探索性因子分析（EFA）结果怎么解读？方差解释率·特征值·载荷矩阵
EFA 用在量表编制或问卷结构未知的阶段：让数据自己"说话"，看这批题项背后能提取出几个因子、每道题归到哪个因子。它的结果主要由三张表组成——总方差解释、碎石图、旋转后因子载荷矩阵。本文给出每张表的判读标准和论文写法。
一、先确认前提：KMO 与 Bartlett
EFA 之前必须报告KMO 与 Bartlett 球形检验：一般要求 KMO ≥ 0.70（至少 0.60）、Bartlett 显著（p < 0.05）。前提不满足时讨论后面的载荷没有意义。
二、第二步：确定方法——提取法与旋转法
| 选项 | 常用选择 | 什么时候用 |
|---|---|---|
| 提取方法 | 主成分分析（PCA）/ 主轴因子（PAF） | 纯粹降维、量表结构探索多用 PCA；强调潜变量模型时用 PAF |
| 旋转方法 | 最大方差法（Varimax，正交）/ Promax（斜交） | 假设因子之间不相关用 Varimax；社会科学中因子常相关，用 Promax 更贴近理论 |
| 因子数 | 特征值 > 1 或理论指定 | 有成熟理论框架时按理论设定因子数，更易发表 |
三、总方差解释表：累计解释率是核心
看两列：单个因子的方差贡献率与多个因子的累积方差贡献率。
| 指标 | 常用标准 | 说明 |
|---|---|---|
| 累积方差解释率 | ≥ 50%（社会科学常见底线），≥ 60% 较理想 | 低于 50% 说明提取出的因子没能概括原始信息 |
| 单因子贡献率 | 没有硬性标准 | 但若第一因子占比过高（如 > 40%），要怀疑共同方法偏差，见 Harman 检验 |
| 特征值 | > 1（Kaiser 准则） | 报告时通常只列特征值 > 1 的因子 |
四、碎石图：辅助判断因子数
把特征值按序号画成折线，曲线从陡降到平缓的转折点（"肘部"）对应的因子数就是建议保留数。它和"特征值 > 1"结论不一致时，优先结合理论框架与可解释性决定，并在论文中说明理由。
五、旋转后载荷矩阵：判读四件事
- 载荷值：题项在所属因子上的载荷一般要求 ≥ 0.50（低于 0.40 通常考虑删题）。
- 交叉载荷：同一题在两个因子上的载荷都 ≥ 0.40，属于归属不清，建议删除或修改表述。
- 因子归属是否符合理论：每个因子下的题目是否在语义上指向同一个构念，能否用理论命名。
- 每个因子的题目数：一般每个因子至少 3 题，2 题以下的因子稳定性差、也难以做后续信度分析。
此外可参考共同度（communalities）：表示该题被公共因子解释的比例，通常要求 > 0.40，过低的题项说明它没被任何因子"接住"。
六、论文里怎么写（可直接套用）
示例表述：「对 24 个题项进行探索性因子分析。KMO 值为 0.873，Bartlett 球形检验显著（χ² = 1893.52，df = 276，p < 0.001）。采用主成分分析法提取因子，并以最大方差法进行正交旋转，共提取 4 个特征值大于 1 的因子，累积方差解释率为 62.35%。旋转后各题项在所属因子上的载荷介于 0.612～0.845 之间，均大于 0.50，且不存在明显的交叉载荷，因子结构与理论构想一致。」
表格一般报告「总方差解释表（列出特征值、方差贡献率、累积贡献率）」与「旋转后因子载荷矩阵」，格式要求见论文三线表规范。
七、结果不理想怎么办
- 因子数与理论不符：先看是否为旋转方式或提取方法造成的差异；仍不符时可固定因子数重新提取，并说明依据。
- 出现交叉载荷：优先修改或删除表述含糊的题目，而不是强行保留。
- 累积解释率偏低：检查样本量、题目质量与量表维度是否混杂；必要时删题后重跑。
- 结构已明确但仍需检验：如果量表来自成熟理论，更适合直接做验证性因子分析（CFA），而不是 EFA。
用艾吖法一键生成 EFA 报告
选定题项即可输出「KMO 和 Bartlett 检验」「总方差解释表（仅列特征值大于 1 的因子）」「旋转后因子载荷矩阵」三张表及解读文字，数字由统计引擎硬编码计算、与 SPSS 逐格对照一致。
开始 EFA 分析