R语言实战：主成分分析与因子分析降维方法详解

降维这件事，我最早是被逼着做的。手头一份问卷数据，三十多个观测变量，样本量刚过两百，做回归时共线性指标直接爆表，VIF值高得没法看。当时第一反应是删变量，但删来删去发现每个变量都有业务含义，舍不得。后来一位做统计的朋友提醒我：你这不是变量太多的问题，是没把变量背后的结构找出来。这句话点醒了我，也把我带进了主成分分析和因子分析这两个方法里。

这两个方法经常被放在一起讲，但它们解决的问题其实不完全一样。主成分分析（PCA）干的是“压缩”的活，把一堆相关的变量重新组合成少数几个互不相关的综合指标，用尽可能少的信息损失换维度下降；因子分析（FA）干的是“找原因”的活，它假设观测变量背后有几个看不见的潜在因子在驱动，我们要做的是把这些因子揪出来并解释清楚。一个偏数据变换，一个偏结构解释，用错了场景，结论会很难看。

这篇内容适合谁看？如果你手头有一批相关性较高的连续变量，想做降维、做综合评分、做问卷结构效度检验，或者单纯想搞清楚PCA和FA到底该选哪个，那接下来的内容应该能帮上忙。我会用R语言把整套流程走一遍，从数据检查到结果解读，中间穿插我自己踩过的坑和几个容易被忽略的参数细节。代码可以直接抄，但更重要的是理解每一步为什么这么做。

1. 先想清楚：你到底需要PCA还是因子分析

很多人拿到数据就急着跑prcomp()，跑完看着一堆载荷矩阵发懵，不知道该看哪一列。问题往往出在动手之前没想明白目的。这两个方法在R里的实现、输出结构、解读逻辑都不一样，选错了方向，后面全是无用功。

1.1 从问题出发反推方法选择

我习惯用一个简单的判断标准：你是想“造指标”还是想“找结构”。

如果你的目标是给一堆变量算个综合得分，比如把十几个财务指标压成两三个综合指数来排名，或者把高维数据降到二维做可视化，那PCA是更直接的选择。PCA不假设任何潜在结构，它只是做正交变换，第一主成分是方差最大的方向，第二主成分是与第一主成分正交且方差次大的方向，依次类推。整个过程是确定性的，没有“假设”这一说。

如果你的目标是解释变量之间的相关性来源，比如一份态度量表里十几个题项，你想论证它们背后其实由“满意度”和“忠诚度”两个潜在维度驱动，那因子分析更合适。FA假设观测变量是潜在因子的线性组合加上误差项，它关心的是“共同方差”部分，把每个变量独有的方差（误差）单独剥离出去。这个假设让FA在解释结构时更干净，但也带来了因子旋转、因子个数选择这些额外的决策点。

提示：PCA和FA在数学上不是一回事。PCA的成分是观测变量的精确线性组合，可以直接算出来；FA的因子得分是估计出来的，带有不确定性。把PCA的结果硬说成“潜在因子”，在严谨的场合会被挑毛病。

1.2 两种方法的核心差异对照

为了让你一眼看清区别，我把关键维度整理成表：

这张表我建议存下来，下次纠结的时候扫一眼。特别提醒一点：很多人做问卷分析时直接上PCA，然后管主成分叫“因子”，这在方法学上是不严谨的。如果你的目的是验证量表结构，老老实实用FA，配合旋转和信度检验。

1.3 数据前提条件的快速自检

不管选哪个方法，动手前有几项检查绕不过去。我一般按这个顺序过一遍：

• 变量类型：必须是连续变量或近似连续的定距变量。分类变量、有序分类变量直接扔进来做PCA是常见错误，需要先做哑变量处理或改用其他方法。
• 样本量：经验上样本量至少是变量数的5倍，最好10倍以上。变量30个、样本200个，勉强够用但结果稳定性要打个问号。
• 相关性检验：变量之间得有足够的相关性，否则降维没意义。用KMO检验和Bartlett球形检验快速判断，KMO低于0.6就要谨慎了。
• 缺失值：PCA和FA对缺失值敏感，R的默认函数遇到NA会直接报错或删行，得提前处理。
• 异常值：少数极端值会严重扭曲协方差结构，跑之前做个箱线图或马氏距离筛查。

这几步花不了十分钟，但能帮你避开后面一大半的返工。

2. 数据准备与前提检验的实操细节

理论说再多，不如把数据拉进来跑一遍。这一节我用一份模拟的消费者态度调查数据来演示，变量是15个态度题项，样本量300，全部是1到7的李克特量表得分。数据是我用随机数加固定结构生成的，纯粹为了演示流程，你换成自己的数据照着改就行。

2.1 数据读入与清洗的规范动作

先把环境和数据准备好。我习惯在脚本开头把用到的包一次性加载，避免中途报错找不到函数。

# 加载必要的包 library(psych) # 提供KMO、Bartlett、碎石图等便捷函数 library(ggplot2) # 可视化 library(corrplot) # 相关系数矩阵热图 # 读入数据（假设是csv格式，第一行为变量名） attitude_data <- read.csv("attitude_survey.csv", header = TRUE, stringsAsFactors = FALSE) # 快速查看数据结构 str(attitude_data) summary(attitude_data)

读进来之后别急着跑模型，先看summary()的输出。重点看每个变量的取值范围、均值、有没有明显离谱的值。李克特量表数据如果出现8或者-1，基本就是录入错误或者缺失值编码没处理干净。

缺失值处理这块，我个人的做法是：缺失比例低于5%的变量，用中位数插补（对量表数据比均值稳健）；缺失比例超过20%的变量，考虑直接剔除，因为插补引入的偏差可能比丢掉这个变量更麻烦。R里可以用psych::describe()快速看每个变量的缺失情况。

# 查看缺失情况 describe(attitude_data) # 中位数插补示例（仅对数值型变量） for (i in 1:ncol(attitude_data)) { if (any(is.na(attitude_data[, i]))) { median_val <- median(attitude_data[, i], na.rm = TRUE) attitude_data[is.na(attitude_data[, i]), i] <- median_val } }

注意：插补之后一定要记录哪些位置被改过。我见过有人插补完直接覆盖原数据，后面想追溯都找不到原始值，出了问题没法排查。

2.2 KMO与Bartlett检验：能不能做的前置判断

数据干净了，下一步是判断“这批数据到底适不适合做降维”。KMO检验衡量的是变量间的偏相关与简单相关的对比，值越接近1说明变量间的共同方差越多，越适合做因子分析。Bartlett球形检验则是检验相关矩阵是否为单位矩阵，显著（p < 0.05）说明变量间存在足够的相关性。

# KMO检验 kmo_result <- KMO(attitude_data) print(kmo_result) # Bartlett球形检验 bartlett_result <- cortest.bartlett(cor(attitude_data), n = nrow(attitude_data)) print(bartlett_result)

KMO的判定标准我一般这么用：0.9以上极好，0.8到0.9良好，0.7到0.8中等，0.6到0.7勉强，0.6以下就要重新考虑变量集合了。Bartlett检验显著是基本门槛，不显著的话说明变量间相关性太弱，降维没有意义。

这里有个容易忽略的点：KMO检验对变量个数和样本量都敏感。变量太少（比如只有5个）时KMO值天然偏低，这时候不能机械套用标准，要结合业务判断。我做过一个只有6个变量的项目，KMO只有0.62，但Bartlett检验高度显著，变量间业务逻辑也清晰，最后还是做了，结果解释得通。方法学标准是参考，不是铁律。

2.3 相关系数矩阵的可视化排查

KMO和Bartlett给的是整体判断，具体哪些变量之间相关性强、哪些变量像是“孤岛”，得看相关系数矩阵。corrplot包画出来的热图比数字矩阵直观得多。

# 计算相关系数矩阵 cor_matrix <- cor(attitude_data) # 绘制相关系数热图 corrplot(cor_matrix, method = "color", type = "upper", tl.col = "black", tl.cex = 0.7, addCoef.col = "grey30", number.cex = 0.5)

看这张图的时候，我关注三件事：第一，有没有成簇的高相关变量块，这些块往往对应同一个潜在因子；第二，有没有某个变量跟其他所有变量的相关都很低，这种变量在降维里贡献很小，可以考虑剔除；第三，有没有相关系数接近1的变量对，高度共线的变量对会让载荷矩阵不稳定。

实测下来，这一步剔除一两个“孤岛变量”，后面因子结构会清爽很多。但剔除要有依据，不能因为看着不顺眼就删，得结合业务含义判断这个变量是否真的冗余。

3. 主成分分析的完整实现与结果解读

前提检验过了，先走PCA这条线。PCA的实现相对直接，难点在结果解读和成分个数选择上。

3.1 prcomp与princomp的选择及参数设置

R里做PCA主要有两个函数：prcomp()和princomp()。我几乎只用prcomp()，原因是它基于奇异值分解（SVD）实现，数值稳定性比princomp()基于特征分解的方法更好，尤其是变量量纲差异大或者变量数接近样本量的时候。princomp()唯一的优势是兼容老代码，新项目没必要用。

# 标准化后做PCA pca_result <- prcomp(attitude_data, center = TRUE, scale. = TRUE) # 查看结果结构 summary(pca_result) print(pca_result)

这里两个参数必须说清楚：center = TRUE做中心化，scale. = TRUE做标准化。标准化这一步在变量量纲不一致时是必须的，否则方差大的变量会主导主成分，降维结果就变成了“谁的测量单位大谁说了算”。量表数据虽然量纲一致，但各题项方差可能差异不小，我一般也做标准化，稳妥。

summary(pca_result)的输出里，Proportion of Variance是每个主成分的方差贡献率，Cumulative Proportion是累计贡献率。这两个数字是选主成分个数的核心依据。

3.2 主成分个数的判定：三种方法交叉验证

选几个主成分，没有唯一正确答案，但有相对靠谱的判断组合。我通常用三种方法交叉看：

方法一：累计方差贡献率。常规门槛是累计达到70%到80%。比如前三个主成分累计解释了75%的方差，那就取三个。这个标准在探索性分析里够用，但比较粗糙。

方法二：Kaiser准则（特征值大于1）。标准化后的数据，每个变量的方差为1，特征值大于1意味着这个主成分解释的方差超过单个原始变量的平均贡献。用pca_result$sdev^2可以拿到特征值。

方法三：碎石图拐点。把特征值按成分序号画出来，找曲线由陡变缓的拐点。拐点之前的主成分保留。

# 提取特征值 eigenvalues <- pca_result$sdev^2 print(eigenvalues) # 绘制碎石图 plot(eigenvalues, type = "b", pch = 19, col = "steelblue", xlab = "主成分序号", ylab = "特征值", main = "碎石图") abline(h = 1, col = "red", lty = 2)

三种方法结论不一致时怎么办？我的经验是：以碎石图拐点为主，累计贡献率做下限约束，Kaiser准则做参考。如果拐点处累计贡献率还不到60%，说明数据本身维度就高，硬压到两三个成分会丢太多信息，这时候要么接受更多成分，要么回头检查变量集合是否合理。

3.3 载荷矩阵与得分的业务化解读

选定成分个数后，看载荷矩阵。载荷是原始变量与主成分之间的相关系数，绝对值越大说明该变量对这个主成分的贡献越大。

# 查看载荷矩阵（前三个主成分） loadings <- pca_result$rotation[, 1:3] print(round(loadings, 3))

解读载荷矩阵的关键是给每个主成分“起名字”。比如第一主成分上，题项1、3、5、7的载荷都在0.7以上，而这几个题项在业务上都跟“产品功能评价”相关，那第一主成分就可以命名为“功能评价因子”。命名这件事没有算法能替你做，必须结合变量的实际含义。

主成分得分可以用pca_result$x直接拿到，它是每个样本在各自成分上的坐标。如果要做综合评分，常见做法是以各成分的方差贡献率为权重加权求和：

# 计算综合得分（以方差贡献率为权重） var_explained <- pca_result$sdev^2 / sum(pca_result$sdev^2) composite_score <- as.matrix(pca_result$x[, 1:3]) %*% var_explained[1:3]

提示：用方差贡献率加权是常见做法，但要注意主成分的符号方向可能因软件实现而异。同一个数据在不同软件里跑，第一主成分的载荷可能整体反号，这不影响解释，但综合得分的排序方向会反过来。做排名对比时务必确认方向一致。

4. 因子分析的完整实现与旋转策略

PCA走完，换因子分析。FA的流程比PCA多几个决策点，尤其是因子提取方法和旋转方式的选择，直接影响结果的可解释性。

4.1 因子提取方法的选择：主轴因子与最大似然

R里做FA主要用psych::fa()函数，它支持多种提取方法。最常用的两种是主轴因子法（principal axis factoring, pa）和最大似然法（maximum likelihood, ml）。

主轴因子法不假设数据服从多元正态分布，通过迭代估计共同方差，稳健性好，适合探索性分析。最大似然法假设多元正态，能给出因子个数的似然比检验，适合样本量较大、分布较规范的情况。我一般先用主轴因子法探路，如果样本量够、正态性检验过得去，再用最大似然法交叉验证。

# 主轴因子法，先取3个因子 fa_pa <- fa(attitude_data, nfactors = 3, fm = "pa", rotate = "none") print(fa_pa)

fm参数指定提取方法，rotate指定旋转方式，先设"none"看未旋转的结果，再决定怎么转。

4.2 正交旋转与斜交旋转的取舍逻辑

旋转的目的是让载荷矩阵的结构更清晰，每个变量尽量只在一个因子上有高载荷。旋转分两大类：正交旋转（如varimax）假设因子之间不相关，斜交旋转（如promax、oblimin）允许因子之间相关。

选哪个？我的判断逻辑是：如果理论上这些潜在因子应该是独立的，用正交旋转；如果因子之间可能存在关联（大多数社会科学场景都是这样），用斜交旋转。斜交旋转更贴近现实，但输出里多了因子相关矩阵，解读时要多看一眼。

# 正交旋转 fa_varimax <- fa(attitude_data, nfactors = 3, fm = "pa", rotate = "varimax") print(fa_varimax) # 斜交旋转 fa_promax <- fa(attitude_data, nfactors = 3, fm = "pa", rotate = "promax") print(fa_promax)

对比两个结果，如果斜交旋转后因子间相关系数很低（比如都在0.2以下），说明正交假设基本成立，用varimax的结果更简洁；如果因子间相关明显，那就用promax，并在报告里说明因子间存在相关。

4.3 因子载荷解读与因子得分计算

旋转后的载荷矩阵是解读的核心。看载荷时我遵循几条经验规则：

• 载荷绝对值大于0.5的变量，认为与该因子有实质关联；
• 一个变量在多个因子上载荷都超过0.4，叫“交叉载荷”，这种变量要么剔除，要么根据业务含义归到更合理的因子上；
• 每个因子至少要有三个变量支撑，否则这个因子不稳定。

# 查看旋转后的载荷，只显示载荷大于0.3的部分便于阅读 print(fa_promax$loadings, cutoff = 0.3) # 查看因子间相关矩阵（斜交旋转才有） print(fa_promax$Phi)

因子得分用fa_promax$scores获取。和PCA不同，FA的因子得分是估计值，psych::fa()默认用回归法估计。不同估计方法（如Bartlett法、Anderson-Rubin法）得到的得分会有差异，但排序通常高度一致，做后续分析时影响不大。

5. 实操中的高频问题与排查手册

方法流程走通了，真正折磨人的是各种报错和“结果看起来不对劲”。这一节我把这些年遇到的高频问题整理出来，配上排查思路。

5.1 报错与异常结果的速查表

这张表建议打印出来贴显示器边上，大部分报错能对上号。

5.2 平行分析：比Kaiser准则更靠谱的因子个数判定

Kaiser准则在变量数较多时倾向于高估因子个数，这是它被诟病最多的地方。平行分析（parallel analysis）通过模拟随机数据的特征值分布来做对比，实际数据的特征值要大于随机数据对应分位的特征值才保留，判断更稳健。

# 平行分析 fa.parallel(attitude_data, fa = "fa", fm = "pa", n.iter = 100)

图上实际数据特征值曲线与模拟曲线交叉点之前的部分就是建议保留的因子个数。n.iter设100次模拟足够稳定，设太少结果会抖动。我现在的习惯是平行分析为主、碎石图为辅，两者结论一致时直接定，不一致时以平行分析为准。

5.3 样本量与稳定性的实战经验

样本量不够是探索性因子分析最常见的硬伤。教科书说样本量至少是变量数的5到10倍，但实际操作中，如果变量间相关性高、因子结构清晰，比例低一些也能得到可解释的结果；反过来，变量间相关性弱，就算样本量达标，因子结构也可能散架。

我的做法是做一个简单的稳定性检查：把样本随机分成两半，各自跑一遍FA，对比两半的载荷结构。如果主要载荷的模式一致（哪些变量归到哪个因子基本不变），说明结果稳健；如果两半结果差异很大，那要么样本量不够，要么因子结构本身不清晰，结论要谨慎。

# 随机分半的稳定性检查示例 set.seed(123) idx <- sample(1:nrow(attitude_data), size = floor(nrow(attitude_data) / 2)) fa_half1 <- fa(attitude_data[idx, ], nfactors = 3, fm = "pa", rotate = "promax") fa_half2 <- fa(attitude_data[-idx, ], nfactors = 3, fm = "pa", rotate = "promax") # 对比两半的载荷（简化展示） print(round(fa_half1$loadings, 2)) print(round(fa_half2$loadings, 2))

这个检查花不了几分钟，但能帮你判断结果能不能拿去汇报。我见过太多人拿着不稳定的因子结构去写报告，被问一句“换个样本还成立吗”就答不上来。

6. 两个方法怎么配合用：一个完整分析链路

单独用PCA或FA都只是片段，实际项目里两者经常配合出现。我分享一个自己常用的分析链路，从原始数据到最终结论，每一步的目的都标清楚。

6.1 从降维到结构验证的串联流程

第一步，用PCA做初步探索。目的是快速看清数据的维度结构和变量聚类情况，同时生成碎石图判断大致需要几个维度。这一步不追求精确，追求快。

第二步，基于PCA的线索，用FA做结构验证。PCA提示可能有三个维度，FA就用三个因子去拟合，看旋转后的载荷是否支持这个划分，每个因子是否有足够的变量支撑。

第三步，用因子得分做后续分析。如果后续要做回归、聚类或者分组对比，用FA的因子得分比用原始变量更干净，因为误差方差被剥离了。这一步要注意保存得分的方向和量纲，方便解释。

第四步，交叉验证。用分半样本或者换一个子样本重跑FA，确认结构稳定。稳定的话结论可以落地，不稳定就回到第二步调整因子个数或变量集合。

这个链路我在多个项目里用过，逻辑上是从粗到细、从探索到验证，每一步都有明确的产出和判断标准，不容易跑偏。

6.2 结果汇报时的三个表达要点

最后说几个汇报时的表达细节，这些是方法学正确但容易被忽略的地方：

第一，明确区分“主成分”和“因子”两个词。PCA的结果叫主成分，FA的结果叫因子，混用会让懂行的听众质疑你的严谨性。

第二，报告方差贡献率时说明是旋转前还是旋转后。旋转会重新分配方差，旋转后的累计贡献率通常和旋转前不同，不说明清楚会引起误解。

第三，因子命名要给出依据。不能只说“因子一命名为满意度”，要说明哪些变量在这个因子上载荷高、这些变量的共同业务含义是什么。命名的合理性直接决定结论的可信度。

我在实际项目里最深的一个体会是：这两个方法的价值不在于算出一堆数字，而在于强迫你把变量之间的关系想清楚。跑完PCA和FA，你对这批数据的理解会比跑之前深一个层次，这才是降维真正的收获。至于代码，上面这些够用了，剩下的就是拿你自己的数据去试，试的过程中遇到的具体问题，往往比任何教程都教得多。