方法选择 · 2026-07-11

PCA 还是 EFA？降维与潜变量提取到底怎么选

PCA 与 EFA 怎么选？本文区分总方差压缩和共同因子模型，逐项说明载荷、共同度、旋转和 ChatSRS 当前 PCA/validity 输出边界。

直接决策答案

如果目标是把一组相关指标压缩成较少的线性组合、尽量保留总方差，并进一步计算综合得分，选择 PCA。

如果目标是研究观测题项背后的共同潜在构念，并把独特方差与误差从共同方差中区分出来，选择共同因子 EFA。PCA 的“主成分”不是潜变量，PCA 载荷也不能不加说明地改称因子载荷。

ChatSRS 当前 pca 分析器实现基于相关矩阵的 PCA；validity 分析器使用 factor_analyzer，默认 method="principal"，多因子时固定 Varimax。当前 formatter 在默认 principal 下明确标注“主成分分析（PCA）”。因此，若论文需要共同因子 EFA，必须显式选择并核验如 minres 或 ml 的可用路径，不能把默认结果直接包装成共同因子模型。

先按研究目的分流

问题	PCA	共同因子 EFA
主要目的	数据压缩、构造综合分	探索潜在共同结构
方差对象	总方差	共同方差
结果单位	主成分	潜在因子
常见后续	指数、评分、降维输入	量表结构、因子命名、后续 CFA
旋转含义	改善成分解释	改善因子简单结构

KMO 与 Bartlett 可以帮助判断相关结构是否适合继续分析，但它们不会替你决定 PCA 还是 EFA，也不证明量表有效。方法应由理论问题先决定，再检查数据是否支持。

ChatSRS 当前 PCA 的真实范围

pca 至少需要两个有效数值变量和 10 行完整案例。它从相关矩阵做特征分解，默认按特征根大于 1 保留成分，也可指定成分数。直出 KMO/Bartlett、全部特征根、方差解释率、累积解释率、成分载荷与共同度；详细模式增加线性组合系数、综合得分系数与权重、综合得分描述、缺失汇总、相关矩阵和 MSA。

**PCA 边界：**当前没有旋转后的 PCA 方案，也没有自动输出 scree plot、parallel analysis 或重抽样稳定性。特征根大于 1 是计算起点，不是普遍正确的保留规则。综合权重来自当前实现的线性组合，不能脱离变量方向与量纲解释。

ChatSRS 当前 validity 路径的真实范围

validity 至少需要三个有效数值变量和 10 行完整案例，输出 KMO、Bartlett、方差信息、载荷、共同度；默认按特征根大于 1 取因子数，多于一个因子时使用正交 Varimax。

最关键的实现边界是：默认 method="principal"，而当前输出脚注把该提取方法标为 PCA。若研究目标是共同因子 EFA，应在分析计划中指定共同因子提取方法并核对最终脚注；如果运行环境没有按计划使用 minres/ml，就不能在论文里称为共同因子 EFA。

此外，当前旋转固定为 Varimax，没有直接提供 oblimin/promax。理论上因子相关时，正交旋转可能不合适；应转到能明确执行斜交旋转并输出因子相关矩阵的验证工具。当前也没有 parallel analysis 直出。

可复核输入示例

假设 service_scale.xlsx 含 12 个连续或按计划作为数值处理的题项 q1–q12。

PCA 指令：

对 q1–q12 做基于相关矩阵的 PCA。先报告完整案例 N、KMO 和 Bartlett；比较特征根与累积解释率，按预先规定保留 3 个主成分；输出载荷、共同度和详细模式的综合得分系数。明确这是总方差压缩，不把主成分称为潜变量，并记录当前没有平行分析和旋转。

共同因子 EFA 指令：

研究目标是探索共同潜在结构，请显式使用经过验证的共同因子提取方法，而不是默认 principal/PCA 标签。报告 KMO、Bartlett、提取方法、保留因子依据、载荷、共同度与旋转方法。若理论预期因子相关而当前只提供 Varimax，停止并转到支持斜交旋转的实现。

输出怎么解释

PCA 可以写：“三个主成分累计解释总方差的 [ ]%，q4 在主成分 1 上载荷为 [ ]。”不要写“提取了三个潜在构念”。

共同因子 EFA 可以写：“采用 [minres/ml] 和 [旋转方法] 探索共同结构，因子数依据 [理论、碎石图、平行分析] 确定。”如果实际 formatter 仍显示“提取方法：PCA”，这句话不能使用。

载荷绝对值较高表示指标与该成分/因子的关系较强，但命名仍需看题项内容、交叉载荷、共同度和理论。不同样本得到相似数字也不等于结构已完成确认；确认性主张通常还需独立样本 CFA。

建模前的数据复核

逐题检查反向计分、缺失编码、零方差、极端偏态和异常相关。PCA 与当前 validity 路径都采用完整案例，排除样本数必须写进论文；若缺失并非随机，完整案例结构可能与总体不同。题项若是少类别有序变量，直接使用 Pearson 相关和连续变量提取也需要论证，必要时转用基于多分相关矩阵的专门实现。因子数不应只由特征根大于 1 决定，应结合理论、碎石图、平行分析、交叉载荷和可解释性。若同一批数据既探索又确认，应明确这是同样本复用的限制，不能把后续 CFA 当作独立验证。

论文写作模板

本研究的目标是 [总方差压缩/探索共同潜在结构]，因此采用 [PCA/EFA]。
分析基于 N=[ ] 个完整案例。KMO=[ ]，Bartlett χ²(df)=[ ]，p=[ ]。
[PCA] 按 [规则] 保留 [ ] 个主成分，累计解释总方差 [ ]%。
[EFA] 使用 [明确提取方法] 与 [明确旋转]，因子数依据 [ ]。
载荷与共同度见表 [ ]；类别命名结合题项内容，不仅依据最大载荷。

常见问题 FAQ

Q1：KMO 合格就应该做 EFA 吗？

不一定。KMO 只描述相关结构的适切性，研究目的仍决定 PCA 或 EFA。

Q2：PCA 的共同度能证明量表效度吗？

不能。它只是保留成分解释某变量总方差的比例。

Q3：当前 validity 默认输出可以直接写 EFA 吗？

不能无条件这样写。默认 principal 在 formatter 中标为 PCA，必须核对实际提取方法。

Q4：Varimax 总是最合适吗？

不是。因子理论上相关时通常要考虑斜交旋转，而当前路径没有直接实现。