降维分析系列第1讲：主成分分析和因子分析，到底有什么区别？
所谓“降维”，简单说，就是用更少的变量，概括原本更多变量所包含的信息。
很多同学第一次接触降维时都会问：
主成分分析和因子分析，到底区别在哪里？
软件里放在一起，步骤类似，输出表格也差不多。有些论文甚至写成“主成分（因子）分析”。
但这两个方法，解决的问题并不一样。
01从一个真实研究场景说起
假设你在做企业竞争力研究。
你收集了 12 个指标：营业收入、净利润、资产规模、员工数量、研发投入、专利数量、市场份额、销售增长率、现金流、资本结构、广告支出、固定资产规模。
这些变量高度相关。规模大的企业往往收入高、利润高、员工多；研发投入多的企业通常专利也多。
问题来了：变量太多，该怎么办？
这时你可能会产生两种完全不同的研究动机。
02如果你的目标是“压缩信息”
第一种情况，你只是觉得变量太多。
共线性严重，模型不稳定。你希望把 12 个指标压缩成 1–2 个综合指标，用于后续回归或排序。
在这种思路下，你关心的是：
如何在尽量不丢失信息的情况下，用更少的变量保留更多波动？
这正是主成分分析的出发点。
它寻找的是数据中“方差最大的方向”。本质上是一种数学变换，把原始变量重新组合成若干新的线性组合。
它解释的是“总体方差”。它生成的是“成分”。这些成分并不天然具有现实含义，只是统计上的压缩结果。
如果你的目标只是减少维度，主成分分析通常已经足够。
03如果你的目标是“解释结构”
第二种情况，你并不满足于压缩变量。
你在思考：这些指标之所以相关，是不是因为企业竞争力本身可以分成几个维度？比如规模实力、技术能力、市场能力。
这时你关心的不是压缩，而是解释。变量之间的相关性，是否来自某些共同的潜在因素？
这正是因子分析的逻辑。它假设观测变量受到少数几个公因子的影响。相关性不是巧合，而是因为背后存在结构。
它不是单纯的数学组合，而是一个模型假设。它解释的是“潜在结构”。它生成的是“因子”。这些因子被赋予理论意义。
04真正的差别在哪里？
把两者并排看，就会发现差异很清晰：
主成分分析关注方差，因子分析关注结构。
主成分是一种数学压缩，因子分析是一种潜变量模型。
主成分输出的是成分，因子分析输出的是因子。
表面操作类似，研究逻辑却完全不同。
05一个实用判断
在实际研究中，可以先问自己一句话：
我是在合成指标，还是在解释结构？
如果只是为了减少变量数量、缓解共线性，主成分分析更合适。如果希望揭示变量背后的潜在维度，因子分析才是更合理的选择。
很多方法上的误用，不是因为不会操作，而是因为没有想清楚研究目标。
06一个更具体的例子：航空乘客满意度数据
《SPSS数据分析案例教程》书中（“第19章 降维分析”，P307），有一个真实案例，使用的是 Kaggle 上“航空乘客满意度”数据。样本量超过 10 万条，包含多项关于服务体验的评价变量。
例19-1：数据集“航空乘客满意度”包含了一系列关于乘客满意度的变量，以及一些关于航班的特征信息。变量包括：客户ID服务满意度评分（SR）、性别、顾客类型、年龄、旅行类型、舱位、飞行距离以及各种服务和航班相关的评价性变量。通过对数据进行因子分析，揭示影响乘客满意度的关键因素，并理解这些因素之间的关系，以帮助航空公司改进服务，提高乘客满意度。
该数据集一共有16个变量，包括：机上 WiFi 服务、在线预订便利性、座位舒适度、餐饮服务、机上娱乐、值机服务、清洁度，以及起飞和到达延误时间等。
上述指标之间存在明显相关性。座位舒适度评分高的航班，机上服务和清洁度评价往往也不低；延误时间长的航班，整体体验通常更差。
那么，当我们面对这 16 个变量，到底该用哪种方法？
1. 如果只是想“合成一个指标”（主成分分析）
有时候，我们并不打算分析满意度结构，只是觉得变量太多，希望构造一个综合指标，用于后续回归或排序分析。
例如，把多个服务评分压缩成一个“整体服务指数”，看看它与客户忠诚度、复购意愿之间的关系。
在这种情况下，核心任务是压缩信息。只要能够在尽量不丢失总体波动的前提下减少变量数量，主成分分析已经足够。
它构造的是若干线性组合，目标是解释更多方差，而不是解释结构。
2. 如果想理解“满意度是如何构成的”（因子分析）
但如果研究问题换成：
- 乘客满意度究竟由哪些维度构成？
例如，是否可以区分为“服务体验”“航班便利性”“舒适度体验”等几个方面？这些维度之间有没有清晰的结构？
这时研究重点就不再是压缩变量，而是理解相关性的来源。
因子分析的逻辑正是在这里。它假设变量之间的相关性来自少数几个潜在因子，并试图识别这些因子。在这种目标下，选择因子分析更为合理。
教程中对这个数据集进行因子分析后，最终得到5个公因子（如下图），作者将这5个公因子命名为：在飞行过程中的舒适程度、服务质量因子、方便性因子、准时性因子、网络服务因子。
小结
降维方法本身并不复杂，真正重要的是研究目的。
你是想把变量变少，还是想解释结构？问题不同，方法也不同。
附：到底是“主成分分析”，还是“主成份分析”？
很多学生会问这个问题。
曾经教过中文课的 Henry 老师，给出一个很简单的回答：
规范写法是“主成分分析”。
“成分”在现代汉语里指构成整体的部分，比如化学成分、语法成分、营养成分。“成份”属于旧写法，在规范出版物中已经基本不用。
统计学里的 “principal component”，强调的是构成整体变异结构的“组成部分”，因此翻译为“主成分”。