探索性因子分析怎么做：适用范围、操作步骤与结果解读

探索性因子分析适用什么场景

自编问卷、或把成熟量表用于新人群新情境时使用，目的是确认维度结构。若已有明确理论结构需要验证，则用验证性因子分析（CFA）而非 EFA。

做探索性因子分析的数据要求

连续或近似连续的量表数据；样本量建议为题目数的 5–10 倍，且不少于 100，做因子分析最好 200 份以上；题目间需存在足够相关。

探索性因子分析怎么做：操作步骤

步骤	操作
1	SPSS：分析 → 降维 → 因子分析
2	把所有题项放入变量框，点「描述」勾选 KMO 与 Bartlett
3	点「提取」选择主成分法，以特征值 >1 确定因子数
4	点「旋转」选择最大方差法，点「选项」勾选按大小排序并隐藏小系数
5	在线工具：自动完成 KMO 检验与因子提取，输出载荷表并标注归属维度

结果怎么看：探索性因子分析的关键指标

指标	含义	判断标准
KMO	取样适切性	>0.6 可做，>0.8 很适合
Bartlett p	变量间相关性检验	p<0.05 说明适合做因子分析
特征值	每个因子解释的方差	>1 是常用提取标准
累计方差解释率	提取因子共解释的变异	>60% 通常认为较好
因子载荷	题目与因子的关联	>0.5 表示明确归属
交叉负荷	题目在多个因子上的载荷	应避免是否则需调整题目

三个常见错误

错误 1：不做 KMO 就直接因子分析：样本或题项不适合时结果不可解释，前置检验不能省。

错误 2：因子数与理论结构不符就强行解释：应先检查题目措辞与样本，而不是事后给因子改名。

错误 3：对分类或单题变量做因子分析：因子分析针对量表题项，人口统计变量应单独处理。

在论文里怎么报告探索性因子分析的结果

通行做法是「三线表 + 正文解读」：表格负责给出统计量，正文负责解释含义。就探索性因子分析而言， 表格中通常需要包含KMO、Bartlett p、特征值、累计方差解释率；正文按「描述统计 → 检验结果 → 结论」的顺序展开， 每给出一个统计量都对应说明其含义，避免只罗列数字而读者看不懂。

写作时有三个细节最容易扣分：一是必须注明所用软件与版本以及显著性水平（如双侧检验 p<0.05）， 保证结果可复现；二是统计量的报告格式要统一，小数位数固定、p 值精确到三位或写成 p<0.001； 三是不能只报显著性，效应量或解释力同样要给出，否则读者无法判断差异或关系的实际大小—— 样本足够大时，微不足道的差异也能显著。

探索性因子分析结果不显著，怎么办

不显著本身就是一个有效结论，说明在当前数据下没有检出显著的差异或关联，如实报告即可。 但在下结论之前，应先排除三类技术性原因：其一，样本量不足导致检验力偏低，此时「不显著」 只说明证据不够，不能说明效应不存在；其二，变量处理有误，例如漏做反向计分、 分类变量未转哑变量、量表合成方式与研究设计不一致；其三，前置条件未满足， 例如方差不齐却读了标准结果、数据严重偏态仍用参数检验。

排除上述原因后，正确的做法是在报告中呈现不显著结果并讨论其可能原因， 而不是换一种方法直到凑出显著性——那属于方法层面的选择性报告，会直接损害研究可信度。 如果确实需要重新设计，应从样本量估算与变量测量这两个环节入手。

不想装软件怎么做

探索性因子分析在标准软件里的计算口径是统一的，差别只在操作路径。把数据文件上传到网页， 系统会自动识别变量类型、执行前置检查、匹配检验方法并输出带解读的报告， 结果与 SPSS 一致。适合一次性需求；若方法需要按研究假设定制（复杂中介调节、 结构方程、面板计量），可转入人工分析服务， 由统计团队完成全部分析并交付结果与解读。参见在线数据分析工具。