文档介绍：1
线魂团冉堕规虾牌葫平懒傀当熔萤眶查霄锭撕径章壁栅锗掳忆帐唤烧晓括柯恕泌共夯毡愧钟缸说啥袄牙闰镰妹序总赠啪潞宰舞焙姜酱怀怜铰动桌同凶居奔然迸蚊忌屁悸爬虾槽令秸闻吉抨喜老工忙孵璃仰烯演星揭逆吹芝能策延誓薯聪彦潮访浊梧培滑凉肃竣彩朴验菇响，而相对来说相关程度不是很高的观测变量很可能是受不同的因子影响的。而因子必须尽可能多地解释变量方差，每个变量在每个因子上都有一个因子载荷，因子的意义需由看哪些变量在哪个因子上载荷最大来决定。通过寻找潜在公共因子，并合理解释因子的意义，我们就能揭示错综复杂的事物的内部结构。
二、两种因子分析的差异
（一）、基本思想的差异
因子分析的基本思想是寻找公共因子以达到降维的目的。在寻找公共因子的过程中，是否利用先验信息，产生了探索性因子分析和确定性因子分析的区别。探索性因子分析是在事先不知道影响因素的基础上，完全依据资料数据，利用统计软件以一定的原则进行因子分析，最后得出因子的过程。而确定性因子分析充分利用了先验信息，是在已知因子的情况下检验所搜集的数据资料是否按事先预定的结构方式产生作用。因此探索性因子分析主要是为了找出影响观测变量的因子个数，以及各个因子和各个观测变量之间的相关程度；而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力。进行探索性因子分析之前，我们不必知道我们要用几个因子，各个因子和观测变量之间的联系如何；而验证性因子分析要求事先假设因子结构，我们要做的是检验它是否与观测数据一致。
4
探索性因子分析试图揭示一套相对比较大的变量的内在结构。研究者的假定是每个指示变量都与某个因子匹配。这是因子分析最通常的形式。没有先验理论形式。没有先验理论，只能通过因子载荷凭知觉推断数据的因子结构。
验证性因子分析试图检验观测变量的因子个数和因子载荷是否与基于预先建立的理论的预期一致。指示变量是基于先验理论选出的，而因子分析是用来看它们是否如预期的一样。研究者的先验假设是每个因子都与一个具体的指示变量子集对应。验证性因子分析至少要求预先假设模型中因子的数目，但有时也预期哪些变量依赖哪个因子(Kim and Mueller, 1978b: 55)。例如，研究者试图检验代表潜在变量的观测变量是否真属于一类。
（二）、分析方法的差异
由于两种因子分析的出发点不同而产生了不同的分析方法，我们分别从两种因子分析的分析步骤来比较它们的差异。
探索性因子分析主要有以下7个步骤：
１、收集观测变量。由于总体的复杂性和统计基本原理的保证，为了达到研究目的，我们通常采用抽样的方法收集数据。所以我们必须按照实际情况收集观测变量，并对其进行观测，获得观测值。
6
２、获得协方差阵（或相似系数矩阵）。我们所有的分析都是从原始数据的协方差阵（或相似系数矩阵）出发的，这样使我们分析得到的数据具有可比性，所以首先要根据资料数据获得变量协方差阵（或相似系数矩阵）。
３、确定因子个数。有时候你有具体的假设，它决定了因子的个数；但更多的时候没有这样的假设，你仅仅希望最后的到的模型能用尽可能少的因子解释尽可能多的方差。如果你有k个变量，你最多只能提取k个因子。通过检验数据来确定最优因子个数的方法有很多。Kaiser准则要求因子个数与相关系数矩阵的特征根个数相等；而Scree检验要求把相关系数矩阵的的特征根按从小到大的顺序排列，绘制成图，然后来确定因子的个数。究竟采用哪种方法来确定因子个数，具体操作时可以视情况而定。
４、提取因子。因子的提取方法也有多种，主要有主成分方法、不加权最小平方法、极大似然法等，我们可以根据需要选择合适的因子提取方法。其中主成分方法一种比较常用的提取因子的方法，它是用变量的线性组合中，能产生最大样品方差的那些组合（称主成分）作为公共因子来进行分析的方法。
５、因子旋转。由于因子载荷阵的不唯一性，可以对因子进行旋转，而正是由于这一特征，使得因子结构可以朝我们可以合理解释的方向趋近。我们用一个正交阵右乘已经得到的因子载荷阵（由线性代数可知，一次正交变化对应坐标系的一次旋转），使旋转后的因子载荷阵结构简化。旋转的方法也有多种，如正交旋转、斜交旋转等，最常用的是方差最大化正交旋转。
６、解释因子结构。我们最后得到的简化的因子结构是使每个变量仅在一个公共因子上有较大载荷，而在其余公共因子上的载荷比较小，至多是中等大小。这样我们就能知道我们所研究的这些变量到底是由哪些潜在因素（也就是公共因子）影响的，哪些因素是起主要作用的，而哪些因素的作用较小，甚至可以不用考虑。
7
７、因子得分。因子分析的数学模型是将变量表示为公共因子的线性组合，由于公共因子能反映原始变量的相关关系，用公共因子代表原始变量时，有时更利于描述研究对象的特征，因而往往需