一、什么是探索因子分析
探索因子分析主要用于对问卷数据进行统计分析。
通常我们在做问卷分析的时候，如果我们设计的题项没有明确的维度划分，而我们又需要了解这些题项的维度，这时我们就需要对这题项进行探索因子分析，通过在SPSS中进行探索因子分析，得到题项的维度，从而达到降维或者其他的目的。
二、因子分析与主成分分析的区别：
主成分分析是将原始数据中最主要的成分放大，体现出来。而因子分析是寻找一个新的隐藏因子，他能包含或包括原本数据中的一个或几个，而并不是其中主要成分的放大。
三、因子分析在SPSS中的实例操作与分析
1.准备案例数据
我们搜集了一份问卷数据，该问卷设计了调查自我效能的相关题项43题，这里并没有预先的维度划分，就需要进行探索因子分析，找出中43个题项的维度划分。
（图1）
2.SPSS中的操作步骤
①点击“分析”-“降维”-“因子分析”，在弹出的“因子分析”对话框中，将需要进行划分的43题项全部选入右侧“变量”框中。
（图2）
（图3）
②进行因子分析的参数设置，先点击右侧“描述”，勾选下面的“KMO和巴特利特球形度检验”。这个是一前提检验，检验这些数据是否适合进行因子分析。
（图4）
③再点击右侧的“旋转”按钮设置，在“方法”一栏里勾选“最大方差法”。
（图5）
④最后点击右侧“选项”按钮设置，在系数显著栏里，勾选“按大小排序”和“排除小系数”，并将系数设置为0.5。这里的意思就是只显示载荷大于0.5的，小于0.5的为排除项，不显示。
（图6）
⑤点击下面“确定”进行计算，得到结果。
（图7）
由上图表可以看出：KMO=0.937，大于0.7，说明这些数据十分适合做因子分析。
（图8）
由总方差的解释这张表可以看出，基于特征值大于1时候的累积%为69.693%，大于60%，说明当前探索出来的8个维度，能够较好代表这整个数据。
（图9）
最后通过旋转后的成分矩阵表来看具体划分，横向看，22和30不属于任何维度，那么就属于无效题项，应当删除，纵向看，维度8下面只有31题一题，那么这样的题项和维度也属于无效，当删除。因此，最后的维护划分就为删除22,30,31以后剩下的7个维度。这里如果还出现一种情况，就是同一题项同时出现在2个或2个以上的维度时候，也属于无效，应该删除。
以上就是对问卷进行探索因子分析或降维的操作和结果分析，当然在进行因子分析之前，我们其实还需要进行项目分析，来检验这些题项内部的区分性。而做完因子分析后，也不是就完了，还要进一步进行信度和效度的检验。
关于项目分析和信度和效度的检验，我们将在今后的问卷分析相关文章中详细讲解，敬请关注！
本期课程就到这里哦，感谢大家耐心观看！每日更新，敬请关注！
【杏花开生物医药统计】微信公众号（xhkdata）
相关文章：
· SPSS中常用的参数和非参数检验方法
· ROC曲线在SPSS中的操作及应用
· 一文读懂R语言如何实现逐步回归分析
· R语言中如何绘制散点图和箱线图？
· SPSS中的Variable数据变量类型介绍
· 相关性分析在SPSS中的操作，相关系数含义
· 一文读懂SPSS单因素方差分析及方差分析
· 线性回归决定系数R方的计算方法及具体意义
· 医学和生物统计全过程
· 生物和医学统计中的假设检验
· GraphPad Prism绘制生存曲线详细教程
,
