因子分析与主成分分析差异与适用场景.docxVIP

因子分析与主成分分析差异与适用场景

一、因子分析与主成分分析的基本内涵与同源性

（一）主成分分析的核心逻辑

主成分分析是一种纯粹的数据驱动型降维方法，核心思路是将原本存在相关性的多个原始变量，通过线性组合的方式转化为少数几个互不相关的综合指标，也就是主成分。这些主成分按照能够解释的原始数据变异量从大到小依次排列，第一个主成分包含的原始信息最多，后续主成分的信息含量依次递减。主成分分析的核心目标是用尽可能少的主成分，保留尽可能多的原始变量信息，在降低数据维度的同时最大程度减少信息损失（约翰逊、威克恩，2020）。比如在区域经济研究中，研究者往往会采集地区生产总值、财政收入、固定资产投资、社会消费品零售总额、进出口总额等十余个经济发展指标，这些指标之间普遍存在较强的正相关关系，直接用于分析不仅繁琐，也难以提炼核心特征，通过主成分分析就可以将这些指标合成两三个综合主成分，既保留了绝大部分经济发展信息，又大幅简化了后续分析过程。

（二）因子分析的核心逻辑

因子分析本质上是一种模型驱动的潜变量分析方法，核心假设是：原始变量之间的相关性由少数几个不可直接观测的公共因子共同决定，每个原始变量都可以表示为这些公共因子的线性组合，再加上一个仅属于该变量的特殊因子。其中公共因子是所有原始变量共同的影响因素，特殊因子则是每个变量独有的、不能被公共因子解释的部分。因子分析的核心目标是找到隐藏在原始变量背后