主成分分析PCA的因子旋转方法对比.docxVIP

主成分分析PCA的因子旋转方法对比

一、引言

主成分分析作为经典的无监督降维方法，被广泛应用于自然科学、社会科学的各个领域，核心作用是将存在相关的多个观测变量压缩成少数几个综合指标，在尽可能少损失信息的前提下降低数据复杂度，为后续的分类、回归、聚类、解释分析提供支撑。但在实际应用中，按方差最大化原则初始提取的主成分往往存在载荷分散、交叉载荷多、现实含义模糊的问题，很难直接用于结果解释。因子旋转就是为解决这一问题发展出的配套技术，通过对初始因子轴的刚性或柔性变换，让载荷结构向“简单可解释”的方向靠拢，大幅提升主成分的现实意义辨识度。

长期以来，不少研究者对不同旋转方法的核心逻辑、适用场景、结果差异理解不足，常常机械套用统计软件的默认方法，甚至出现选错方法导致结论偏差的问题。有学者统计国内社科领域应用主成分分析的研究中，超过七成会通过因子旋转提升结果解释性，但其中近半数的研究者对不同旋转方法的差异缺乏清晰认知，存在机械套用默认方法的问题（温忠麟等，2018）。作为多元统计分析的核心工具之一，主成分分析的结果有效性不仅取决于提取规则的选择，很大程度上也受后续旋转方法的影响，不合适的旋转方法甚至可能完全扭曲数据的真实结构（约翰逊、威克恩，2015）。本文将从主成分分析因子旋转的基本原理出发，系统梳理正交旋转、斜交旋转两大类下主流方法的核心特征，从前提假设、载荷结构、方差分配、稳健性、应用误