探索性因子分析法

出自MBA智库百科(http://wiki.mbalib.com/)

探索性因子分析法（Exploratory Factor Analysis，EFA）

目录 1 什么是探索性因子分析法？ 2 探索性因子分析法的起源 3 探索性因子分析法的计算 4 探索性因子分析法的运用 5 探索性因子分析法的步骤 6 探索性因子分析法的优点 7 探索性因子分析法的缺点 8 探索性因子分析法的假定

什么是探索性因子分析法？

　　探索性因子分析法（Exploratory Factor Analysis，EFA）是一项用来找出多元观测变量的本质结构、并进行处理降维的技术。 因而，EFA能够将将具有错综复杂关系的变量综合为少数几个核心因子。

探索性因子分析法的起源

　　因子分析法是两种分析形式的统一体， 即验证性分析和纯粹的探索性分析。 英国的心理学家Charles Spearman在1904年的时候，提出单一化的智能因子（A Single Intellectual Factor）。 随着试验的深入，大量个体样本被分析研究，Spearman的单一智能因子理论被证明是不充分的。 同时，人们认识到有必要考虑多元因子。 20世纪30年代，瑞典心理学家Thurstone打破了流行的单因理论假设，大胆提出了多元因子分析（Multiple Factor Analysis）理论。 Thurstone在他的《心智向量》（Vectors of Mind， 1935）一书中，阐述了多元因子分析理论的数学和逻辑基础。

探索性因子分析法的计算

　　在运用EFA法的时候，可以借助统计软件（如SPSS统计软件或SAS统计软件）来进行数据分析。

探索性因子分析法的运用

　　1、顾客满意度调查。

　　2、服务质量调查。

　　3、个性测试。

　　4、形象调查。

　　5、市场划分识别。

　　6、顾客、产品及行为分类。

探索性因子分析法的步骤

　　一个典型的EFA流程如下：

　　1、辨认、收集观测变量。

　　2、获得协方差矩阵（或Bravais-Pearson的相似系数矩阵）

　　3、验证将用于EFA的协方差矩阵（显著性水平、反协方差矩阵、Bartlett球型测验、反图像协方差矩阵、KMO测度）。

　　4、选择提取因子法（主成分分析法、主因子分析法）。

　　5、发现因素和因素装货。 因素装货是相关系数在可变物(列在表里)和因素(专栏之间在表里)。

　　6、确定提取因子的个数（以Kaiser准则和Scree测试作为提取因子数目的准则）。

　　7、解释提取的因子（例如，在上述例子中即解释为“潜在因子”和“流程因子”）。

探索性因子分析法的优点

　　1、EFA法便于操作。

　　2、当调查问卷含有很多问题时，EFA法显得非常有用。

　　3、EFA法既是其他因子分析工具的基础（如计算因子得分的回归分析），也方便与其他工具结合使用（如验证性因子分析法）。

探索性因子分析法的缺点

　　1、变量必须有区间尺度。

　　2、沉降数值至少要要变量总量的3倍。

探索性因子分析法的假定

　　对于主因子分析法来说，不存在异常值、等距值、线形值、多变量常态分配以及正交性等情况。