因子分析怎么选？EFA、CFA 与 PCA 的区别和完整选择树

“因子分析”经常被用来统称 EFA、CFA，甚至 PCA，但三者回答的问题并不相同。选错方法，后续的载荷、因子数、拟合指数和结论都会失去清楚含义。

最重要的分叉不是软件菜单，而是研究目的：你要探索潜在结构、验证预设测量模型，还是把多个指标压缩成少数综合轴？

---

EFA、CFA 还是 PCA：选择树

1. 选 EFA：当条目背后的潜在结构尚不清楚，研究目标是探索可能有几个共同因子、哪些条目主要属于哪个因子时，使用探索性因子分析。
2. 选 CFA：当理论或既有量表已经给出因子数量、条目归属和因子关系，研究目标是检验预设测量模型与新样本是否相容时，使用验证性因子分析。
3. 选 PCA：当目标是降维、压缩相关指标或构建综合得分时，使用主成分分析；PCA 不是共同因子分析的同义词，它直接分解观测变量的总方差，不以潜变量测量模型为前提。

如果你只是想对多个指标降维或构建综合指标，请读主成分分析（PCA）完整指南。如果潜变量测量模型之后还要检验潜变量之间的结构路径，再进入结构方程模型的诊断与报告。

---

一张表看懂三种方法

维度	EFA	CFA	PCA
主要问题	数据可能包含哪些共同因子	预设测量模型与数据是否相容	如何用少数线性组合保留较多方差信息
理论先验	可以较弱，但条目设计仍需内容依据	必须明确指定结构	不要求潜变量理论
方差观念	关注共同方差与独特方差	显式建模载荷和测量误差	分解观测变量总方差
核心输出	因子数、载荷、共同度、因子相关	拟合、载荷、因子相关、误差与识别	特征值、解释方差、成分载荷、得分
常见用途	新量表早期探索、结构不确定	成熟量表验证、测量模型比较	降维、可视化前处理、综合指标
主要风险	按结果反复筛题、因子数凭单一规则	用修正指数追拟合、同一样本反复修模	把成分解释成潜在构念、机械排名

三种方法都不能由软件替研究者定义构念。条目内容、研究对象、量表使用语境和外部证据仍是效度判断的一部分。

EFA：探索潜在共同结构

什么时候适合

• 新开发条目，潜在维度尚无稳定理论；
• 既有结构在新文化或新群体中可能变化；
• 文献对因子数量和条目归属存在实质分歧；
• 研究明确标记为探索性，并准备在独立数据中验证。

关键决策

1. 相关矩阵：连续近似变量、有序题和二分类题可能需要不同的相关与估计策略；
2. 因子数：结合平行分析、碎石图、理论可解释性和稳定性，不只用“特征值大于 1”；
3. 提取方法：共同因子分析不等于 PCA，应选择与分布和研究目的匹配的方法；
4. 旋转方式：社会科学构念往往相关，斜交旋转通常更容易解释；是否正交应有理论依据；
5. 条目处理：载荷、交叉载荷、共同度和内容覆盖一起判断，不能只按一个阈值自动删题。

EFA 报告至少包括

• 样本与条目、相关矩阵或估计依据；
• 适宜性证据及其限制；
• 因子数决定方法；
• 提取与旋转方法；
• 载荷、交叉载荷、共同度与因子相关；
• 条目保留或调整的内容与统计依据；
• 探索性结论需要独立验证的说明。

CFA：检验预设测量模型

什么时候适合

• 使用已有明确结构的成熟量表；
• EFA 已在独立开发样本中形成候选结构；
• 比较竞争测量模型；
• 在组间比较前检验测量不变性；
• 结构方程模型需要先建立可信的测量部分。

CFA 不只是看四个拟合指数

完整判断还包括：

• 模型是否识别、参数是否可解释；
• 估计方法是否匹配题项尺度和分布；
• 标准化载荷、残差和因子相关是否合理；
• 是否出现负方差、极端相关或其他不当解；
• 拟合指数、区间和模型比较是否与样本和模型复杂度一起解释；
• 模型修改是否有预先或理论依据，并在新数据中验证。

CFI、TLI、RMSEA、SRMR 等经验阈值是诊断提示，不是跨领域统一的“通过线”。把多个修正指数都释放到达阈值，会把验证性分析变成事后探索。

样本量不能只套倍数规则

“每题多少人”或“至少 200”都只能作为粗略提醒。EFA/CFA 所需样本取决于：

• 因子与指标数量；
• 载荷大小、共同度和因子相关；
• 条目尺度与分布；
• 模型复杂度、缺失和估计方法；
• 是否拆分样本、交叉验证或做组间比较。

更稳妥的做法是结合设计阶段的模拟或方法文献，并在论文中透明说明样本限制。若同一数据先探索、再修改、再“验证”，应明确这仍是数据驱动过程；理想情况下使用独立样本或新的数据收集验证。

常见错误与纠正

把 EFA 当作理论验证

EFA 可以发现与理论相似的结构，但不能因为结果相似就称为独立验证。已有清楚结构时，应使用 CFA 或说明为什么仍需探索。

把 PCA 当作因子分析

PCA 适合降维，但主成分不是自动等同于心理或社会构念。若研究问题是潜变量与测量误差，应使用共同因子或测量模型框架。

用载荷阈值机械删题

删除条目会改变构念覆盖。任何调整都要同时考虑题目内容、反向表述、样本特征和新数据中的稳定性，不能只为了更好看的载荷或 α。

用修正指数追求完美拟合

修正必须有理论与测量依据，并清楚标记为数据驱动。如果修改很多，应在独立数据中验证，而不是把同一样本上的改善写成确认性证据。

---

可复用的分析清单

提交分析前写清：

• 研究目的是探索、验证还是降维；
• 每个条目的类型、编码和理论归属；
• 样本、缺失、反向题和排除规则；
• 因子数、提取、旋转或测量模型的依据；
• 允许哪些预先修改，哪些只能标记为探索；
• 要报告的载荷、拟合、区间、因子相关和异常解；
• 谁负责解释、删题与最终效度结论。

可进入 ChatSRS 按选择树整理 EFA 或 CFA 输入。结果必须结合条目内容、理论、估计方法和原始输出复核，平台不替研究者决定构念或自动删题。

---

常见问题

Q1：成熟量表还需要先做 EFA 吗？

不一定。若结构在相似语境中有充分证据，通常可直接用 CFA 检验预设结构；若翻译、群体或使用方式变化很大，可基于明确理由增加探索，但要区分探索与验证。

Q2：EFA 和 CFA 能用同一批数据吗？

技术上能运行，但同一数据上的 CFA 不能提供独立验证。样本受限时应透明说明，并考虑重抽样稳定性、交叉验证或后续独立样本。

Q3：CFA 拟合不好，可以看修正指数删题吗？

修正指数只是可能的局部失配提示。先检查数据、估计、识别、条目内容和模型设定；任何删题或误差相关都要有理论依据，并在新数据中验证。

Q4：PCA 得到几个成分，就等于量表有几个因子吗？

不等于。PCA 分解的是观测变量总方差，成分数量不能直接作为潜在因子数量的证据。量表结构问题应使用与潜变量假设匹配的 EFA/CFA。

---

相关阅读

• 主成分分析：降维与综合指标
• 结构方程模型：测量、拟合与路径诊断
• 结构方程模型和回归分析有什么区别

---

本文提供 EFA、CFA 与 PCA 的选择框架，不把经验阈值当作统一审核线。具体分析应结合学科规范与原始数据。