使用R语言factanal()计算特定变量组的因子方差解释率技术问询

我明白你想通过对比完整因子模型（60个变量+4因子varimax旋转）中特定变量子组的因子方差贡献，和仅用该子组拟合的独立因子模型的总方差解释，来验证完整模型对这个子组的适配性。下面我会一步步给你实现思路和对应的R代码，完全贴合你用factanal()做极大似然（ML）因子分析（而非PCA）、varimax旋转的需求：

1. 拟合完整的因子分析模型 #

首先先拟合你的完整模型，factanal()默认采用ML估计，正好符合你不用PCA的要求：

# 假设你的数据集是名为df的数据框，包含60个待分析变量
full_fit <- factanal(df, factors = 4, rotation = "varimax", scores = "regression")

2. 从完整模型中提取目标子组的方差解释 #

假设你已经定义好了目标变量子组（比如target_vars <- c("var1", "var5", "var12")），我们需要从完整模型里提取这些变量的载荷，计算每个因子对子组的方差解释占比，以及子组的总方差解释率：

# 替换成你的实际目标变量名向量
target_vars <- c("var1", "var2", "var3") 

# 提取子组对应的因子载荷矩阵
target_loadings <- full_fit$loadings[target_vars, ]

# 计算每个因子对子组的方差贡献（载荷平方和）
factor_var_contrib <- colSums(target_loadings^2)

# 计算子组的总共同度（所有变量的共同度之和，即完整模型能解释的子组总方差）
total_common_var_full <- sum(rowSums(target_loadings^2))

# 计算各因子的方差解释百分比（相对于子组总方差）
factor_var_pct_full <- (factor_var_contrib / total_common_var_full) * 100

# 输出完整模型中子组的方差解释结果
cat("完整模型中目标子组的各因子方差解释百分比：\n")
print(round(factor_var_pct_full, 2))
cat("\n完整模型中目标子组的总方差解释百分比：", round((total_common_var_full / length(target_vars)) * 100, 2), "%\n")

注：因为factanal()默认会对变量做标准化（方差为1），所以子组的总方差等于变量个数，总方差解释率是子组总共同度除以变量数再转成百分比。

3. 拟合仅针对子组的独立因子模型 #

为了做对比，我们用同样的参数（4因子、varimax旋转）拟合仅包含目标子组的因子模型：

# 拟合子组独立模型
sub_fit <- factanal(df[, target_vars], factors = 4, rotation = "varimax", scores = "regression")

# 提取子组模型的各因子方差解释百分比和总解释率
cat("\n子组独立模型的各因子方差解释百分比：\n")
print(round(sub_fit$PVE * 100, 2))
cat("\n子组独立模型的总方差解释百分比：", round(sum(sub_fit$PVE) * 100, 2), "%\n")

注：factanal()的$PVE字段直接给出了每个因子解释的方差占子组总方差的比例，求和后就是子组模型的总方差解释率，非常方便。

4. 对比结果与判断逻辑 #

拿到两个模型的结果后，你可以从这两个维度判断完整模型的适配性：

• 总方差解释率对比：如果完整模型中子组的总解释率和子组独立模型的总解释率差值很小（比如在5%以内），说明完整的4因子结构能较好地捕捉该子组的潜在信息，没有因为纳入其他变量而大幅降低对子组的解释能力。如果差值过大，说明完整模型的因子结构可能不太适配这个子组。
• 各因子贡献占比对比：如果两个模型中各因子的方差解释占比差异明显，也说明完整模型的因子结构在这个子组上的表现和子组自身的潜在结构不一致，可能需要调整完整模型的设定。

内容的提问来源于stack exchange，提问作者statBetaalpha