因子分析(探索性)

这个方法是做什么的

一批彼此相关的数值变量（最典型的是问卷题项），背后可能只由少数几个看不见的「因子」驱动。这个方法把这些变量压缩成几个因子，告诉你每个变量主要归属哪个因子（载荷矩阵）、每个因子解释了多少信息。

本模块用主成分法提取因子，默认 varimax 旋转（旋转方式可在上方切换），并在此基础上按各因子的方差贡献率加权，给每个样本算一个综合得分与排名。

什么时候用它

问卷有几十道题，想看它们实际聚成了几个维度
想把一堆高度相关的指标降成少数几个综合指标，再拿去做回归或评价
需要一套可复现、可写进论文的综合评价得分与排名

什么时候不要用它

你已经有一个明确的理论结构，想验证它对不对：那是验证性因子分析（CFA）的任务。探索性因子分析做不了「验证」——它总能给你一个结构，哪怕数据是随机的。
变量之间本来就几乎不相关：第一张卡的 Bartlett 球形检验不显著，就意味着提取公共因子这件事本身没有意义；KMO 太低同理。
样本量太小：下方「数据要求」里的行数下限是技术下限，不是统计下限。探索性因子分析常用的经验要求是样本量不低于变量数的 5 倍且总量不少于 100，第一张卡会给出实测比值。样本不够时载荷抖动极大，换一批数据结构就变了。
只想降维、不关心因子的可解释性：用「主成分分析(PCA)」更直接。

容易误读的地方

因子叫什么名字是你定的，不是数据算出来的。 报告只给出「哪些变量在哪个因子上载荷高」，把它命名为「服务质量」还是「一线体验」完全是研究者的解释。同一份载荷矩阵，不同的人可以给出不同且都说得通的命名——这一步没有统计学依据，写论文时要能讲出理论上的理由。
换一种旋转方式，载荷就换一批，而它们在数学上同样成立。 因子解存在旋转不定性：varimax、promax、oblimin 会给出不同的载荷模式，没有哪一个是「真的」。因此旋转方式必须在论文里写明；也不能反复换旋转，直到出现自己想要的那个结构。
累计方差解释率不是「模型有多准」。 它只是说前几个因子重构了原始变量多大比例的方差，既没有做假设检验，也不保证这个结构换一批样本还成立。除了 Bartlett 球形检验，本模块不产生 p 值和置信区间——第四张卡的平行分析、共同度、简单结构诊断是信息保留与结构清晰度的度量，不是显著性检验。
综合得分的权重来自数据，不来自业务重要性。 得分按各因子解释的方差比例加权，隐含的假定是「解释方差越多的因子越重要」。做「哪个门店综合表现最好」这类排名时，这个假定未必成立：一个方差很小、但业务上决定生死的维度，会被自动压成很低的权重。要拿这个排名去做决策，必须把这条假定明说出来。

需要准备什么数据

放入 [定量] 变量：至少 2 个，定量变量（数值）
放入 [定类] 摘要 (可选)（可选）：定类变量（分组/标签）

数据要求

数据表至少 5 行。
单列缺失率不超过 20%。
不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

报告里有什么

输出结果一：数据概览与前提检验
输出结果二：方差解释、载荷与综合得分主结果表
输出结果三：可视化（碎石图与因子载荷图）
输出结果四：因子保留判据、结构清晰度与信息保留诊断
输出结果五：结论与学术表述