• 有些變量不能或不易直接觀察，他們只能通過其他多個可觀察指標來間接反映。例如：醫院醫療工作質量不易直接觀察，但可以通過門診人次、出院人數、診斷符合率、治愈率、病死率等一些可觀測指標來反映醫院醫療工作質量這個潛在變量。
• 通常，多變量之間具有相關性，其產生的原因可能是潛在的因素對觀察的變量起支配作用，如何找出這些潛在的因素？這些潛在因素是如何對原始指標起支配作用？因子分析解決這個問題。
• 因子分析：一種尋找潛在支配因子的模型分析方法，作用是分析可觀察到的原始多個變量，找出數目相對較少的，對原始變量有潛在支配作用的因子。找出共性因子變量，估計因子模型，計算共性因子變量的取值和對共性因子變量做出合理的解釋。
• 因子分析分為兩類：探索性因子分析，確定性因子分析。
  

• 探索性因子分析(簡稱因子分析):應用在數據分析初期階段，目的是探究原可測變量的特征、性質及其內部的關聯性，揭示哪些主要的潛在因子可能影響這些可測變量。分析的結果一般不需要進行統計檢驗，可建立理論變量。
• 確定性因子分析：在探索性因子分析的基礎上進行的，進一步明確每個潛在因子對可測變量的影響程度和關聯程度，該分析不要求找出潛在因子之間相互獨立，目的是明確潛在因子之間關聯性。分析結果需要統計校驗。
  

結果分析：

• 主成分信息，取特征值大于1的，如果大于1的累計貢獻率過低，也可以選取特征值小于1的。這里可看出，約82.488%的總方差可以由2個潛在因子解釋。
• 累計貢獻率達到85%
  

• 公因子方差比
• 旋轉后的因子矩陣：比旋轉前的因子起到了明顯的分離作用，使各因子具有較明確的專業意義。
  

三、主成分分析和因子分析異同

1.原理不同

• 主成分分析基本原理：利用降維（線性變換)的思想，在損失很少信息的前提下把多個指標轉化為幾個不相關的綜合指標（主成分),即每個主成分都是原始變量的線性組合,且各個主成分之間互不相關,使得主成分比原始變量具有某些更優越的性能（主成分必須保留原始變量90%以上的信息），從而達到簡化系統結構，抓住問題實質的目的。
• 因子分析基本原理：利用降維的思想，由研究原始變量相關矩陣內部的依賴關系出發，把一些具有錯綜復雜關系的變量表示成少數的公共因子和僅對某一個變量有作用的特殊因子線性組合而成。就是要從數據中提取對變量起解釋作用的少數公共因子（因子分析是主成分的推廣，相對于主成分分析，更傾向于描述原始變量之間的相關關系）
  

2.線性表示方向不同

• 因子分析是把變量表示成各公因子的線性組合
• 主成分分析中則是把主成分表示成各變量的線性組合。
  

• 主成分分析：不需要有假設(assumptions)
• 因子分析：需要一些假設。因子分析的假設包括：各個共同因子之間不相關，特殊因子（specificfactor）之間也不相關，共同因子和特殊因子之間也不相關。 
  

4.求解方法不同

• 求解主成分的方法：從協方差陣出發（協方差陣已知），從相關陣出發（相關陣R已知），采用的方法只有主成分法。（實際研究中，總體協方差陣與相關陣是未知的，必須通過樣本數據來估計）
  

注意事項：由協方差陣出發與由相關陣出發求解主成分所得結果不一致時，要恰當的選取某一種方法；一般當變量單位相同或者變量在同一數量等級的情況下，可以直接采用協方差陣進行計算；對于度量單位不同的指標或是取值范圍彼此差異非常大的指標，應考慮將數據標準化，再由協方差陣求主成分；實際應用中應該盡可能的避免標準化，因為在標準化的過程中會抹殺一部分原本刻畫變量之間離散程度差異的信息。此外，最理想的情況是主成分分析前的變量之間相關性高，且變量之間不存在多重共線性問題(會出現最小特征根接近0的情況)；

• 求解因子載荷的方法：主成分法，主軸因子法，極大似然法，最小二乘法，a因子提取法。
  

• 主成分分析：當給定的協方差矩陣或者相關矩陣的特征值唯一時，主成分一般是固定的獨特的
• 因子分析：因子不是固定的，可以旋轉得到不同的因子。
  

6.因子數量與主成分的數量

• 主成分分析：主成分的數量是一定的，一般有幾個變量就有幾個主成分（只是主成分所解釋的信息量不等），實際應用時會根據碎石圖提取前幾個主要的主成分。
• 因子分析：因子個數需要分析者指定（SPSS和sas根據一定的條件自動設定，只要是特征值大于1的因子主可進入分析），指定的因子數量不同而結果也不同；
  

• 主成分分析：重點在于解釋個變量的總方差
• 因子分析：則把重點放在解釋各變量之間的協方差。 
  

• 主成分分析：協方差矩陣的對角元素是變量的方差
• 因子分析：所采用的協方差矩陣的對角元素不在是變量的方差，而是和變量對應的共同度（變量方差中被各因子所解釋的部分）
  

• 如果僅僅想把現有的變量變成少數幾個新的變量（新的變量幾乎帶有原來所有變量的信息）來進入后續的分析，則可以使用主成分分析，不過一般情況下也可以使用因子分析；
• 通過計算綜合主成分函數得分，對客觀經濟現象進行科學評價；
• 它在應用上側重于信息貢獻影響力綜合評價。
• 應用范圍廣，主成分分析不要求數據來自正態分布總體，其技術來源是矩陣運算的技術以及矩陣對角化和矩陣的譜分解技術，因而凡是涉及多維度問題，都可以應用主成分降維；
  

• 主成分分析：可以用于系統運營狀態做出評估，一般是將多個指標綜合成一個變量，即將多維問題降維至一維，這樣才能方便排序評估；此外還可以應用于經濟效益、經濟發展水平、經濟發展競爭力、生活水平、生活質量的評價研究上；主成分還可以用于和回歸分析相結合，進行主成分回歸分析，甚至可以利用主成分分析進行挑選變量，選擇少數變量再進行進一步的研究。一般情況下主成分用于探索性分析，很少單獨使用，用主成分來分析數據，可以讓我們對數據有一個大致的了解。
  

• 因子分析：首先，因子分析+多元回歸分析，可以利用因子分析解決共線性問題；其次，可以利用因子分析，尋找變量之間的潛在結構；再次，因子分析+聚類分析，可以通過因子分析尋找聚類變量，從而簡化聚類變量；此外，因子分析還可以用于內在結構證實