因子分析中旋转方法对结果解释的影响.docxVIP

因子分析中旋转方法对结果解释的影响

一、引言：因子分析的解释困境与旋转方法的价值起源

因子分析是社会科学、心理学、教育学、市场调研等领域应用最为广泛的多元统计方法之一，核心目标是从大量存在关联的观测变量中，提炼出少数能够解释变量间共变关系的潜在公因子，实现数据降维与构念识别的双重目标。在因子分析的完整流程中，多数研究者会将注意力集中在变量筛选、因子数量提取、信效度检验等环节，却常常将因子旋转视为无足轻重的默认操作步骤，甚至有初学者误以为旋转是对原始数据的人为调整，会损害结果的客观性。但从因子方法的发展历程来看，旋转方法从诞生之初就是为了解决初始公因子解的解释困境而存在的：在对公因子进行初步提取时，算法遵循方差最大化的先后顺序，第一个公因子会尽可能解释所有观测变量的方差，往往形成一个所有变量载荷都处于中等水平的“通用因子”，后续公因子的解释力依次递减，载荷分布零散杂乱，研究者很难将这些因子与具体的理论构念对应起来，更无法赋予因子清晰的现实内涵（瑟斯顿，1947）。

有学者曾用一个非常通俗的比喻解释初始因子解的局限：这就像游客站在一个摆放了多座雕塑的展台前，初始的站立角度恰好让每座雕塑的部分轮廓都重叠在视野里，游客能看到一堆形状的组合，却分不清每座雕塑具体长什么样子；而因子旋转的过程，就像是在不改变雕塑本身位置、不改变展台所有雕塑总轮廓的前提下，慢慢转动展台，直到每个角度都能清晰看到一