统计百科 ·

探索性因子分析 EFA 方差解释率与因子命名的 APA 报告规范 — KMO/Bartlett、碎石图、累计方差、APA 7th 完整模板

统计百科：EFA 怎么写进论文——KMO 与 Bartlett 检验、碎石图判断因子数、累计方差解释率报告格式、因子命名逻辑，以及符合 APA 7th 的方差解释率句式与方法章节模板全解。

EFA 的统计跑完了，导师或审稿人最常问的不是算法本身，而是：KMO 值够不够、因子数怎么定的、累计方差解释率写在哪、因子名字从哪来……这篇文章专攻"EFA 结果怎么规范写进论文"这一具体格式点，给出 APA 7th 所有 EFA 报告场景的完整模板，并逐一盘点审稿人最常挑的格式错误。

你的 EFA 报告有这些问题吗？

导师或审稿人关于 EFA 报告最常见的反馈：

  • "未报告 KMO 值和 Bartlett 球形检验，无法判断数据是否适合做因子分析"
  • "因子数量如何确定？需说明依据碎石图还是特征值 > 1 标准"
  • "方差解释率要分列每个因子的独立解释量和累计值"
  • "提取方法和旋转方法未说明，是主成分分析还是主轴因子法？"
  • "因子命名缺乏依据，需说明是根据哪些题项载荷命名的"
  • "载荷矩阵只写了显著项，需报告所有题项在所有因子上的载荷（或说明截断标准）"

这些问题集中在 APA Publication Manual 第七版关于量表开发与测量效度的报告规范，以及 EFA 方法章节的标准写法。本文只讲一件事：EFA 结果到底怎么规范写进论文的每一个环节。

如果你做完 EFA 还要做 CFA 验证，建议配合 结构方程模型 SEM 拟合指标报告 一起看；如果你要先报告量表信度，参见 Cronbach α 与 McDonald ω 可靠性报告。

一、EFA 前置检验：KMO 与 Bartlett 球形检验

KMO 检验（Kaiser-Meyer-Olkin）

KMO 检验衡量变量之间的"偏相关结构"是否紧密，值域 0–1，越接近 1 说明变量共享的方差越多，越适合提取公因子。

KMO 判断标准（Kaiser，1974）：

KMO 值适合程度
.90 以上极好（marvelous）
.80–.89好（meritorious）
.70–.79中等（middling）
.60–.69一般（mediocre）
.50–.59勉强（miserable）
< .50不适合做 EFA

APA 报告写法：

KMO 取样适切性量数为 .87，Bartlett 球形检验达显著水平，
chi^2(X) = XXXX.XX, p < .001，表明数据适合进行探索性因子分析。

注意：KMO 值前不加 0（.87 不写 0.87），与 p 值格式一致。

Bartlett 球形检验

Bartlett 检验的零假设是"相关矩阵为单位矩阵"（所有变量两两相关为 0），若不显著则说明变量间几乎无相关，因子分析无意义。

APA 报告写法：

Bartlett 球形检验，chi^2([df]) = XXXX.XX, p < .001

其中 df = p(p-1)/2，p 为变量（题项）个数。例如 20 个题项，df = 20 × 19 / 2 = 190。

两个检验必须同时报告，缺一不可。

二、因子数量确定：三种标准与碎石图

标准一：Kaiser 特征值 > 1 准则

最古老也最常见的准则：保留特征值（eigenvalue）大于 1 的因子。直觉是：特征值代表该因子"解释的方差量"，特征值 > 1 说明该因子至少比一个原始变量贡献的信息量多。

缺点：过于机械，在变量数多时常提取过多因子，且对样本量敏感。APA 7th 建议将其与其他方法结合使用，不单独依赖。

标准二：碎石图（Scree Plot）

将因子编号（x 轴）与对应特征值（y 轴）绘图，寻找"肘部"（elbow）——曲线从陡降变为平缓的转折点，保留转折点之前的因子数。

碎石图在 APA 论文中的描述方式：

碎石图（Scree Plot）结果显示，第 X 个因子之后特征值下降趋势趋于平缓，
提示提取 X 个因子较为合理（见图 X）。

如果期刊允许附图，建议将碎石图作为补充图（Figure）附上；若篇幅受限，也可仅在文字中描述。

标准三：平行分析（Parallel Analysis）

现代心理测量学最推荐的方法：生成与真实数据同等样本量和变量数的随机数据集（通常 1000 次），计算随机数据的特征值分布（95th 百分位），只保留真实特征值超过随机特征值 95th 百分位的因子。

平行分析比 eigenvalue > 1 更保守，不易提取噪声因子。

APA 报告写法：

采用平行分析（Parallel Analysis，1000 次随机数据集，95th 百分位截断）
确定因子数，结果建议提取 X 个因子（前 X 个特征值均超过对应随机数据的
95th 百分位特征值）。

三种方法汇总：实践中建议先做平行分析，再参照碎石图，最后结合理论意义决定因子数。若三种方法结果一致，方法章节说明即可；若不一致，需解释最终选择的依据。

三、方差解释率：独立解释量与累计解释量

这是 EFA 结果呈现最核心的部分，也最常出格式错误。

方差解释率的来源

EFA 旋转后，每个因子的方差解释量来自因子载荷的平方和（Sum of Squared Loadings，SSL）。

$\text{因子} j \text{ 解释方差%} = \frac{SSL_j}{\text{变量总数}} \times 100%$

旋转前后的总解释量相同，但各因子分配的方差会重新分布（斜交旋转下各因子方差解释量之和可能超过总解释量，因为因子间存在相关，不能直接相加）。

正交旋转（Varimax）的方差解释率报告

正交旋转后各因子独立，方差解释量可直接累加。

标准 APA 报告格式（含表格描述）：

经最大方差旋转（Varimax），提取 X 个因子，累计解释总方差的 XX.XX%。
各因子方差解释率依次为：因子 1（XX.XX%）、因子 2（XX.XX%）、
因子 3（XX.XX%）（详见表 X 旋转后因子矩阵）。

斜交旋转（Oblimin/Promax）的方差解释率报告

斜交旋转允许因子间相关，此时不能直接累加各因子方差解释量，应报告"所有因子共同解释的方差量"而非各因子之和。

标准 APA 报告格式：

采用直接斜交旋转（Direct Oblimin，delta = 0），提取 X 个因子，
所有因子共同解释总方差的 XX.XX%（因因子间存在相关，各因子方差解释量
之和将超过此数，不建议直接相加）。
因子间相关系数矩阵见表 X，最大因子相关系数为 r = .XX，
[高于/低于] .32 的判断阈值，[支持/不支持]使用斜交旋转的合理性
（Tabachnick & Fidell，2019）。

方差解释率的精度与格式

  • 解释率精确到两位小数（如 XX.XX%），不写 XX% 或 XX.X%
  • 特征值精确到两位小数
  • 载荷系数精确到两位小数（如 .73，不写 .7 或 .732）
  • 百分号前不加空格（APA 格式：52.34%，不写 52.34 %）

四、因子命名：从载荷到意义的完整逻辑

因子命名是 EFA 中最具主观性、也最考验研究者判断力的步骤。APA 7th 虽未强制规定命名格式，但审稿人通常期待看到清晰的命名依据。

命名的四个步骤

步骤一：确定载荷截断值

通常以 .40 或 .45 作为"主要载荷"的最低门槛（Stevens，2002 建议 N > 200 时用 .364，N > 300 时用 .298，但实践中多数期刊接受 .40 作为保守截断）。

步骤二：识别每个因子的"核心题项"

列出在该因子上载荷 ≥ .40 且在其他因子上载荷均 < .40 的题项（单纯载荷题项，simple structure），这些题项是命名的主要依据。

步骤三：归纳共同主题

阅读核心题项的内容，寻找它们在心理/行为/认知层面的共同主题，命名需与已有文献中的构念体系对应（若有前人研究）。

步骤四：检查跨载荷题项

若某题项在两个因子上均载荷 ≥ .40（跨载荷，cross-loading），需说明处理方式：可保留在载荷更高的因子、可删除该题项、或说明其理论上的多义性。

因子命名的 APA 报告写法

因子 1 包含 X 个题项（载荷范围 .XX–.XX），这些题项共同反映了
[构念描述]，将该因子命名为"[因子名称]"；
因子 2 包含 X 个题项（载荷范围 .XX–.XX），反映[构念描述]，
命名为"[因子名称]"；
因子 3 包含 X 个题项（载荷范围 .XX–.XX），命名为"[因子名称]"。
各因子题项载荷见表 X。

命名的常见问题：

  • 命名过于宽泛（如直接叫"因子 1""维度 A"），不传达构念意义
  • 命名与文献中已有构念不符却不说明
  • 跨载荷题项不交代处理方式，直接忽略

五、完整 APA 方法章节与结果章节模板

方法章节：分析策略描述

数据收集完成后，采用探索性因子分析（EFA）检验量表的潜在因子结构。
分析使用主轴因子提取法（Principal Axis Factoring，PAF），
以 [Varimax 正交旋转 / Direct Oblimin 斜交旋转] 对因子矩阵进行旋转。
因子数量的确定综合参考平行分析（Parallel Analysis，1000 次随机数据集，
95th 百分位）、碎石图（Scree Plot）以及理论意义。
题项保留标准为：在所在因子上主要载荷 >= .40，且在其他因子上载荷 < .40；
同时剔除共同度（communality）低于 .30 的题项。
统计分析使用 ChatSRS（SPSS、R 及 Stata 三引擎），显著性水平设为 alpha = .05。

结果章节：完整报告段落模板

以下是一个完整的 EFA 结果报告段落（三因子正交旋转场景，N = 326，22 个题项）：

EFA 前置检验显示，KMO 取样适切性量数为 .87，Bartlett 球形检验显著，
chi^2(231) = 2847.63, p < .001，表明数据适合进行探索性因子分析。

平行分析（1000 次随机数据集）和碎石图结果均建议提取 3 个因子，
与特征值 > 1 准则的结果（前 3 个因子特征值分别为 6.42、3.18、2.07，
第 4 个特征值为 0.93）一致。

采用主轴因子法提取 3 个因子，经最大方差旋转（Varimax）后，
3 个因子累计解释总方差的 53.71%（因子 1：24.38%，
因子 2：16.85%，因子 3：12.48%）。全部 22 个题项的共同度
介于 .41 至 .78 之间，均高于 .30 的保留标准。

旋转后因子矩阵中，所有题项主要载荷均 >= .45（载荷范围 .45–.82），
无题项出现跨载荷（即在两个或以上因子上载荷均 >= .40），
简单结构（simple structure）基本实现（Thurstone，1947）。

因子 1 包含 9 个题项（载荷范围 .57–.82），
题项内容集中于个体对[构念 A]的认知与评价，命名为"[因子名称 1]"；
因子 2 包含 7 个题项（载荷范围 .51–.76），
反映[构念 B]相关的行为意愿，命名为"[因子名称 2]"；
因子 3 包含 6 个题项（载荷范围 .45–.71），
与[构念 C]的情感体验相关，命名为"[因子名称 3]"。
各因子题项及载荷详见表 X。

填入真实数值的示例

EFA 前置检验显示，KMO 取样适切性量数为 .87，Bartlett 球形检验显著，chi^2(231) = 2847.63，p < .001，表明数据适合进行探索性因子分析。平行分析（1000 次随机数据集，95th 百分位截断）和碎石图结果均建议提取 3 个因子，与特征值 > 1 准则的结果（前三因子特征值分别为 6.42、3.18、2.07，第四因子特征值为 0.93）一致。采用主轴因子法提取 3 个因子，经最大方差旋转（Varimax）后，3 个因子累计解释总方差的 53.71%（因子 1：24.38%，因子 2：16.85%，因子 3：12.48%）。全部 22 个题项共同度介于 .41 至 .78 之间，均高于 .30 的保留标准，无题项出现跨载荷（cross-loading）。因子 1 包含 9 个题项（载荷范围 .57–.82），反映学生对在线学习平台的认知有用性评估，命名为"感知有用性"；因子 2 包含 7 个题项（载荷范围 .51–.76），涵盖实际使用行为意图，命名为"使用意愿"；因子 3 包含 6 个题项（载荷范围 .45–.71），与平台交互过程中的情感满意度相关，命名为"情感体验"。各因子题项及载荷详见表 1。

六、在 ChatSRS 一句话获得规范 EFA 报告

打开 chatsrs.com，上传数据后输入：

"对以下 22 个李克特量表题项做探索性因子分析（EFA）：先报告 KMO 和 Bartlett 球形检验；用主轴因子法提取，Varimax 正交旋转；用平行分析确定因子数；输出每个因子的特征值、方差解释率（独立和累计）、旋转后因子载荷矩阵（截断 .40）和共同度；最后给出符合 APA 7th 格式的完整方法章节和结果章节报告段落，并对每个因子给出命名建议。"

ChatSRS 同时调用 SPSS、R（psych 包的 fa() 函数）和 Stata 三引擎交叉验证，自动生成旋转后因子矩阵表和 APA 格式报告段落，可直接复制进论文。

若需斜交旋转（因子间可能存在相关），将"Varimax 正交旋转"改为"Direct Oblimin 斜交旋转，并报告因子相关系数矩阵"，ChatSRS 自动切换报告模板。

七、旋转后因子载荷矩阵的表格格式

EFA 结果的主体通常以表格呈现，APA 7th 对因子载荷表格有以下格式要求：

  • 表格标题使用斜体，格式如：Table 1. Rotated Factor Loadings and Communalities for the [量表名] Scale (N = XXX)
  • 列标题：题项编号或题项缩写 / Factor 1（或命名后的因子名）/ Factor 2 / Factor 3 / Communality (h²)
  • 载荷精确到两位小数（如 .73），不显示前导零
  • 低于截断值（如 < .40）的载荷可留空或用"—"代替，但须在表注说明截断标准
  • 表末行报告各因子特征值（Eigenvalue）和方差解释率（% Variance）、累计方差解释率（Cumulative %）
  • 正交旋转用"Rotated Factor Matrix"，斜交旋转用"Pattern Matrix"（结合"Structure Matrix"另表报告）

表注（APA 格式）：

Note. N = 326. 采用主轴因子法提取，最大方差旋转（Varimax）。
截断标准 >= .40；低于截断值的载荷以"—"标注。
h² = 共同度。

八、EFA 报告常见错误对照表

常见错误正确写法违反的规范
未报告 KMO 和 Bartlett 检验两者均须报告，写在 EFA 结果第一句数据适合性检验缺失
KMO = 0.87KMO = .87（不加前导零）APA 格式：0–1 的值不加 0
只写"提取 3 个因子"说明依据：平行分析 / 碎石图 / 特征值准则因子数确定无依据
累计方差 53%累计方差 53.71%精度要求两位小数
混淆旋转前后方差解释率报告旋转后（Rotated）的方差解释率提取前后方差分配不同
斜交旋转各因子方差直接相加斜交旋转应报告整体解释量，不可直接相加因子间相关导致重叠
载荷只报告主要载荷，隐藏跨载荷交代跨载荷处理方式或删题逻辑透明度要求
因子命名无依据说明核心题项内容与命名对应关系命名需可验证
Pattern Matrix 与 Structure Matrix 混淆斜交旋转以 Pattern Matrix 报告，注明来源斜交旋转报告规范
共同度未报告载荷表需包含 h² 列题项拟合质量指标

常见 FAQ

Q：EFA 和 PCA 的方差解释率写法一样吗？

A：格式相同，但含义不同，必须说明使用的是哪种方法。PCA（主成分分析）的方差解释率基于"成分"，提取的是线性组合，包含独特方差（unique variance）和误差；EFA 的方差解释率基于"公因子"，理论上只提取共同方差（common variance），共同度（communality）小于 1。APA 论文中两者必须说明提取方法，不能模糊写"因子分析"而不说是 PCA 还是 PAF。更详细的 PCA 报告格式参见主成分分析 PCA 报告。

Q：碎石图需要附在论文里吗？

A：视期刊要求而定。如期刊允许附图且篇幅足够，碎石图是有力的图示证据，建议附上；若期刊篇幅限制严格，可在文字中描述碎石图的拐点位置。平行分析的具体数值（真实特征值 vs. 随机特征值对比表）也可以附在补充材料中。无论是否附图，方法章节必须文字说明因子数的确定依据。

Q：EFA 结果的 KMO 只有 .62，还能做吗？

A：.62 属于"一般（mediocre）"，理论上可以继续，但需在论文中注明这是局限性，并说明仍进行 EFA 的依据（如理论上预期量表具有因子结构、Bartlett 检验显著等）。如果 KMO < .50，则通常建议检查题项质量或增大样本量，不宜强行做 EFA 并声称结果有效。

Q：斜交旋转是不是比正交旋转更好？

A：取决于理论假设，不存在绝对的好坏。如果研究中的因子在理论上可能存在相关（如同一个大构念的子维度，例如学习动机的"内部动机"与"外部动机"），则应选择斜交旋转（Direct Oblimin 或 Promax）。如果各因子理论上相互独立（如完全不同领域的能力维度），可选正交旋转（Varimax）。检验标准：若斜交旋转后因子间相关系数均 < .32（Tabachnick & Fidell，2019），则正交旋转与斜交旋转实际差异不大，可选正交；若相关系数 >= .32，则斜交旋转更合适。

Q：EFA 后还需要报告信度吗？

A：是的，信度分析与 EFA 是相互补充的，不能互相替代。EFA 回答"这些题项是否测量同一个（或几个）潜在构念"（结构效度），Cronbach alpha / McDonald's omega 回答"这些题项的内部一致性如何"（信度）。APA 论文通常在 EFA 结果后紧跟各因子（子量表）的信度系数报告，格式参见量表信度报告 APA 规范。

快速参考：EFA 报告格式速查卡

[前置检验]
KMO = .XX，Bartlett chi^2([df]) = XXXX.XX, p < .001

[因子数确定]
平行分析（1000 次，95th 百分位）建议提取 X 个因子
碎石图拐点在第 X 个因子后
特征值 > 1：前 X 个因子特征值分别为 XX.XX / XX.XX / ...

[提取与旋转]
提取方法：主轴因子法（PAF）/ 最大似然法（ML）
旋转方法：Varimax（正交）/ Direct Oblimin（斜交）

[方差解释率 — 正交旋转]
因子 1: 特征值 = X.XX，解释率 = XX.XX%
因子 2: 特征值 = X.XX，解释率 = XX.XX%
累计解释率 = XX.XX%

[载荷截断标准]
主要载荷 >= .40，跨载荷 < .40

[共同度]
所有题项 h^2 均 >= .30（范围 .XX–.XX）

[因子命名]
因子 1：X 个题项，载荷 .XX–.XX，命名"[名称]"
因子 2：X 个题项，载荷 .XX–.XX，命名"[名称]"

相关阅读

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。