Skip to content
返回搜索结果

因子分析

提出者
Louis Leon Thurstone
年份
1931
类型
Method
类别
dimension-reduction

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

因子分析是一种统计技术,用于识别潜在(未观测)维度,这些维度是观测变量的基础。该技术由 Louis Leon Thurstone 在 20 世纪 30 年代开发,并由 Jöreskog (1969) 正式化。探索性因子分析 (EFA) 从数据中发现未知的因子结构;验证性因子分析 (CFA) 检验观测变量与潜在变量之间假设的关系。因子分析在心理测量学(测验开发)、组织研究(测量领导风格等构念)和生物医学(识别疾病亚型)中至关重要,它在降低维度的同时揭示了多元数据中的概念组织。

方法背后的直觉

观测变量(问卷项目、测量值)通常是潜在构念(智力、抑郁严重程度、组织气候)的表现,而这些构念无法直接测量。因子分析假设观测变量之间的相关性反映了共享的潜在因子。其数学原理是将相关矩阵分解为共同方差(由因子解释)和唯一方差(误差和项目特异性效应)。探索性因子分析的问题是:哪种潜在结构最能解释这些相关性?验证性因子分析的问题是:理论上提出的结构是否适合数据?这使得研究人员能够测量抽象概念、验证评估工具,并理解复杂数据集中的维度组织。

历史学

Charles Spearman (1904) 引入因子分析来解释心理能力之间的正相关(一般智力“g”)。Louis Leon Thurstone (1931) 扩展到多因子并开发了旋转方法(中心法、主轴法)。Karl Jöreskog (1969) 的验证性因子分析和结构方程模型彻底改变了潜在变量模型中的假设检验。Kaiser 标准(Kaiser, 1960)标准化了基于特征值的因子提取。现代发展包括项目反应理论 (Rasch, 1960)、稳健估计方法(无分布估计)以及用于跨群体或嵌套数据比较结构的群体/多层次因子分析。

何时使用

当探索新的测量构念的维度结构、改进量表或在没有先验理论的情况下理解观测变量之间的关系时,使用 EFA。心理测量:项目选择用于新的抑郁筛查、领导力评估量表。生物医学:从症状相关性中识别疾病亚型。当验证先前开发的量表、检验理论测量模型或比较竞争的因子结构时,使用 CFA。在心理学中常见:确认构念的单一维度与多维度模型。也使用 CFA 作为更大结构方程模型中连接潜在变量与结果的测量部分。

局限与注意事项

  • EFA 的结果依赖于样本;因子结构可能在新样本中无法复制。务必交叉验证结果或在独立样本上进行验证性因子分析。
  • 假设变量与因子之间存在线性关系;无法检测非线性或阈值效应。
  • 解释主观性:相似的特征值结构和旋转可能产生不同的解释。多个解可能同样适合数据。
  • 需要大样本才能获得稳定估计:通常规则 n > 变量数 × 5;小样本 (n < 100) 会产生不稳定、不可复制的因子。
  • CFA 假设测量模型先验正确;如果真实结构不同,模型拟合度量可能无法检测到模型误设(局部最小值、等价模型)。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 降维:将许多观测变量压缩成少数可解释的潜在因子,简化分析和沟通。
  • 揭示潜在构念:能够测量无法直接观测的抽象概念(智力、人格、组织文化)。
  • 测验开发的统计基础:支持心理和教育评估的有效性证据;CFA 正式验证测量模型。
  • 灵活性:可处理二元、有序和连续数据;在 CFA 中通过全信息最大似然法 (FIML) 处理缺失数据。
  • 扩展到复杂模型:结构方程模型的基础,连接潜在变量与结果,实现中介和调节检验。

应用

  • 心理测验开发:构建和验证临床量表(抑郁、焦虑)、人格量表(大五)和认知能力测验;建立有效性证据。
  • 组织研究:测量工作满意度、组织承诺、领导风格等构念;确认复杂概念的多维度性质。
  • 生活质量评估:将许多健康相关项目简化为可解释的维度(身体、心理、社会功能),用于结果测量。
  • 教育评估:开发课程评估、建立高考有效性、在保留概念覆盖范围的同时减少项目池。
  • 生物医学研究:从症状/基因标记相关性中识别不同的疾病表型(内型),将高维基因组数据简化为可解释的潜在维度。

使用方式

使用方式

1

通过收集足够大样本(通常规则:n > 变量数 × 5,或绝对最小值 n ≥ 100;理想情况 n > 200)上多个观测变量的数据来执行探索性或验证性因子分析(通常 > 5 个)。对于 EFA:在没有关于因子结构先验假设的情况下收集数据;变量应合理地相互关联(检查相关矩阵;所有相关性 < 0.3 表明因子可能性不大)。评估样本充分性:Kaiser-Meyer-Olkin (KMO) 检验将相关性的大小与偏相关性进行比较;KMO > 0.6 可接受,> 0.7 为良好。Bartlett 的球形度检验应显著 (p < 0.05),表明相关性不同于单位矩阵。对于 CFA:基于理论和先前研究,先验地指定一个假设的因子结构。

2

对于探索性因子分析:使用主轴因子法 (PAF) 或最大似然法 (ML) 提取因子。Kaiser 标准:保留特征值 > 1 的因子。碎石图:按降序绘制特征值;保留肘部(收益递减点)之前的因子。并行分析:将特征值与随机数据产生的特征值进行比较;保留超过随机基准的因子。旋转因子(方差最大旋转 = 正交/不相关,斜交旋转 = 斜交/相关)以提高可解释性并实现简单结构(每个变量仅在一个因子上载荷高)。报告因子载荷(变量与因子之间的相关性):通常 |载荷| > 0.4 被认为显著;> 0.7 为强载荷。计算共同度:每个变量的方差由因子解释的比例;跨因子计算的总和表明整体拟合度。对于验证性因子分析:使用结构方程模型 (SEM) 软件拟合假设模型。报告模型拟合指数:CFI (比较拟合指数) > 0.95, TLI (Tucker-Lewis 指数) > 0.95, RMSEA (近似均方根误差) < 0.06, SRMR (标准化均方根残差) < 0.08 (Hu & Bentler, 1999)。

3

在 EFA 中,通过检查哪些变量在每个因子上载荷高来识别潜在因子;根据变量内容概念性地解释因子。例如,如果关于悲伤、绝望和快感缺失的项目都在一个因子上载荷 > 0.6,则将其标记为“抑郁”。报告因子解释的方差:平方载荷之和除以变量数 × 100% 得到每个因子的方差;跨因子的总和表示整体拟合度。每个因子内的信度:计算载荷在该因子上的变量的 Cronbach's alpha (≥0.70 可接受,≥0.80 为良好)。在 CFA 中,检查标准化因子载荷(所有载荷应 > 0.4,理想情况 > 0.6);不显著的载荷表明项目对构念的测量效果不佳。模型拟合指数:满足所有标准 (CFI > 0.95, RMSEA < 0.06) 支持所提出的模型。修正指数建议替代路径;然而,数据驱动的模型调整(事后)会损害模型有效性——使用交叉验证样本来检验修正后的模型。报告潜在变量对每个观测变量解释的方差 (R²)。

常见陷阱

  • 小样本的数据驱动 EFA:会偶然拟合;在新样本中的可复制性差。务必在探索样本上进行 EFA,并在保留样本中进行验证。
  • 仅基于 Kaiser 标准(特征值 > 1)提取因子;碎石图和并行分析提供额外指导,通常建议提取更少的因子。
  • 保留无法解释的因子:如果一个因子无法概念性地标记或包含概念上不相关的载荷,请考虑移除它,而不是强行解释。
  • CFA 模型设定错误:错误地设定因子结构、遗漏理论上相关的路径或在无依据的情况下允许误差相关会损害有效性。
  • 错误解释因子载荷幅度:载荷是相关性,不是回归系数;载荷为 0.5 仅解释了变量方差的 25% (R² = 0.5²)。
  • 使用不恰当的旋转:方差最大旋转(正交)强制因子不相关;斜交旋转允许因子相关。根据理论选择;正交旋转通常不现实。

常见问题

探索性因子分析 (EFA) 和验证性因子分析 (CFA) 有何区别?

探索性因子分析 (EFA) 在没有先验理论的情况下从数据中发现潜在结构;您让数据指导因子数量和哪些变量载荷在哪些因子上。在研究新构念或量表时使用 EFA。验证性因子分析 (CFA) 检验基于理论和先前研究预先设定的假设因子结构。CFA 提供正式的拟合检验,在统计上更严谨。标准做法:在训练样本上进行 EFA 以提出模型,然后在独立的测试样本上使用 CFA 进行验证(或使用交叉验证)。切勿在用于 CFA 验证的同一样本上进行 EFA。

我应该提取多少个因子?碎石图说明了什么?

多个标准指导因子提取:(1) Kaiser 标准(特征值 > 1)是传统的,但通常建议提取过多因子。(2) 碎石图:按降序绘制特征值;保留肘部(收益开始递减的点)之前的因子。“碎石”是指肘部之后的斜率。(3) 并行分析:将经验特征值与随机排列产生的特征值进行比较;仅保留超过随机基线的因子。并行分析在统计上最具说服力。(4) 可解释性:仅保留您可以概念性标记和解释的因子。不同的标准通常会产生不同的数量;请参考多种方法和理论。

因子载荷为 0.6 意味着什么?它与信度系数有何不同?

因子载荷为 0.6 是观测变量与潜在因子之间的相关性;它表明该变量有助于测量该因子。平方载荷(0.6² = 0.36)是因子解释的变量方差的比例。载荷 > 0.4 为最低可接受;> 0.6 为强。信度系数(Cronbach's alpha,通常 ≥0.70)测量内部一致性:测量相同构念的多个变量彼此相关的程度。载荷显示与潜在因子的关系;alpha 显示变量是否共同一致地测量一个构念。两者都很重要:高载荷和高 alpha 一起支持同质的潜在维度。

如何处理共同度低的变量?

共同度是所有因子解释的变量方差的比例(跨因子的平方载荷之和)。低共同度 (<0.3) 表明因子未能很好地代表该变量,原因可能是:(1) 它测量了因子模型未捕获的独特构念,(2) 它不可靠/噪声大,或 (3) 因子解不正确。选项:移除该变量(如果理论上合理,则简化模型),增加因子(可能导致模型过拟合),或调查该变量是否真正属于该量表。务必检查项目内容;有时低共同度反映的是措辞不佳的项目,而不是概念上的不匹配。

相关方法

参考文献

  1. Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.

    打开 DOI 文献
    已复制。
  2. Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.

    打开 DOI 文献
    已复制。
  3. Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.

    打开 DOI 文献
    已复制。