因子分析中的旋转方法选择（方差最大vs斜交）.docxVIP

因子分析中的旋转方法选择（方差最大vs斜交）

一、引言

因子分析是社会科学、管理学、医学等领域应用极为广泛的统计方法，核心作用是从众多可观测变量中提炼出少数潜在的公共因子，实现数据降维与结构探索。在因子分析的完整流程中，因子旋转是连接初始因子提取与结果解释的关键环节——初始提取的因子载荷矩阵往往按照方差贡献大小排序，变量载荷分布分散，因子意义模糊，只有通过旋转调整因子轴的位置，才能得到易于解读的因子结构。当前应用研究中最常用的旋转方法是方差最大旋转与斜交旋转，二者分别对应正交旋转与斜交旋转两大类别，但很多研究者对二者的原理差异、适用场景认识不足，往往直接沿用统计软件的默认选项，导致研究结果出现偏差甚至错误。本文从因子旋转的核心逻辑出发，由浅入深解析两种旋转方法的原理与特征，结合理论、研究目的、数据特征等多个维度构建选择决策框架，同时梳理实际应用中的常见误区，为研究者合理选择旋转方法提供参考。

二、因子旋转的核心逻辑与分类基础

（一）因子旋转的缘起与核心目标

因子旋转的概念最早伴随着因子分析理论的发展而提出，其核心目标是实现“简单结构”，也就是通过调整因子轴的空间位置，让每个可观测变量尽可能只在一个因子上具有较高载荷，同时每个因子仅包含少数具有高载荷的变量，从而让因子的实际意义更容易被研究者解读（瑟斯顿，1947）。很多初学者会误以为旋转会改变数据的本质关系，实际上因子旋转始终遵循“