SPSS 主成分分析和因子分析的区别：什么时候用哪个

主成分分析和因子分析的区别在研究目的：前者把多个指标压缩成少数几个综合指标，后者假定变量背后有看不见的构念，并判断每个变量归属哪个构念。本站对应「主成分分析(PCA)」和「因子分析(探索性)」两个模块。下面说明怎么选，并用因子分析的运行结果展示读法；本页没有主成分分析一侧的运行结果，它的演示见主成分分析综合得分。

数据要怎么排

两种方法都要求定量变量，且变量之间存在一定相关。本例是 204 行、12 个定量计分题项：服务质量 5 题、产品体验 4 题，以及第三维度（3 题）。分类变量请勿放进变量区，它们无法参与相关矩阵的计算。方法说明见因子分析(探索性)。

列名	类型	放进哪个区
12 个题项	定量计分	放入变量

因子个数的控件两个模块相同：“主成分个数为”直接指定，或“特征根阈值为”按 Kaiser 准则自动决定；页面打开时选中的是“主成分个数为”2，本文改选“特征根阈值为”1.00。得分的保存选项在主成分分析里叫“保存成分得分为新变量”，在因子分析里叫“保存因子得分为新变量”，默认都不保存。

主成分分析和因子分析的区别：先看研究目的

• 主成分分析：纯数学降维，把相关变量线性重组成互不相关的几个成分，第一成分吸走最多方差。它不假定背后存在公共因子，目标是少数综合指标和综合得分。
• 因子分析：假定变量的共同方差来自少数潜在因子，要找出因子并看每个变量主要归属哪个，所以多了旋转和简单结构诊断。
• 本站的实现：「因子分析(探索性)」本身用主成分法提取因子，旋转默认最大方差法（varimax）。两个模块的数学起点接近，差别主要在解释目标与报告里多出的内容。

问题是「这些指标能不能压成几个指标」，选主成分分析；问题是「这些题背后是几个维度」，选因子分析，需要验证已有理论结构的话，本产品没有验证性因子分析模块。两个问题都有时，先分别看两个模块的报告，再决定论文里主讲哪一个。

两种方法都跑完后：分析和查看结果不用登录；开通会员后可导出 Word / PDF 报告、使用 AI 解读。保存历史、我的数据与 LaTeX 源码导出需要登录。

两个模块的报告差在哪

项目	主成分分析(PCA)	因子分析(探索性)
公共因子假定	没有，纯数学降维	有（本站用主成分法提取，数值上与 PCA 同源）
适用性检验 KMO 与 Bartlett	有	有
成分或因子个数	「主成分个数为」或「特征根阈值为」	同样两种控件
旋转	没有旋转选项	有旋转方式可选，五种旋转加不旋转，见下图
简单结构诊断	没有	有：每个变量只在一个因子上载荷不低于 0.4，每个因子至少由 3 个变量定义
载荷、共同度、得分系数	有	有
综合得分与排名	有，权重为方差解释率占比	有，权重同样为方差解释率占比
平行分析与成分数敏感性	有	有

两个模块的差别主要集中在上表这几行。因子分析的正交旋转（如 varimax）只重新分配各因子的份额，不改变累计解释率。

因子分析结果怎么看：KMO、因子数与共同度

以下结果来自本站演示数据（模拟生成，不代表真实研究结论）。这里用的 204 行是从 240 行演示表里随机取出的，整表数字会略不同，读法一致。KMO 0.821，Bartlett 球形检验 χ²(66)=1311.115，p<0.001，适合做因子分析。

因子数看平行分析：前 3 个因子的实际特征根 3.987、2.782、2.086，都高于随机参考线；第 4 个因子的 0.482 低于参考值 1.197，所以保留 3 个，累计解释总方差 73.79%。共同度均值 0.738，最低的是服务质量 Q3，为 0.662。下面的载荷图是因子 1 与因子 2 构成的平面：服务质量靠近因子 1 轴，产品体验靠近因子 2 轴，第三组题在因子 3 上载荷高，所以在这张图上靠近原点。

论文里怎么写

对 12 个定量变量（N=204）进行探索性因子分析。KMO=0.821，Bartlett 球形检验 χ²(66)=1311.115，p<0.001。采用主成分法提取，平行分析建议保留 3 个因子，varimax 正交旋转，累计解释总方差 73.79%，共同度介于 0.662 至 0.793 之间。

如果论文用的是主成分分析，措辞是「提取 k 个主成分，累计解释某比例的方差」，应避免写成「识别出若干潜在构念」；报告用哪个模块跑的，论文里就写哪个方法。

常见误区

• 用主成分结果谈潜在构念：主成分是变量的线性组合，要谈构念就用因子分析，并写明命名依据。
• 只用 Kaiser 准则定个数：变量多时容易高估，要看平行分析。
• 把综合得分当业务排名：权重来自方差比例，要说明这一假定并检验稳健性。本例把因子数加减 1 重算，排名的 Spearman 相关最小为 0.9469。

延伸阅读

• 探索性因子分析