第 28 课：统计分析（四）探索性因子分析（EFA）
🎯 核心实操目标
学习目标：掌握 EFA 完整流程——KMO + Bartlett 前提检验 / 因子提取方法选择 / 因子旋转 / 载荷表解读 / 交叉载荷处理。本课你将用 Case A 的 AI 焦虑 12 题数据跑出符合理论预期的三因子结构（认知/情感/回避），并理解何时用 EFA 何时用 CFA。
📋 课前准备（5 分钟自检）
工具/账号
- [ ] Jamovi 2.5+（Factor 模块）
- [ ] 第 23 课清洗后数据，反向题已反转
数据/素材
- [ ] AI 焦虑 12 题（已反转 Anxiety_4_R）
- [ ] 样本量 N ≥ 200（EFA 经验法则：N ≥ 题数 × 10–20）
应急通道
- KMO < .60 → 数据不适合做 EFA，回头检查量表设计
- 跑不出预期维度 → 用 Promax 旋转替代 Varimax，或调整因子数
场景导入：12 道题的背后，藏着几个看不见的维度？
你的问卷有 12 道焦虑题，每个被试给出 12 个分数。直接面对这 12 列数字，很难说清它们到底在测几样东西——题与题之间相关性彼此纠缠：答"我担心不会用 AI 影响成绩"高分的人，往往在"想到要用 AI 就紧张"上也答高分。探索性因子分析（EFA）回答的正是这个问题：这 12 道高度相关的题，背后能不能归纳为少数几个看不见的「潜在维度」（即「因子」）？
一个生活化的类比：12 道题像一个公司里 12 名员工，表面上各做各的，但他们其实分属 3 个部门（认知焦虑 / 情感焦虑 / 行为回避）。EFA 做的事，就是只看"谁和谁的工作高度联动"，反推出这 3 个部门的存在，并判断每名员工主要归哪个部门。
在这个类比里，本课两个最关键的判据各自对应一句话：KMO > 0.8 表示"这批题之间确有足够的共同关联，值得去找潜在维度"；因子载荷 > 0.4 表示"这道题确实主要由某个因子驱动、归属清晰"。
一句话先记住：EFA 用题与题之间的相关，反推出题目背后的少数潜在因子——它是"从数据里发现结构"，而不是"验证你预设的结构"（后者是 CFA，本课末尾会讲清两者分工）。
🗺️ 架构重组：EFA 完整流程
Step 1: 前提检验 KMO ≥ .60 + Bartlett 球形检验 p < .05
↓
Step 2: 因子提取 主成分分析(PCA) 或 主轴因子(PAF)
↓
Step 3: 决定因子数 特征值 > 1 / 碎石图拐点 / 理论预期
↓
Step 4: 因子旋转 Varimax(正交) 或 Promax(斜交)
↓
Step 5: 载荷解读 载荷 > .4 才算"归属"
↓
Step 6: 交叉载荷处理 删题或归入高载荷因子原理：EFA 在测什么、为什么这样做、前提是什么
在按按钮跑 EFA 之前，先把它的逻辑想清楚——这能让你看懂输出、也能在结果异常时知道该查哪里。可以从四个角度理解。
它在测什么——用题项间的相关，推断少数看不见的「共同来源」。 EFA 的出发点是一张题项间相关矩阵：12 道题两两之间有多相关。它的核心假设是，这些相关并非凭空产生，而是被少数潜在因子（latent factor）驱动的——同属"认知焦虑"的几道题之所以一起高、一起低，是因为背后有一个共同的"认知焦虑"维度在拉动它们。EFA 要做的，就是反过来：从可观测的相关，估计出这些不可观测的因子有几个、每道题受哪个因子影响多大。它本质上是一种降维——把 12 列彼此重叠的信息，压缩成 3 个更精炼、可解释的维度。
为什么这样做——结构效度的实证依据，且要在共同方差上做。 量表声称"测了认知/情感/回避三个维度"，这只是设计者的主张；EFA 提供结构效度（construct validity）的实证检验：数据里题目的聚合方式，是否真的支持这个维度划分（第 27 课把结构效度的实证手段正是指向本课）。这里有一个容易被忽略却很重要的区分：心理学量表分析推荐用主轴因子法（PAF）而非主成分分析（PCA），因为前者只对题目间的共同方差（公因子方差）建模，把每道题的"特异性 + 测量误差"剔除在外；这与"我们相信题目背后存在共同潜变量"的理论立场一致。PCA 则把全部方差（含误差）一并降维，严格说不是因子模型。
前提假设——四条，缺一会让结果不可信。 EFA 不是对任何数据都成立，跑之前它默认：① 变量间确有足够相关（否则无共同因子可提——这正是 KMO 与 Bartlett 要检验的）；② 样本量足够（经验法则题项数 × 10–20，与第 21 课一致；但倍数只是起点，真正的充分性还取决于因子载荷与共同度高低，载荷高、共同度高时较小样本也稳）；③ 题项为连续或可近似连续的等距测量（5 点及以上 Likert 量表通常按连续处理，二分/三分类题更适合用多分相关矩阵的专门方法）；④ 变量间是线性相关（因子模型建立在皮尔逊相关之上）。
常见误用——把"探索"当"验证"、把命名当发现。 最常见的三类误用：其一，已有明确理论维度却仍只做 EFA 就下"结构效度成立"的结论——EFA 是探索性的，让数据自己说话，严格验证一个预设结构应当用 CFA（见拆解实战 F）；其二，只看特征值 > 1 一个标准就定因子数（Kaiser 准则系统性高估因子数，须与碎石图、理论三者交叉）；其三，因子命名当成客观发现——因子是统计构造，名字（"认知焦虑"）是研究者根据其下高载荷题项的共同内涵主观赋予的，不同人可能命名不同，命名本身不构成证据。
📘 关键术语（首次出现，先对齐定义）
- 因子 / 潜在因子（factor / latent factor）：不可直接观测、被假设为驱动多个题项共同变化的潜在变量（如"认知焦虑"）。EFA 的目标就是估计因子的个数及其与各题项的关系。
- 因子载荷（factor loading）：某题项与某因子之间的关联强度，可理解为"该因子能在多大程度上解释这道题的变异"，取值通常在 −1 与 1 之间。经验阈值 |载荷| > .40 才视为该题对该因子有实质归属（.50 以上更稳）。
- 共同度（communality, h²）：一道题的变异中，能被所有保留因子共同解释的比例（0–1）。共同度高（如 > .40–.50）说明这道题被因子结构"接住"了；过低说明它游离于结构之外，可考虑删除。
- 特征值（eigenvalue）：一个因子所解释的总方差量。Kaiser 准则保留特征值 > 1 的因子（含义：该因子解释的方差多于单独一道标准化题项），但此法常高估因子数。
- KMO（Kaiser-Meyer-Olkin 取样适切性量数）：衡量变量间是否有足够的公共相关、适合做因子分析的指标（0–1，越大越好）。本课判据见下表，总体 KMO ≥ .60 是底线。
- Bartlett 球形检验（Bartlett's test of sphericity）：检验"相关矩阵是否为单位阵"（即变量间两两不相关）的假设。p < .05 表示拒绝该假设、变量间存在相关，可以做 EFA。
- 碎石图（scree plot）：把各因子的特征值由大到小画成折线，用其"拐点"（陡降转平缓处）辅助判断该保留几个因子。
- 因子旋转（rotation）：在不改变拟合优度的前提下旋转因子轴，使载荷向"每题只在一个因子上高、其余接近 0"的简单结构靠拢，便于解读与命名。分正交旋转（orthogonal，如 varimax，假设因子间不相关）与斜交旋转（oblique，如 oblimin / promax，允许因子间相关）两类。
- 简单结构（simple structure）：理想的载荷模式——每道题在唯一因子上高载荷、在其余因子上接近 0；旋转的目的就是逼近它。
- 交叉载荷（cross-loading）：一道题在两个及以上因子上载荷都较高（如均 > .40 且差值 < .10），归属不清，需处理（见拆解实战 E）。
- 海伍德情形（Heywood case）：估计出的共同度 ≥ 1（或出现负的误差方差）的异常结果，提示模型设定有问题（如因子数过多、样本过小、变量近乎共线），不能直接采用。
💡 一句话锚定
EFA = 从题项间相关里反推少数潜在因子。KMO/Bartlett 回答"该不该做"，特征值/碎石图/理论回答"提几个"，旋转后的载荷表回答"每题归哪个、归得清不清楚"。全程它只是在"发现"结构，要"验证"某个预设结构，请用 CFA。
🚀 拆解实战 A：Step 1 前提检验
Jamovi 操作
- Factor → Exploratory Factor Analysis
- Variables: 拖入 Anxiety 12 题（含反转后的 Anxiety_4_R）
- 在 Assumption Checks 中勾选：
- KMO measure of sampling adequacy
- Bartlett's test of sphericity
判断标准
| KMO | 评估 |
|---|---|
| ≥ .90 | 极好 |
| .80 – .89 | 很好（理想） |
| .70 – .79 | 中等 |
| .60 – .69 | 平庸（可勉强用） |
| < .60 | 不适合做 EFA |
Bartlett 球形检验：p < .05 → 可以做 EFA（说明变量间确实存在相关，相关矩阵不是单位阵）。
📐 Case A 实测（前提通过）
对 Anxiety 12 题跑前提检验，得 KMO = .87（落在 .80–.89"很好"档）、Bartlett's χ²(66) = 1842.34，p < .001。两项都过关，数据适合做 EFA——这两个数字稍后会原样写进拆解实战 G 的 APA 报告段。注意一个统计细节：Bartlett 检验对样本量极敏感，N 较大时几乎总会显著（p < .001 是常态），所以它只是"门槛"而非"质量保证"；真正衡量"适不适合"的主力是 KMO，二者要一起看，不能只凭 Bartlett 显著就放心。
🚀 拆解实战 B：Step 2 因子提取方法
| 方法 | 适用 |
|---|---|
| 主成分分析（PCA） | 数据降维，不区分公共方差 vs 误差 |
| 主轴因子（PAF） | 假设存在公共潜变量，更符合心理学量表分析 |
| 最大似然（ML） | 需正态性假设，可做 CFA 衔接 |
Jamovi 默认主轴因子——心理学/教育学场景推荐。
🚀 拆解实战 C：Step 3 决定因子数
三种判断方法（建议综合使用）：
① 特征值 > 1 法（Kaiser 准则）
每个特征值 > 1 的因子保留。 问题：常常高估因子数。
② 碎石图（Scree Plot）
寻找"拐点"（线条从陡降变平缓的点）。 最直观——拐点之前的因子数即为推荐数。
③ 理论预期
如果量表本就按 k 个维度设计、且 EFA 结果与之吻合，提取 k 个因子是有依据的。注意：这不是"想要几个就设几个"——理论只是三条线索之一，必须与碎石图、特征值给出的证据相互印证；若数据明显支持 2 个或 4 个因子，应当尊重数据并重新审视理论，而非硬塞成 3 个。
💡 Case A 应该跑出 3 因子
Anxiety 12 题是按"认知 / 情感 / 回避"三维设计的， 理论 + 碎石图拐点 + Kaiser 准则三者应该都指向 3 因子——三条独立线索同时收敛到 3，才是"3 因子结构成立"的有力证据。
📐 更稳的判据：平行分析（parallel analysis）
Kaiser 准则（特征值 > 1）会系统性高估因子数，碎石图的"拐点"又常带主观。方法学上更受推荐的是平行分析：把你的特征值与"同等规模随机数据"的特征值逐一比较，只保留实际特征值高于随机基准的因子。Jamovi 的 EFA 模块在"Number of Factors"里就内置了 Parallel analysis 选项，建议作为定因子数的主判据，再与碎石图、理论交叉确认。本课为教学清晰仍以"特征值 + 碎石图 + 理论"三者收敛叙述，实战中优先用平行分析更稳。
🚀 拆解实战 D：Step 4 因子旋转
旋转的目的只有一个：在不改变模型对数据的拟合程度的前提下，把载荷"摊"成更易解读的简单结构（每题只在一个因子上高、其余接近 0），方便给因子命名。
| 方法 | 类型 | 适用 |
|---|---|---|
| Varimax | 正交（orthogonal） | 假设因子间互相独立，旋转后因子两两不相关；结果表最干净 |
| Oblimin / Promax | 斜交（oblique） | 允许因子间相关；心理学/教育学的维度（如认知 vs 情感焦虑）通常本就相关，理论上更贴合 |
💡 正交还是斜交？按"因子该不该相关"来选，并如实报告
判断标准不是"哪个表好看"，而是你的因子在理论上是否应当相关：
- 认知焦虑、情感焦虑、行为回避三者本属同一上位构念、彼此相关，因此严格地说斜交旋转（oblimin/promax）更符合理论。斜交旋转会额外给出因子间相关矩阵——若各因子相关都很低（如 < .2），说明用正交也无妨，可回退到 varimax 以求表格简洁；若相关明显（如 > .3），就应保留斜交结果并报告因子间相关。
- 实操路径：可先用 varimax 看清结构、确认每题归属，再用 oblimin 核对因子间相关与命名是否稳定。无论最终用哪种，论文里必须写明所用的旋转方法（本课 worked example 与 APA 报告示范的是 varimax，相应地正文已注明"Varimax 正交旋转"）。
- 一个常见误区：把"正交"当默认、从不报告、也从不检查因子是否真的不相关——这会在因子确有相关时低估它们之间的关系。
🚀 拆解实战 E：Step 5–6 载荷表解读
Jamovi 操作
- 设置好提取方法 + 旋转 + 因子数
- 在 Factor Loadings 中勾选 Hide loadings below:
0.40 - 跑出旋转后载荷表
期望的清晰载荷模式（Case A）
═══════════════════════════════════════════════
Factor 1 Factor 2 Factor 3
(认知) (情感) (回避)
───────────────────────────────────────────────
Anxiety_1 .72 (认知)
Anxiety_2 .75 (认知)
Anxiety_3 .68 (认知)
Anxiety_4R .65 (认知反向)
Anxiety_5 .71 (情感)
Anxiety_6 .73 (情感)
Anxiety_7 .69 (情感)
Anxiety_8 .74 (情感)
Anxiety_9 .70 (回避)
Anxiety_10 .72 (回避)
Anxiety_11 .68 (回避)
Anxiety_12 .71 (回避)
───────────────────────────────────────────────
Variance % 16.2% 15.8% 14.5% 累计 46.5%
═══════════════════════════════════════════════表里把 .40 以下的载荷隐藏了（勾选了 Hide loadings below 0.40），所以每行只剩一个数——这恰恰是"简单结构"的样子。
Anxiety_4R用的是已反转的版本：它在第 23 课被重编码为Anxiety_4_R = 6 − Anxiety_4，反转后与同维其他题同向，才会和Anxiety_1/2/3一起落在因子 1（认知）上。反向题若忘了反转，它的载荷会变成负号或干脆掉到 .40 以下，破坏整张表——这是 EFA 阶段最常见的"假结构破坏者"。
📐 Worked Example：这张载荷表逐项怎么读
不要把载荷表当"对了就过"的装饰，要能把它翻译成结论。以 Case A 为例：
- 逐行看归属：
Anxiety_1在因子 1 上载荷 .72、在因子 2/3 上均 < .40（被隐藏），说明它几乎只被"认知焦虑"这个因子驱动，归属清晰。12 道题每一行都如此——这就是"三因子结构清晰、无交叉载荷"的含义。 - 逐列看因子：因子 1 下高载荷的是
Anxiety_1/2/3/4R，它们内容上都关于"担心能力不足、怕影响成绩"，于是把因子 1 命名为"认知焦虑"；因子 2（Anxiety_5–8，关于紧张、心慌等情绪）命名"情感焦虑"；因子 3（Anxiety_9–12，关于回避、拖延使用）命名"行为回避"。命名是研究者依据题项共同内涵赋予的，不是软件给的。 - 看解释方差：三个因子分别解释约 16.2% / 15.8% / 14.5%，累计 46.5%。社科量表 EFA 累计解释方差达到 40%–50% 即属可接受，46.5% 在合理范围（这一比例不是越高越好，过高反而可能提示题项冗余）。
- 顺手看共同度（communality）：Jamovi 会同时给出每题的共同度 h²。本例各题载荷 .65–.75，对应共同度大致在 .42–.56，说明每道题约有四到五成的变异被三因子结构解释、没有题目"游离在外"。若某题共同度过低（如 < .30），即便它勉强落在某因子，也提示它与整体结构关系弱，应考虑删除。
交叉载荷处理
理想的简单结构里每题只归一个因子。但实际数据常出现交叉载荷（cross-loading）——一道题在两个因子上载荷都 > .40。判定与处理：
- 判定：看该题在两个因子上的载荷差值。若差值 < .10（如某题在因子 1 上 .45、因子 2 上 .42），归属不清，是真正的"骑墙题"。
- 处理（按稳健性排序）：① 删除该题最稳妥，尤其当删后量表内容仍覆盖完整、且信度（Cronbach's α）不明显下降时；② 若内容上不可或缺，保留在载荷更高的那个因子，但前提是两载荷差值 > .10、且有理论依据；③ 删题后须重跑 EFA——少一道题，整个载荷结构可能重排，不能删完就直接用旧表。
- 与信度联动：删题决策不要只看 EFA。回到第 27 课的
α if item dropped：若删去交叉载荷题后该维度 α 反而上升或基本不变，删除就更有底气。EFA（结构）与信度（一致性）要合起来判断，而非各自为政。
🚀 拆解实战 F：EFA vs CFA 选择
一句话区分：EFA 是"不预设结构、让数据告诉你有几个因子、每题归谁"；CFA（验证性因子分析，confirmatory factor analysis）是"先写死一个结构（哪几题归哪个因子），再检验数据与这个结构拟合得好不好"（看 χ²/df、CFI、TLI、RMSEA 等拟合指标）。前者发现，后者验证。
| 何时用 EFA | 何时用 CFA |
|---|---|
| 新编量表，没有先验维度假设 | 已有理论确定维度结构，要验证 |
| 跨文化适应（中国版 vs 美国版），结构可能变 | 重复别人成熟量表，验证在本样本是否适配 |
| 探索性研究：有几个因子未知 | 确认性研究：报告 CFA 模型拟合指标 |
Case A 严格说应当用 CFA（量表本就按认知/情感/回避三维设计，是"已有结构待验证"），本课用 EFA 只为教学演示完整流程。研究生学位论文的常见做法，是先做 EFA"看维度结构是否如预期浮现"，再做 CFA"正式验证拟合"。
⚠️ 关键纪律：别在同一份数据上又 EFA 又 CFA 就宣称"验证通过"
EFA 是贴着这份数据找出最契合的结构；如果转头又用同一份数据做 CFA，等于"自己出题自己答"，拟合好是必然的，并不能算独立验证。规范做法有两种：① 随机折半——把样本随机分两半，一半做 EFA 探索结构、另一半做 CFA 验证；② 在新收集的独立样本上做 CFA。本课程不强制做到 CFA（属进阶），但你要知道："EFA 跑出漂亮的三因子"本身只是探索证据，不等于"结构效度已被验证"——这条边界下文【边界与局限】还会强调。
🚀 拆解实战 G：报告（APA）
为检验 AI 学习焦虑量表的结构效度,本研究对 12 个题项进行了
探索性因子分析(EFA)。前提检验显示, KMO = .87, Bartlett's
球形检验 χ²(66) = 1842.34, p < .001, 数据适合做因子分析。
采用主轴因子法提取因子, Varimax 正交旋转。基于特征值 > 1 与
碎石图拐点, 共提取 3 个因子, 累计解释方差 46.5%。
旋转后载荷表显示三因子结构清晰: Factor 1 由 Anxiety_1-4
组成(载荷 .65-.75), 命名为"认知焦虑"; Factor 2 由 Anxiety_5-8
组成(载荷 .69-.74), 命名为"情感焦虑"; Factor 3 由 Anxiety_9-12
组成(载荷 .68-.72), 命名为"行为回避"。无显著交叉载荷(均 < .30)。
(详见表 4)让 AI 把你的 EFA 输出翻译成报告段（它只翻译，不代算）
上面这段报告里的每一个数字——KMO、χ²、自由度、p、因子数、解释方差、载荷范围——都来自你在 Jamovi 里亲手跑出的输出。AI 的角色是把这些已算好的结果组织成规范段落，绝不重新计算、不改动任何数值、更不允许凭空"估"一个。
【角色】APA 第七版格式严谨的论文方法/结果编辑。
【任务】下面是我用 Jamovi 跑出的 EFA 完整输出（KMO/Bartlett、解释方差、
旋转后载荷表，原样粘贴）。请据此撰写约 200 字的"探索性因子分析"结果段，须含：
1. 前提检验：报告 KMO 与 Bartlett 球形检验（χ²、自由度、p）。
2. 提取与旋转：写明提取方法（主轴因子）与旋转方法（如 Varimax），并说明定因子数的依据。
3. 因子数与累计解释方差。
4. 逐因子说明：各因子由哪几题组成、载荷范围，并给出我已确定的命名。
5. 交叉载荷情况。
【严格约束】
- 只能使用我粘贴的数字，逐字照搬；严禁改动、四舍五入到不同位数或自行补算任何统计量。
- APA 写法：相关/载荷/p 等小于 1 的值不写前导 0（写 .87 不写 0.87）；p < .001 照此格式。
- 因子命名以我提供的为准，不得自行重命名。
- 任何你不确定的数字，留空并提示"此处需作者填入"，不得编造。
【粘贴 Jamovi 输出】[在此粘贴]EFA 结果段：写砸 vs 写好
| 维度 | 写砸 ❌ | 写好 ✅ | 为什么 |
|---|---|---|---|
| 前提交代 | 数据适合做因子分析 | KMO = .87、Bartlett's χ²(66)=1842.34, p<.001，适合做因子分析 | "适合"是结论，必须给出支撑它的 KMO 与 Bartlett 数值 |
| 方法透明 | 做了因子分析，提取 3 个因子 | 采用主轴因子法、Varimax 正交旋转；据特征值>1、碎石图与理论提取 3 个因子 | 不写提取/旋转方法，结果无法复现；审稿人首先就问这两项 |
| 因子命名 | 得到 3 个因子 F1/F2/F3 | F1 由 Anxiety_1–4 组成（载荷 .65–.75），命名"认知焦虑"…… | 因子要落到内容上命名，并交代题项与载荷范围，否则读者不知道每个因子是什么 |
| 结构质量 | 结构很好 | 三因子结构清晰、无显著交叉载荷（均<.30），累计解释方差 46.5% | "很好"不可检验；用交叉载荷、解释方差等具体证据说话 |
| 效度措辞 | EFA 验证了量表的结构效度 | EFA 结果支持预期的三因子结构，为结构效度提供了初步证据 | EFA 是探索性证据，"验证"应留给 CFA；措辞越界是常见硬伤 |
跨案例迁移：把 EFA 用到一份"维度未知"的新量表
前面 Case A 是已知三维结构、拿 EFA 来"看它是否如期浮现"。EFA 真正的主场其实是维度未知时——下面用一个紧扣课程数据的延伸场景演示同一套流程怎么走、以及结果不理想时的样子。
场景：你想从 Case A 的 Strategy_1..8（学习策略 8 题）出发，探索这 8 道策略题背后到底有几个维度。与 Anxiety 不同，假设你这次没有现成的理论维度划分，要让数据说话。
📐 Worked Example：Strategy 8 题的 EFA 走查（含两种可能结局）
流程完全照搬 Case A，只是题目换成 Strategy_1..8：
- 前提检验：跑 KMO 与 Bartlett。Strategy 量表整体信度高（Cronbach's α≈.88，来自第 27 课），题项间相关充分，KMO 通常能过 .80、Bartlett p<.001，前提成立。
- 定因子数：这一步最关键，因为没有理论替你兜底。优先看平行分析 + 碎石图。可能出现两种结局——
- 结局甲（单因子）：若 8 道题高度同质（彼此相关都不低），平行分析可能只支持 1 个因子，碎石图在第 2 个特征值后就陡然走平。结论："学习策略"在本样本是单维构念，8 题测同一件事——这与它 α 高达 .88 也吻合（α 高本就常见于单维量表）。此时不要为了"多几个因子好看"硬提取 2 个。
- 结局乙（双因子）：若题目内容本可分"认知策略 vs 资源管理策略"两簇，平行分析可能支持 2 个因子，载荷表呈两列清晰归属。则据题项内涵分别命名，并报告两因子。
- 无论哪种结局，纪律一致：让平行分析/碎石图/可解释性共同决定因子数，绝不能因为"想要某个数"就调参凑结果；提取后同样要检查载荷>.40、共同度、交叉载荷，再据题项命名。
这个例子的要点：EFA 的价值正在于"不知道有几个维度时帮你发现"。Case A 是用它确认已知结构，本例是用它探索未知结构——同一套按钮，结论可能是"1 个因子"，也可能是"2 个"，由数据定，不由你定。
🔁 迁移要点
对比两个例子：变的只是题目（Anxiety 12 题 ↔ Strategy 8 题）和"是否已有理论维度"；EFA 的六步骨架（前提检验→提取→定因子数→旋转→读载荷→处理交叉载荷）一字未变。换到任何学科的多题量表都照搬——经管的"营商环境感知量表"、教育的"教师效能感量表"都一样，把题项换成你的、把命名交给内容即可。唯一不变的红线：因子数与载荷由数据和软件给出，你负责解释和命名，AI 只负责把结果翻译成文字。
常见误区与纠正
EFA 阶段学员的问题高度集中在"前提没看 / 因子数乱定 / 反向题没处理 / 把探索当验证"。下表对号入座即可：
| 常见误区 | 症状（会怎样） | 纠正方法 |
|---|---|---|
| 不看 KMO/Bartlett 就直接提因子 | 在本不该做 EFA 的数据上硬跑，结构混乱 | 先看前提：KMO≥.60（最好≥.80）、Bartlett p<.05；KMO 过低回头查量表设计 |
| 只靠特征值>1 定因子数 | Kaiser 准则高估，提出一堆碎因子 | 用平行分析为主，碎石图 + 理论交叉确认；三者收敛才可信 |
| 反向题没反转就进 EFA | 该题载荷变负号或掉到 .40 以下，破坏结构 | 回第 23 课确认 Anxiety_4_R=6−Anxiety_4 已执行；用反转后版本入模 |
| 正交旋转当默认、从不报告 | 因子本相关却被当独立，低估因子间关系 | 因子理论相关时用斜交（oblimin/promax）并报告因子间相关；无论用哪种都写明旋转方法 |
| 交叉载荷视而不见 | 骑墙题留在表里，归属不清、命名牵强 | 看两载荷差值<.10 即判交叉；删题或归高载荷因子，删后重跑 EFA |
| 因子命名当客观发现 | 把"认知焦虑"当数据证明的事实 | 命名是研究者依题项内涵主观赋予，需说明依据，不作为证据 |
| EFA 跑通就说"结构效度已验证" | 把探索性证据当成验证 | EFA 是探索；严格验证用 CFA，且最好折半或换独立样本 |
| 把数据丢给 AI 让它"做因子分析" | 得到看似合理实则编造的 KMO/载荷 | 所有统计量在 Jamovi 亲手跑；AI 只翻译你粘贴的输出（见红线） |
结果不理想 / 跑出错？分类排查
EFA 跑完，常见三类"不对劲"：前提就没过、跑不出预期维度、软件报错或出现异常值。逐类对症，不要盲目调参或推倒重来。
- KMO 太低 / Bartlett 不显著 → 问题在量表或样本，不在按钮。 KMO<.60 说明题项间缺乏足够公共相关——多半是量表设计问题（题目测的是彼此无关的东西），或样本量过小。先回查量表与样本，而非反复换提取方法。某个变量的"个体 KMO"特别低时，可考虑剔除该题再跑。
- 跑不出预期的因子数 / 结构混乱 → 按顺序排查，别先怪方法。
- 先查反向题：反向题忘反转是头号元凶，会让该题载荷反号、整张表错位——回第 23 课核对
Anxiety_4_R。 - 再查因子数判据：是不是只用了特征值>1？换平行分析重定因子数往往就清楚了。
- 再查旋转：因子本相关却用了正交，载荷会"摊不开"；改用斜交（oblimin）看是否更清晰。
- 最后才考虑删题：对共同度过低（<.30）或严重交叉载荷的题，删除并重跑——记住每次删题后结构都会变。
- 先查反向题：反向题忘反转是头号元凶，会让该题载荷反号、整张表错位——回第 23 课核对
- 软件报错 / 出现海伍德情形（共同度≥1 或负误差方差）→ 模型设定过头了。 这通常意味着因子数设得过多、样本量相对题数过小、或存在近乎共线的题。应对：减少提取的因子数、检查是否有内容几乎重复的题项、必要时扩大样本。绝不能强行采用一个出现海伍德情形的解并当作正常结果报告。
一句话
首版不理想，先分清是前提问题（查量表/样本）、结构问题（先查反向题，再调因子数与旋转）、还是设定问题（海伍德情形→减因子/查共线）。无论哪种，红线不变：因子由数据和软件定，AI 只翻译，绝不代算或凑数。
边界与局限：EFA 与 AI 在这一步的能与不能
EFA 是"发现量表潜在结构"的有力工具，但它的能力边界和 AI 的角色都必须划清。下面几条比多记一个阈值更重要。
| 边界 / 失效场景 | 为什么会这样 | 你应该怎么做 |
|---|---|---|
| EFA 是探索，不是验证 | 它贴着当前数据找最契合的结构，天然"过拟合"这份样本 | 要验证预设结构用 CFA，且最好折半或用独立样本；EFA 漂亮≠结构效度已被验证 |
| 因子命名是主观的 | 因子是统计构造，名字由研究者据题项内涵赋予 | 命名要交代依据；不同命名可并存，命名本身不构成证据 |
| 倍数法则不保证样本充分 | "题数×10–20"只是起点，真正取决于载荷与共同度高低 | 载荷/共同度高时小样本也稳，低时再大也未必够；结合实际载荷判断（呼应第 21 课） |
| 解释方差不是越高越好 | 累计解释方差过高可能源于题项冗余/内容重复 | 社科 40%–50% 即可接受；异常高时反查是否有近乎重复的题 |
| 相关结构 ≠ 因果、≠ "真实存在的心理实体" | EFA 只刻画题项相关的归纳结构，不证明因子是客观心理实体 | 把因子当"对数据的简约描述"，对其实在性的主张要谨慎、靠理论支撑 |
| 横断面数据慎言因果与稳定性 | Case A 是一次性横断面问卷，EFA 只反映此刻此样本的结构 | 结构是否跨时间/跨人群稳定，需另收数据或纵向验证，不能由单次 EFA 外推 |
| AI 只能翻译，不能代算 | 大模型不接入你的数据、不做可信计算，让它"算 KMO/载荷"只会得到看似合理实则编造的数字（幻觉 hallucination） | 所有统计量在 Jamovi/SPSS 亲手跑；AI 仅把你粘贴的输出转写成规范段落 |
⚠️ 本课红线：AI 翻译结果，绝不代算统计量
贯穿整个量化模块的硬规则放到 EFA 同样成立：KMO、Bartlett 的 χ²、特征值、因子载荷、共同度、解释方差——一律由你在统计软件里算出，AI 的唯一职责是把这些已经算好的数字翻译成符合 APA 的中文段落。任何时候 AI 给出的数字、因子数或载荷与你的软件输出不一致，以软件输出为准，并视为 AI 出错。把"算"留给软件、把"命名与解释"留给自己、把"写"交给 AI——三者不可混淆。
📦 本课交付物
按本节实操任务完成并提交以下内容，提交 AI 初审，按 Module_Rubrics.md 对应维度评分：
- [ ] KMO 和 Bartlett 检验结果：含具体数值（KMO、χ²、df、p）
- [ ] 碎石图 / 平行分析结果（PNG/PDF）：标注拐点或保留因子数
- [ ] 旋转后因子载荷表：APA 格式三线表，注明提取与旋转方法
- [ ] EFA 报告段落（约 200 字）：含完整流程描述 + 三因子命名，AI 辅助翻译 + 人工逐一比对数字
- [ ] 四维质检记录：用
Course_QA_Checklists.md（事实/逻辑/格式/引用）核查 AI 段落，重点查"数字是否被改动、是否把 EFA 说成已验证结构效度" - [ ] 沉淀模板：将本课 EFA 流程清单与翻译 Prompt 加入个人工具箱
🏁 本章小结
把本课凝练成可据以复习的几条要点：
- EFA 在做什么：用题项间相关反推少数潜在因子，是一种降维，也是结构效度的实证探索手段。心理学量表推荐主轴因子法（PAF）（建模共同方差），区别于把全部方差降维的 PCA。
- 六步骨架：前提检验（KMO≥.60 且最好≥.80、Bartlett p<.05）→ 提取（主轴因子）→ 定因子数（平行分析为主，碎石图 + 理论交叉）→ 旋转（正交 varimax / 斜交 oblimin，按因子是否相关选并报告）→ 读载荷（|载荷|>.40 归属、看共同度与解释方差）→ 处理交叉载荷（差值<.10 判骑墙，删题须重跑）。
- 关键术语要精确：因子（factor）、因子载荷（loading）、共同度（communality）、特征值（eigenvalue）、KMO、Bartlett 球形检验、碎石图（scree plot）、旋转（rotation，正交/斜交）、简单结构、交叉载荷、海伍德情形——读输出不是抄表，而是把每个数翻译成关于这份量表的一句话。
- 跨案例可迁移：Case A 用 EFA 确认已知三维结构，Strategy 8 题用 EFA 探索未知维度（可能是 1 个或 2 个因子）——同一套六步骨架，因子数由数据定，命名靠内容。
- 边界要诚实：EFA 是探索不是验证（验证用 CFA、最好折半/换样本）；因子命名是主观的；倍数法则不保证样本充分；横断面数据慎言因果与跨情境稳定性；解释方差非越高越好。
- 红线：因子数、载荷等所有统计量由你在软件里算出，AI 只翻译、绝不代算或篡改——数字、因子数对不上时一律以软件输出为准。
自测清单（可保留逐项打勾）
- [ ] 我跑出了 KMO（最好≥.80）+ Bartlett p<.05 的前提检验通过，并知道 Bartlett 对大样本几乎必然显著、要以 KMO 为主。
- [ ] 我用主轴因子法提取，并能说清它与 PCA 的区别（共同方差 vs 全部方差）。
- [ ] 我用平行分析 / 碎石图 + 理论交叉判断因子数，没有只靠特征值>1。
- [ ] 我能按因子是否相关选择正交或斜交旋转，并在报告里写明所用旋转方法。
- [ ] 我的载荷表中题项归属清晰（|载荷|>.40 单一因子）；交叉载荷（差值<.10）已处理且删题后重跑。
- [ ] 我能为每个因子据题项内涵命名，并清楚命名是主观赋予、不构成证据。
- [ ] 我清楚 EFA 是探索（看维度）、CFA 是验证（拟合理论模型并报告拟合指标），不会把 EFA 跑通说成"结构效度已验证"。
- [ ] 我所有统计量都在 Jamovi 亲手跑出，AI 只用来把输出翻译成 APA 段落，绝不代算。
✍️ 思考与练习
下列练习用于把本节概念用起来（区别于"本课交付物"里的任务），建议写在你的本地笔记中。
练习 1（原理辨析）。 有同学说："我对 Anxiety 12 题跑 EFA，特征值>1 的因子有 4 个，所以这量表是 4 维的。"请用本课原理说明，为什么"仅凭特征值>1 就定 4 个因子"很可能不可靠？你会用哪些方法重新判断，并如何与该量表"认知/情感/回避"的三维理论相互印证？
好答案要点：指出 Kaiser 准则（特征值>1）系统性高估因子数，不能单独使用；应以平行分析为主、辅以碎石图拐点与理论三者交叉；若平行分析与碎石图都支持 3 个、第 4 个因子只含个别低载荷题，则应取 3 因子并据理论命名，而非迁就特征值多出来的那个。
练习 2（实操读表，紧扣 Case A）。 给定 Case A 的 Anxiety EFA 结果：KMO=.87、Bartlett χ²(66)=1842.34, p<.001、提取 3 因子、累计解释方差 46.5%，载荷如正文表（各题载荷 .65–.75、无交叉载荷）。请写出：① 为什么这组前提与结构可判定"适合且结构清晰"；② Anxiety_4_R 为什么能和 Anxiety_1/2/3 落在同一因子；③ 这一结果能不能写成"本研究验证了量表的结构效度"，为什么？
好答案要点：① KMO=.87 落"很好"档、Bartlett p<.001 拒绝单位阵（并补一句 Bartlett 对大样本必显著、以 KMO 为主），载荷均>.40 且无交叉、解释方差 46.5% 在社科可接受区间，故适合且结构清晰；②
Anxiety_4_R已按6−Anxiety_4反转，方向与同维题一致，故同载因子 1；③ 不能——EFA 是探索性证据，且若与后续 CFA 用同一份数据更不算独立验证，应表述为"支持预期三因子结构、为结构效度提供初步证据"，严格验证需 CFA（最好折半或独立样本）。
练习 3（旋转选择 + 边界）。 你对 Anxiety 12 题做 EFA，斜交旋转（oblimin）给出的因子间相关为：认知↔情感 r≈.45、认知↔回避 r≈.38、情感↔回避 r≈.40。若你改用 Varimax 正交旋转来报告，会带来什么问题？正确做法是什么？这与"相关≠因果"是同一个问题吗？
好答案要点：三个因子间相关都在 .38–.45，明显不为 0，强行用正交旋转（假设因子独立）会低估/抹掉因子间的真实关联，结构表达失真；正确做法是保留斜交结果并报告因子间相关矩阵，并在论文写明旋转方法。这与"相关≠因果"不是同一问题：此处讨论的是"因子是否相关、该用何种旋转"，并不涉及因果方向；因果的边界另见——EFA 只刻画相关结构，不证明任何因果。
练习 4（红线识别）。 你把 Case A 的原始 CSV 直接发给 AI，让它"帮我对 Anxiety 12 题做探索性因子分析，给出 KMO、特征值、旋转后载荷表，并写成结果段落"。它很快返回了一段格式完美、KMO 和载荷俱全的文字。请指出这一操作踩中了本课哪条红线，最可能的后果是什么，正确做法是什么？
好答案要点：踩中"让 AI 代算统计量"红线——大模型不接入数据、不做可信计算，给出的 KMO/特征值/载荷极可能是幻觉（看似合理实则编造），且无法复现；正确做法是先在 Jamovi 亲手跑出 EFA 的全部输出，再把输出粘给 AI 让它仅做翻译，并逐一比对数字、以软件输出为准；任何 AI 自行给出的统计量一律不可采信。