目录
探索性因子分析（EFA）
是用来确认多个题项究竟在解释哪些潜在因子的过程。
很多人已经在 SPSS 中完成了分析，
但真正写进报告或论文时，却常常不知道该如何整理和呈现。
The Brain 在长期支持研究者的过程中，总结出
在因子分析结果中“必须包含”的 5 个核心要素。
只要这 5 点写清楚，论文审查阶段基本都能稳定通过。
1. KMO 与 Bartlett 检验：确认数据是否适合做因子分析
这是判断“是否可以进行因子分析”的基础检验。
KMO ≥ 0.6：表示数据适合做因子分析
Bartlett 球形检验 p < 0.05：表示变量之间相关性显著，适合提取因子
这两项结果是“为什么可以做因子分析”的依据，
通常放在结果描述的第一段。
2. 提取出的因子数量与累计解释方差（%）
需要明确说明：
一共提取了多少个因子
这些因子一共解释了多少比例的总方差
例如：
提取了 3 个因子，总解释方差为 68.5%。
解释方差越高，说明因子结构越稳定、越有代表性。
3. 公共度（Communalities）：判断题项是否保留
公共度表示每个题项被因子结构解释的程度。
一般标准是：
≥ 0.40：建议保留
< 0.40：需要考虑删除
在论文中说明“为什么删除某个题项”，
对指导教授和审稿人来说非常重要。
4. 因子载荷（Factor Loadings）与因子构成
这是因子分析解读的核心。
需要展示：
每个题项主要加载在哪个因子上
载荷大小是否稳定
常用标准：
≥ 0.50：稳定
出现明显交叉载荷：需重新检视题项
通常以表格形式呈现“题项 – 因子”的对应关系，
让结构一目了然。
5. 信度分析（Cronbach’s α）：验证每个因子的稳定性
定义好因子后，还必须验证其内部一致性。
常见标准：
α ≥ 0.70：良好
探索性研究中，α ≥ 0.60 亦可接受
“因子定义 + 信度系数”是结果呈现的基本组合。
因子分析的解读，并不是简单罗列数值，
而是要说明：
这些题项在理论上形成了怎样的意义结构，
并且与研究主题如何对应。
只要完整呈现以下五个部分：
适配性检验 → 因子数量 → 解释方差 → 因子载荷 → 信度
因子分析结果的说服力就会明显提升。
The Brain 不仅提供因子分析结果，
还会协助题项精简与变量构建，
帮助研究者清晰呈现理论结构。
