因素分析
因素分析(factor analysis)是一类多元统计方法,用于从一组观测变量之间的相关关系中,提取出少数几个无法直接观测的潜在因素,以解释这些变量为何会共同变化。它的基本假定是:众多可以直接测量的变量背后,由少数共同因素驱动,变量之间之所以相关,正是因为它们共享了这些因素。因素分析通过剖析相关矩阵的内在结构,估计每个变量在每个因素上的负荷,从而把纷繁的测量数据压缩为较简洁的结构。
起源与基本思想
因素分析的思想可以追溯到20世纪初对智力结构的探索。斯皮尔曼(Charles Spearman)在研究各类能力测验之间的相关时发现,几乎所有测验都彼此正相关,于是提出智力由一个大的一般因素和若干特殊因素构成的二因素说,并用早期的因素分析方法为这一模型寻找证据。此后瑟斯顿(Louis Thurstone)发展出多因素分析,主张智力可分解为若干彼此并列的基本心理能力,而非单一的一般因素。这场关于智力结构的争论,正是因素分析方法不断精进的直接动力。
因素分析的核心逻辑,是从“相关”反推“共同原因”。当两个变量高度相关时,最简洁的解释是它们受到了同一个潜在因素的影响;当许多变量呈现出成组的关联模式时,就可以推测存在少数几个因素,分别对应这些变量组。这一逻辑并不证明因果,它提供的是一种结构描述:在观测到的相关模式面前,几个因素、各带多少负荷,能够以最经济的方式加以概括。
数学模型
在因素分析的模型中,每一个观测变量都被表示为若干共同因素的线性组合,再加上一个只属于该变量的独特部分,后者包含该变量特有的变异与测量误差。变量在某个因素上的系数称为因素负荷,它可以理解为该变量与该因素的相关程度,负荷的平方则表示该因素能解释该变量多少比例的变异。一个变量在所有共同因素上被解释的变异总和,称为共同度,它反映该变量在多大程度上与其他变量共享结构。
与共同度相对的是独特方差,即无法由共同因素解释的部分。因素分析的一个关键假设是,不同变量的独特部分彼此不相关,正是这一假设使得共同因素可以被识别。模型的参数估计通常从相关矩阵出发,试图找到一组负荷,使模型隐含的相关矩阵尽可能接近实际观测到的相关矩阵。估计方法不同,得到的解也会略有差异,这就为后来方法上的分歧埋下了伏笔。[1]
探索性与验证性
因素分析有两条主要路径。探索性因素分析在分析之前并不预设因素的数量与结构,让数据“自己说话”,研究者据以发现变量可能归为几类、每类由哪些变量组成。它适合理论尚不成熟、结构未知的早期探索。验证性因素分析则相反,研究者先根据理论提出一个明确的因素结构,再用数据检验这个结构是否与观测数据拟合,若拟合良好,就为该结构提供了支持。验证性分析通常纳入结构方程模型的框架,能同时估计测量误差与因素间关系。
两种路径的分工,对应着研究的不同阶段。探索性分析用于“生成假设”,验证性分析用于“检验假设”。把两者混用,例如用同一批数据先探索、再对同一结构做验证,会使验证失去独立性,结论的说服力大打折扣。严谨的做法是在一批样本上探索、在另一批独立样本上验证。这一要求看似繁琐,却是因素分析结论可靠的重要保障。[2]
关键步骤与技术选择
一次完整的因素分析包含若干需要判断的环节。首先是因素抽取方法的选择,常见的有主成分分析、主轴因素法和最大似然法。需要指出,主成分分析严格来说是一种降维技术,它把全部变异(包括独特方差)都纳入分解,与假定存在独特因素的因素分析在模型上并不相同;把主成分分析的结果径直当作因素结构来解释,是一种流传很广的误用。
其次是因素数的确定。常用的经验规则包括保留特征值大于一的因素,或观察碎石图寻找曲线由陡转缓的拐点;更稳妥的做法是平行分析,即把实际数据的特征值与随机数据的特征值相比较,保留前者明显更大的因素。因素数多取一个或少取一个,都会改变整个结构的解释,因此这一步往往最考验研究者的判断。确定因素数之后,还要进行旋转,使负荷矩阵更易解释:正交旋转假定因素彼此独立,斜交旋转则允许因素相关,选用哪种取决于理论预期。最后,研究者依据负荷较高的变量为每个因素命名,而命名本身带有相当的主观性。[3]
争议与局限
因素分析最受诟病之处,是它的结果带有明显的主观成分。因素数如何确定、采用何种旋转、如何为因素命名,都存在裁量空间,不同的选择可能得出不同的结构。同一批数据,换一种抽取方法或旋转方式,得到的因素划分未必一致,这使因素分析的结论难以像物理测量那样被独立复制。批评者据此认为,因素分析更像是给相关矩阵“讲故事”,其结构的实在性值得怀疑。
由此引出关于因素是否真实存在的争论。一派认为,因素反映了心理机能中真实存在的潜在实体,找出因素就等于发现了心理结构的组成部分;另一派则持工具主义立场,认为因素只是概括相关模式的数学便利,不必对应任何实体。这场争论至今没有定论。此外,因素分析只能处理相关,不能确立因果;它对样本量与数据质量要求较高,样本过小或变量间相关过低时,结果极不稳定。意识到这些局限,才能恰当地解读因素分析给出的结构。
应用与评价
因素分析在心理学中应用极广,尤其在人格与智力研究里几乎不可或缺。人格问卷的编制常以因素分析为基础,从大量描述行为的题目中提炼出少数人格维度,卡特尔基于此提出十六种人格因素,艾森克用因素分析支持其维度理论,而“大五”人格模型的流行,很大程度上也得益于对特质形容词反复进行的因素分析。在智力研究中,因素分析始终是检验各种智力结构理论的主要工具。
评价因素分析,应把它看作一种探索结构的强有力工具,而非裁决真理的机器。它能把庞杂的相关数据压缩为可解释的少数维度,为理论建构提供线索,也能通过验证性分析检验既有结构;但它不产生理论,只检验理论,其结果的意义取决于输入变量的选择与研究者对结果的解释。真正有价值的因素分析,从来不是让软件跑出一个结构就结束,而是把这个结构与已有的理论、后续的实证证据相互对照。这也正是它在测量学中地位稳固却又争议不断的原因。[4]
参考资料
- ↑ Psychological Testing,Encyclopaedia Britannica,2024年访问
- ↑ APA Dictionary of Psychology,American Psychological Association,2024年访问
- ↑ PubMed Central,National Center for Biotechnology Information,2024年访问
- ↑ 中国心理学会官网,中国心理学会,2024年访问