性较弱,共享方差充足,数据适合进行因子分析。Bartlett球形检验的近似卡方值为860.366(自由度为66),p值为0.000,远小于0.001的显著性水平,有力地拒绝了相关矩阵为单位阵的原假设,说明12个观测变量之间确实存在显著的相关性,具有可提取的公共因子结构。两项检验结果共同表明,当前数据满足因子分析的