探索性因子分析探索性因子分析法（ExploratoryFactorAnalysis，EFA）是一项用来找出多元观测变量的本质结构、并进行处理降维的技术。特点：（1）利用因子分析来确定因子个数——降维（2）完全依赖资料数据探索性因子分析的理论假设探索性因子分析基本原理探索性因子分析模型应用范围探索性因子分析——步骤判断变量是否适合做因子分析确定因子个数确定因子个数的方法（一）实际上累积贡献率是一个次要指标。主要指标是特征值,在前一指标达到的情况下，只要累计贡献率不是太差都可以接受。即使70%也不是太大的问题。实际处理中，很少碰到累计贡献率太低的情况，如果问卷设计和数据收集没有太大问题的前提下。碎石图碎石图是按特征值大小排列因子，横轴表示因子序号，纵轴表示特征值大小。公因子提取方法因子命名因子分析的一个重要目的在于对原始变量进行分门别类的综合评价。如果因子分析结果保证了因子之间的正交性，但对因子不易命名，可以通过对因子模型的旋转，得到容易解释的结果。因子旋转（一）正交旋转的基本假定是,因子分析中被提取出来的因子之间是相互独立的,因子间并不相关。它的目的是要获得因子的简单结构,即使每个变量在尽可能少的因子上有较高的负载;而斜交旋转中,因子间的夹角是任意的,也就是说斜交旋转对因子间是否相关并无限定,这种因子旋转的结果就会使各因子所解释的变量的方差出现一定程度的重叠。因子得分回归法因子得分的均值为0，方差等于估计因子得分与实际得分之间的多元相关的平方Bartlett法因子得分均值为0，超出变量范围的特殊因子平方和被最小化Anderson-Rubin法因子得分的均值为0，标准差为1，且彼此不相关。是为了保证因子的正交性而对Bartlett因子的调整。旋转后的因子表达式可以写成：探索性因子分析只能用来寻找和发现模型，不能用它来确定一下特定的模型是否合理。EFA后，要通过CFA进行交叉证实。实际应用中，做因子分析要求观测量数至少应该是变量数的5倍以上。实例演示