問卷收數百份，教授問「題目背後有幾個構念」答不出？4步讀懂因素分析

好多同學收完問卷，把題目逐項加起來當成一個總分，就直接寫入分析章節。到見指導教授，對方一句「你嗰十條題目係量度緊幾個構念」，你當場啞咗。呢個問題要用因素分析（factor analysis）先答得到，因為佢嘅作用正正係把一堆相關題項，還原成背後少數幾個潛在構念。若果你嘅量表章節被指出「只計總分、無交代結構」，代寫論文 服務嘅覆核通常就係從呢一點入手。以下四步，係讀懂同應用因素分析最實用嘅思路。

因素分析解決咩問題：由一堆題目到幾個構念

因素分析嘅核心任務係降維：把一堆彼此相關嘅觀察變項，歸納成少數幾個無法直接量度嘅潛在構念。舉個例：你設計咗二十條「學習動機」題目，表面上係二十個變項，但背後可能只反映「內在動機」同「外在動機」兩個構念。因素分析就係幫你確認呢種結構係咪成立，同邊幾條題目屬於同一個構念。

呢個工具在問卷研究幾乎係必備步驟，原因有三。第一，佢可以驗證你嘅量表係咪真係量度到你想量度嘅構念，即建構效度。第二，佢可以幫你剔除表現異常嘅題目，例如同一構念之下卻獨自成群嘅題項。第三，佢把後續分析簡化，因為你可以用構念分數取代逐項題目，令結構方程模型或者迴歸分析嘅模型更簡潔。

要留意嘅係，因素分析唔會自動幫你命名構念。軟件只會輸出「因素一」「因素二」，至於呢個因素代表咩，要靠你對照題目內容同理論去詮釋。所以做完分析之後，你仍然要回到文獻，講清楚每個因素嘅理論意義。呢個詮釋步驟係 代寫論文 服務覆核結果章節時會特別留意嘅位置，因為命名草率會令整個結構失去說服力。

仲有一個前置概念要分清：因素分析處理嘅係「共同變異」。每條題目嘅分數變異，有一部分同其他題目共享，有一部分係該題獨有。因素分析抽取嘅係共享嘅部分，因為呢部分才反映潛在構念。至於獨有變異同誤差，會被歸入殘差。理解呢個區分，你就會明白點解一條同其他題目冇共享變異嘅題目，會被排除在結構之外。

探索性同驗證性：兩者幾時用邊個

因素分析有兩大類型，用途完全唔同。探索性因素分析（EFA）適用於你手上冇明確理論假設，想由數據本身找出結構，常見於自編量表嘅初步開發。驗證性因素分析（CFA）則適用於你已有理論預設，要檢驗某個指定結構同數據是否吻合，例如沿用一份已發表量表去驗證其結構在新的樣本是否穩定。

分辨方法其實好簡單：問自己「我係咪已經知道有幾個因素、邊條題目屬於邊個因素」。若果答唔到，就應該用 EFA；若果答得到並且想確認，就用 CFA。呢個次序唔可以倒轉，因為 CFA 需要你事先指定每個題目屬於邊個因素，如果你根本未有結構假設，就無從指定。

最常見嘅誤用係同一份數據先跑 EFA，再拿同一份數據跑 CFA，然後宣稱結構得到驗證。呢個做法在方法學上唔成立，因為 EFA 結束之後，你嘅結構已經被數據塑造過，再用同一批數據驗證等於自我循環。若果你只有一份數據，較穩妥嘅做法係把樣本隨機對分，一半做 EFA、一半做 CFA。呢個細節係 代寫論文 服務協助檢查分析流程時最常指出嘅漏洞。

順帶一提，因素分析同主成分分析（PCA）雖然經常一齊出現，但兩者嘅前提唔同。PCA 係把原有變項線性組合成新變項，屬於降維技術；因素分析則假設背後存在潛在構念，屬於測量模型。若果你嘅目的是驗證量表結構，用因素分析較合適；純粹想把眾多變項壓縮成幾個指標，PCA 就夠。呢個選擇要按研究目的決定，而唔係跟風。

跑 EFA 之前要準備嘅三件事

第一件事係確認樣本量足夠。經驗法則係每個題項對應五至十個樣本，整體樣本最好有二百以上。樣本不足會令因素結構不穩定，同一批題目換個樣本可能得出唔同結果。跑分析前先睇 KMO 值同 Bartlett 球形檢定，KMO 偏低或者球形檢定不顯著，都意味住數據唔適合做因素分析。統計分析嘅一般流程，北卡大學寫作中心嘅寫作資源 亦有可供對照嘅說明。

第二件事係整理題項。反向題要先反向計分，否則會扭曲因素結構。同時要檢查有冇雙重問題，即一條題目同時問兩件事，呢類題目在因素分析中經常出現交叉負荷，最終通常要刪除。第三件事係決定把李克特量表當成連續或者有序變項處理，呢個選擇會影響你採用嘅估計方法，亦要寫入方法章節交代。

呢三步睇落係準備工作，但佢哋決定咗分析係咪站得住。有經驗嘅做法係把上述檢查結果逐一記錄，將來寫方法章節同答辯都可以直接引用。若果你嘅題項設計本身有問題，因素分析只會把問題放大，而唔會幫你補救，所以量表設計階段就要謹慎，代寫論文 服務亦會建議在落筆前先檢視題項是否清晰單一。

準備工作其實同整個研究嘅測量邏輯連成一線。你點界定構念、點設計題目、點檢驗結構，係同一條推理鏈嘅三個環節。若果你想系統了解題目同構念之間嘅對應關係，可以參考 研究工具設計 嘅整理，當中有關於題項與構念對應嘅討論，同因素分析嘅前置步驟直接相關。

睇 EFA 輸出：因素數目、負荷同交叉負荷

決定抽取幾個因素，係 EFA 最容易出錯嘅環節。單靠特徵值大於一（Kaiser 準則）往往會高估因素數目，較穩健嘅做法係同時參考碎石圖同平行分析。碎石圖睇曲線由陡轉平嘅轉折點，平行分析則把實際特徵值同隨機數據嘅特徵值比較，兩者指向一致時，你嘅判斷才有依據。

第二個要睇嘅係因素負荷。負荷代表題目同因素嘅關聯強度，一般以零點四或零點五為可接受下限。若果一條題目在多個因素上都有相近嘅高負荷，即交叉負荷，通常表示題目語意不夠聚焦，較常見嘅處理係刪除該題後重跑分析。刪題之後結構可能改變，所以每一次刪題都要重新檢視整體結果，唔可以一次過刪幾條。

第三個決定係旋轉方法。正交旋轉假設各因素互不相關，斜交旋轉則容許因素之間有相關。社會科學嘅構念通常彼此有關聯，所以斜交旋轉較常用。你要在方法章節講清楚揀邊種同點解，因為旋轉方法唔同，得出嘅負荷同詮釋都會有差異。呢類方法選擇嘅交代深度，係 代寫論文 服務檢視量化章節時會逐項核對嘅內容。

有一點唔少同學忽略：刪題唔應該純粹為咗令統計結果更整齊。每次刪題都要有語意上嘅理由，例如題目語意重複或者概念上偏離。若果只因為負荷低就刪，你可能把一些重要的內容一併刪走，最終量表雖然結構清晰，但涵蓋面變窄，反而削弱內容效度。統計結果同理論判斷要一齊用。

CFA 同模型配適：點證明結構站得住

行到 CFA，你已經有一個指定結構，要檢驗嘅係呢個結構同數據是否吻合。呢一步會輸出多個配適指標，冇單一指標可以決定一切，較常見嘅做法係同時報告卡方自由度比、CFI、TLI、RMSEA 同 SRMR。一般參考標準係 CFI 同 TLI 達零點九以上、RMSEA 低於零點零八、SRMR 低於零點零八，數值越理想代表模型越貼近數據。

除咗整體配適，仲要報告收斂效度同區辨效度。收斂效度通常睇平均變異抽取量（AVE）同組合信度，區辨效度則檢視各構念之間嘅相關是否低於各自 AVE 嘅平方根。呢兩組指標係回答「你嘅題目真係量度緊同一個構念，而唔同構念又真係唔同」嘅關鍵，缺少咗就會被質疑結構只是統計產物。學術寫作嘅規範說明，Purdue OWL 嘅學術寫作資源 亦有相關整理，可作書寫參考。

若果配適不理想，唔應該直接放棄或者隱藏結果。常見嘅修正方式係參考修正指標，容許部分誤差項相關，但每一次修正都要有理論理由，唔可以純粹為咗令指標好看。同時要報告修正前後嘅指標變化，令讀者知道你做過咩調整。呢種透明度係量化論文嘅基本要求，亦係 代寫論文 服務審視模型章節時最重視嘅一環。

配適指標之外，仲要交代樣本數據嘅分佈是否符合估計方法嘅假設。若果你採用最大概似估計，數據最好接近多元常態；若果數據明顯偏態，就要改用較穩健嘅估計方法，例如對有序變項適用嘅加權最小平方法。呢啲假設檢查看似技術細節，但佢哋決定咗你嘅配適指標是否可信。測量工具嘅信度同效度基礎，可參考 研究信度與效度 嘅說明，同 CFA 嘅效度檢驗一脈相承。

寫入論文：方法同結果章節點交代

方法章節要交代嘅內容包括樣本量同抽樣方式、題項數目同計分方式、採用 EFA 抑或 CFA 及理由、提取因素嘅方法、旋轉方法、以及判斷因素數目嘅依據。呢啲資訊缺一，讀者就無法判斷你嘅結果是否可信。最忌係只寫一句「已進行因素分析」而冇任何參數交代，因為讀者根本複現唔到你嘅做法。

結果章節則要報告 KMO 同球形檢定、抽取嘅因素數目同累積解釋變異量、各題目嘅負荷值、以及刪題嘅過程同影響。若果你做 CFA，就要報告所有配適指標同信效度指標。數據呈現嘅方式，城大語言中心嘅線上資源 亦有可供參考嘅處理，重點係數字要清楚對應你嘅論述，而唔係堆砌。

仲有一點要留意：因素分析嘅結果要同你嘅研究問題扣連，而唔係為做而做。若果你的研究根本唔涉及多構念量表，就無必要硬加一段因素分析。工具要服務問題，唔係問題遷就工具。分析流程嘅常見誤用，數據分析常見錯誤 嘅說明有系統整理，值得在落筆前對照檢查。當你嘅量表結構交代得清楚、構念命名貼合文獻，成個量化章節嘅說服力就會提升一個層次，而 代寫論文 服務嘅價值，亦正正在於幫你把呢條分析鏈逐環檢視清楚。

常見問題

以下係同學處理因素分析時最常問嘅問題，答案亦適用於 代寫論文 服務嘅常見查詢。

問：EFA 同 CFA 可唔可以用同一份數據？
答：唔理想。先用 EFA 再用同一數據做 CFA 會形成循環論證。若只有一份數據，建議隨機對分成兩半，一半探索、一半驗證。

問：樣本要幾多先夠做因素分析？
答：無絕對數字。常見經驗係每題五至十個樣本，整體最好二百以上，並以 KMO 值同球形檢定確認數據是否適合分析。

問：因素負荷幾多才可接受？
答：常見下限係零點四至零點五。低於下限嘅題目要考慮刪除，但刪題之後必須重跑分析，確認整體結構冇因此改變。

問：應該用正交定斜交旋轉？
答：睇因素之間是否相關。社會科學構念多數互有關聯，所以斜交旋轉較常用，但必須在方法章節交代選擇理由。

問：特徵值大於一就係因素數目？
答：唔一定。Kaiser 準則容易高估因素數目，建議同時參考碎石圖同平行分析，多個依據指向一致時才作決定。

問：因素分析同主成分分析有咩分別？
答：主成分分析屬降維技術，把變項線性組合；因素分析假設背後有潛在構念，屬測量模型。目的不同，選擇就不同。

問：分析結果可以點呈現？
答：方法章節交代全部參數，結果章節報告 KMO、球形檢定、解釋變異量同負荷值。若結構或命名有疑問，交由 代寫論文 服務覆核通常可及早發現問題。

WhatsApp 諮詢：+852 94783837
Telegram：@essayhelper_hk
網站：https://www.essayhelperhk.com/