探索性因子分析法(Exploratory Factor Analysis,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。因而,EFA能够将具有错综复杂关系的变量综合为少数几个核心因子。对于主因子分析法来说,不存在异常值、等距值、线形值、多变量常态分配以及正交性等情况。
探索性因子分析尝试识别出基础变量(或称因子)来解释在一组观察到的变量中体现的相关模式。因子分析通常用于数据降维,其目的是识别出少数几个因子来解释大多数在众多显性变量中所观测到的方差。因子分析也可用于生成关于因果机制的假设或过滤变量以用于随后的分析(例如:在执行线性回归分析之前识别共线性)。
探索性因子分析 一、基本概念 因子分析（factoranalysis），也称因素分析，可分为探索性因子分析（ExploratoryFactorAnalysis，EFA）和验证性因子分析(ConfirmatoryFactorAnalysis，CFA)两种。在旅游研究领域，有许多涉及心理学方面的抽象概念，如游客的动机和满意度、景区所在地居民对旅游影响的感知等均很难用单一指标来...
本文将探讨探索性因子分析的基本原理、应用领域以及分析步骤。 一、探索性因子分析的基本原理 探索性因子分析的主要目标是通过对一组观测变量的统计分析,找出其中存在的共同的因素或维度,从而解释变量之间的相关关系。其基本原理是将原始观测数据转化为较少数量的因子,以便更好地理解和解释数据。 探索性因子分析的核心...
回顾一下之前我发布了可靠性分析和KMO和巴特利特检验的相关注意事项以及参考样例,这次紧接着就是探索性因子分析了,也称EFA。 其实很容易区别: 纬度已知——验证性因子分析 当我们引用量表时,纬度已经知道的时候,但是数据情况怎么样是不一样的,那么我们就需要去验证一下这个量表情况,这个时候就需要验证性因子分析! 纬度...
有两种常用的变量降维方法,其一是主成分分析(PCA),我们在前面的文章中已学习,这次是其二方法——探索性因子分析(EFA)。PCA使用线性变换技术,将数据从原先的坐标系统变换到新的坐标系统中,并计算投射到各个坐标轴中数据的方差值,按大到小排序,第一坐标轴称为第一主成分,第二坐标轴称为第二主成分,以此类推。如此...
探索性因子分析(Exploratory Factor Analysis,EFA)是一种统计方法,用于探索多个观察变量之间的潜在结构和模式。它的主要目标是识别潜在的、未知的构建(或称为因子),这些构建可以解释观察到的变量之间的相关性。通过探索性因子分析,可以帮助研究者发现隐藏在数据背后的结构,并简化数据集,从而更好地理解变量之间的关系。
探索性因子分析的理论假设 主要包括:①所有的公共因子都相关(或都不相关);②所有的公共因子都直接影响所有的观测变 量;③特殊(唯一性)因子之间相互独立;④所有观测变量只受一个特殊(唯一性)因子 的影响;⑤公共因子与特殊因子(唯一性)相互独立。探索性因子分析基本原理 探索性因子分析模型的一般表达式为 其中，Xn...
探索性因子分析的步骤：接下来，通过一个案例演示因子分析（探索性因子分析）的各个步骤应该如何进行。案例：欲探究我国不同省份铁路运输能力情况，收集到部分相关数据如下：上传数据至SPSSAU系统，在【进阶方法】模块，选择【探索性因子分析】，将变量拖拽到右侧分析框，勾选“因子得分”与“综合得分”，旋转方法选择默认...