Exploratory Factor Analysis (EFA) 和principle component analysis with varimax rotation 具体指什么？其用途主要是什么？如何判断量表有比较高的效度和信度。
1.因子分析分为探索性因子分析（EFA）和验证性因子分析（CFA）。探索性因子分析的目的在于找出量表的潜在结构，减少题项的数目，使之变为一组较少而彼此相关较大的变量。因而探索性因子分析是一种资料推导的分析。
2.PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。其出发点是变量的相关系数矩阵，在损失较少信息的前提下，把多个变量（这些变量之间要求存在较强的相关性，以保证能从原始变量中提取主成分）综合成少数几个综合变量来研究总体各方面信息的多元统计方法，且这少数几个综合变量所代表的信息不能重叠，即变量间不相关。
我理解的varimax rotation（方差旋转）是在拟合变量的相关系数矩阵时，例如在二维空间，一条在第一第三象限的角平分线上的线段,在坐标轴上的投影不能反映出它的最真实情况,因为缩小了根2倍,最佳方法是把坐标轴逆时针旋转45度才行。目的是减少误差地提取特征量。
2.PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。其出发点是变量的相关系数矩阵，在损失较少信息的前提下，把多个变量（这些变量之间要求存在较强的相关性，以保证能从原始变量中提取主成分）综合成少数几个综合变量来研究总体各方面信息的多元统计方法，且这少数几个综合变量所代表的信息不能重叠，即变量间不相关。
我理解的varimax rotation（方差旋转）是在拟合变量的相关系数矩阵时，例如在二维空间，一条在第一第三象限的角平分线上的线段,在坐标轴上的投影不能反映出它的最真实情况,因为缩小了根2倍,最佳方法是把坐标轴逆时针旋转45度才行。目的是减少误差地提取特征量。
信度检验：
本文要测量的是量表内在一致性系数，内在一致性系数主要反映的是测验内部题目之间的关系，即量表内部所有题目的一致性(项目同质性)程度，考察量表的项目是否测量了相同的内容，又称为内部一致性信度。
方法有两种:
1.分半法：测量后得到信度系数。折半信度法是将调查项目分为两半，计算两半得分的相关系数，进而估计整个量表的信度，折半信度测量的是两半题项得分间的一致性。计算前后两半量表得分的相关系数即为半个量表的信度系数，最后用斯皮尔曼-布朗(Spearman-Brown) 公式(2r/1+r)求出整个量表的信度系数。
2.Cronbach α（本文采用）：测量后得到Cronbach α系数。α信度系数法是目前最常用的内部信度系数。Cronbach' s α系数是Cronbach于1951年创立的，是指测验内部的项目在多大程度上考察了同一内容。
α系数是所有可能的分半信度的平均值a系数是估计信度的最低限度,α系数高时，信度就高，α系数低时，信度不一定低。
低信度:α<0.35，中信度: 0.35<α <0. 70,高信度: 0. 70<α。一般来说，问卷或量表的a系数在0.8以上该问卷才具有使用价值，达0.85以上，表明问卷或量表信度良好。
方法有两种:
1.分半法：测量后得到信度系数。折半信度法是将调查项目分为两半，计算两半得分的相关系数，进而估计整个量表的信度，折半信度测量的是两半题项得分间的一致性。计算前后两半量表得分的相关系数即为半个量表的信度系数，最后用斯皮尔曼-布朗(Spearman-Brown) 公式(2r/1+r)求出整个量表的信度系数。
2.Cronbach α（本文采用）：测量后得到Cronbach α系数。α信度系数法是目前最常用的内部信度系数。Cronbach' s α系数是Cronbach于1951年创立的，是指测验内部的项目在多大程度上考察了同一内容。
α系数是所有可能的分半信度的平均值a系数是估计信度的最低限度,α系数高时，信度就高，α系数低时，信度不一定低。
低信度:α<0.35，中信度: 0.35<α <0. 70,高信度: 0. 70<α。一般来说，问卷或量表的a系数在0.8以上该问卷才具有使用价值，达0.85以上，表明问卷或量表信度良好。