探索性因子分析(EFA)就是將所有測量題目放在SPSS中做因子分析，EFA的目的就是探尋測量題目所應歸屬的因子或潛變量。
壹、?探索性因子分析（EFA）
1.1做EFA的前提
輸出的反應象相關矩陣中，取樣適切性量數（對角線位置的數據，MSA）越接近1表示越適合進行因子分析，如果<0.5的話，表示不適合因子分析。
KMO值<0.5時，不適合做因子分析，最好要>0.8.
1.2?估計因子負荷量的方法
主要包括：主成分分析法、主軸因子法、極大似然法等
其中最常用的是主成分分析法，也是SPSS中默認的方法，以現行方程式將所有變量加以合並，計算所有變量***同解釋的變異量，該線性組合為主要成分。
1.3轉軸
轉軸的主要目的是協助因素更具解釋意義，常用的轉抽方法有直交轉軸法和斜交轉軸法。
其中最常使用的還是正交轉軸，壹是它是多數統計軟件中的內設選項；二是正交轉軸生成的結果簡單，易於解釋；三是在EFA中，根據實際數據檢驗結果來看，不用太過在意轉軸的方法，因為結果都相差不多。
轉軸後每個因子的特征值會變，但是總特征值不變，總解釋方差不變。
轉軸後每個題項在不同因子上的因子載荷會變，但是每個題項的***同性不變，原來能被因子解釋多少，現在能被解釋多少。
1.3.1直交轉軸
直交轉軸法又分為最大變異法、最大四次方值法、最大平衡道法，其中最常用的是最大變異法。
直交轉軸法輸出的結果有：
公因子方差：***同性，所有***同因子對該題項能夠解釋的變異量。***同性越高越適合因子分析，如果***同性低於0.2，可以考慮將該題項刪除（此時因子載荷<0.45）。
總方差解釋：能夠看出每個***同因子的特征值和提取的方差比例。
成分矩陣：初始的因子載荷矩陣，能夠看出每壹題項在各個公***因子上的載荷。該矩陣橫向的因子載荷數值平方和就是公因子方差矩陣中該題項的***同性。該矩陣縱向的因子載荷數值平方和就是總方差解釋中初始的各個公***因子的特征值。
旋轉後的成分矩陣：旋轉後的因子載荷矩陣。該矩陣橫向的因子載荷數值平方和就是公因子方差矩陣中該題項的***同性。該矩陣縱向的因子載荷數值平方和就是總方差解釋中旋轉後的各個公***因子的特征值。需要根據這個矩陣的因子載荷判斷題項的歸屬，並命名。
1.3.2斜交轉軸
斜交轉軸法又分為直接斜交轉軸法、Promax轉軸法，其中最常用的是直接斜交轉軸法。
當因子間的相關系數>0.3是，最好采用斜交轉軸。
斜交轉軸法輸出的結果有：
公因子方差：***同性，所有***同因子對該題項能夠解釋的變異量。***同性越高越適合因子分析，如果***同性低於0.2，可以考慮將該題項刪除（此時因子載荷<0.45）。
總方差解釋：能夠看出每個***同因子的特征值和提取的方差比例。
成分矩陣：與未轉軸的或者直交轉軸的都壹樣。
模式矩陣：不看？
結構矩陣：類似於直交轉軸法裏的旋轉後的成分矩陣，可以看出題項歸屬哪個因子。
成分相關系數矩陣：在這裏看因子間的相關性，如果相關性不大采用直交旋轉，如果相關性較大則采用斜交旋轉。
1.4因子分析篩選方法
因子分析篩選的原則常用的是特征值>1、事先決定準則法。
1.4.1抽取特征值>1
缺點是如果題項太多，可能會抽出比較多的因子。
1.4.2抽取固定數目的因子
如果相關理論文獻已經有很明確的壹直構念，那麽在決定因子數目時可以參考，設置固定的提取因子數目，因此這種情況下也可以使用CFA。