因素分析是量表研究的核心工具，但也是最容易被誤用的一步。最常見的誤用是：明明要用驗證式，卻跑了探索式；或是因素數決定得毫無依據，只因為「跑出來剛好四個」。這篇把兩種方法的分工、流程與判斷標準講清楚。
先分清楚：EFA 與 CFA 在做什麼
探索式因素分析（EFA）：在沒有預設結構的情況下，讓資料告訴你有幾個潛在構面、哪些題目歸在一起。適合量表自編、或把國外量表翻譯改編後使用。
驗證式因素分析（CFA）：你已經有理論架構（例如某量表原始的五構面），要檢驗你的資料符不符合這個結構。適合使用既有成熟量表。
判準很簡單：你有沒有先驗的理論結構？有 → CFA；沒有 → EFA。兩者不能顛倒順序，更不能「先 EFA 刪題、再用同一批資料 CFA 驗證」——那是同一份資料重複使用，結論會過度樂觀。正確做法是樣本對半切，一半 EFA、一半 CFA。
EFA 的執行流程
步驟一：檢查資料適不適合做因素分析
- KMO：取樣適切性。.90 以上極佳、.80 以上良好、.70 以上中等、.60 以下不建議做。
- Bartlett 球形檢定：要顯著（p < .05），表示變項之間有足夠相關。
- 樣本數：一般建議至少是題項數的 5 倍，10 倍更穩；絕對值不建議低於 150。
步驟二：抽取方法
社會科學最常用主軸因子法（Principal Axis Factoring），因為它不假設測量誤差為零。主成分分析（PCA）嚴格說是資料縮減技術，不是因素分析，但國內論文仍常見——如果你的指導教授要求 PCA，照做，但要知道差別在哪。
步驟三：決定因素數
三個指標交叉判斷，不要只看一個：
- 特徵值 > 1（Kaiser 準則）：最常用，但容易高估因素數。
- 陡坡圖：找曲線轉折點，主觀但直觀。
- 平行分析：把隨機資料的特徵值當基準線比較，統計上最嚴謹。
三者不一致時，以理論可解釋性為最終依據。跑出五個因素但第五個只有兩題、也說不出名字，通常就該收成四個。
步驟四：轉軸
假設因素之間有相關（社會科學幾乎都是），用斜交轉軸（Promax）；若堅持因素獨立，用直交轉軸（Varimax）。斜交轉軸會輸出因素相關矩陣，那反而是有價值的資訊。
步驟五：刪題與命名
- 因素負荷量 < .40 的題目考慮刪除；< .32 建議刪除。
- 同一題在兩個因素上都超過 .40（交叉負荷）→ 刪除。
- 一個因素至少要有 3 題，才站得住腳。
- 刪題一次刪一題，刪完重跑，不要一次刪五題。
CFA 的判斷標準
CFA 用最大概似法（ML）估計，看的是「模型與資料的配適程度」。常用指標與門檻：
- χ²/df < 3（寬鬆一點 < 5）
- CFI、TLI > .90（> .95 更好）
- RMSEA < .08（< .05 更好）
- SRMR < .08
另外要看收斂效度與區別效度：
- 收斂效度：標準化負荷量 > .70、CR > .70、AVE > .50。
- 區別效度：每個構面的 √AVE 要大於它與其他構面的相關係數。
三個最常見的錯誤
- 用同一批資料先 EFA 再 CFA：等於用答案去驗證答案，配適度一定好看，但沒有證據力。
- 為了配適度一直改模型：刪題、加誤差相關，直到指標過關。這叫 capitalizing on chance，改完要在論文裡說明每一次修改的理由。
- 只看配適度不看負荷量：模型配適很好，但某個構面的負荷量只有 .45，那個構面其實撐不起來。