因子分析导论

1. 声音
   观察依据

   主讲人说：“如果我们有变量 X1、X2、X3、X4……一直延伸到比如 X100。”

2. 公式
   观察依据

   屏幕上出现手写方框，分别标注为$X_1$、$X_2$、$X_3$、$X_4$、$\dots$、$X_{100}$。

$X_i$

数据集中观测到的变量或条目。

从1到100的整数下标 i。

1. 声音
   观察依据

   主讲人提到：“比如说因子一、因子二，总共可能只有五个因子。”

2. 公式
   观察依据

   屏幕上出现手写圆圈，分别标注为$f_1$、$f_2$、$\dots$、$f_5$。

$f_j$

代表观测变量潜在结构的隐变量因子。

从1到5的整数下标 j。

1. 声音
   观察依据

   主讲人提到预测“一个结果”。

2. 公式
   观察依据

   屏幕上出现一个标注为$Y$的手写方框，来自$X$个变量的箭头均指向它。

Y

回归模型中被预测的单一结果变量。

未指明。

1. 图示
   观察依据

   一个标有 $x_1$ 的方框节点出现在变量左列中。

2. 图示
   观察依据

   该变量随后在第二列中重新绘制，并通过箭头连接至潜在因子节点。

$x_1$

回归设定中的一个观测输入变量。

观测变量；未说明其数值定义域。

1. 图示
   观察依据

   一个标有 $x_2$ 的方框节点出现在变量左列中。

2. 图示
   观察依据

   它也在右侧的因子分析图中显示，并带有指向潜在因子的箭头。

$x_2$

回归设定中的一个观测输入变量。

观测变量；未说明其数值定义域。

1. 图示
   观察依据

   一个标有 $x_3$ 的方框节点出现在变量左列中。

2. 图示
   观察依据

   它也在右侧的因子分析图中显示，并带有指向潜在因子的箭头。

$x_3$

回归设定中的一个观测输入变量。

观测变量；未说明其数值定义域。

1. 图示
   观察依据

   一个标有 $x_{100}$ 的方框节点出现在左列底部。

2. 声音
   观察依据

   说话人提到“那一百个变量”。

3. 图示
   观察依据

   它也在右侧的因子分析图中展示，并带有一条指向潜在因子的箭头。

$x_{100}$

一组100个变量中最后一个显示的观测变量。

观测变量；未说明其数值定义域。

1. 图示
   观察依据

   一个标有 y 的方框节点位于 x 列右侧，并接收来自各观测变量的箭头。

2. 声音
   观察依据

   说话人称其为“关注的结果”。

y

被预测的结果变量或响应变量。

结果变量；未说明其数值定义域。

1. 图示
   观察依据

   右侧图中画出一个标有 $f_1$ 的圆圈节点。

2. 图示
   观察依据

   从 $f_1$ 出发画出箭头，分别指向观测的 x 变量和 y。

$f_1$

用于概括观测变量之间关系的潜在因子。

潜在因子；未说明其数值定义域。

1. 图示
   观察依据

   在右图中，标有 $f_2$ 的带圆圈节点画在 $f_1$ 下方。

2. 图示
   观察依据

   从 $f_2$ 出发画出箭头，分别指向观测变量 x 和变量 y。

$f_2$

因子分析表示法中的第二个潜在因子。

潜在因子；未说明其数值定义域。

1. 图示
   观察依据

   在右图中，标有 $f_3$ 的带圆圈节点画在 $f_2$ 下方。

2. 图示
   观察依据

   从 $f_3$ 出发画出箭头，分别指向观测变量 x 和变量 y。

$f_3$

因子分析表示法中的第三个潜在因子。

潜在因子；未说明其数值定义域。

1. 图示
   观察依据

   标有 $f_s$ 的带圆圈节点作为最后一个因子画在右图中。

2. 声音
   观察依据

   说话人称该回归可简化为“仅含五个因子的情形”。

1. 仅从图示本身无法完全明确图中意图表示的因子确切数量；音频示例提到五个，而图中可见的标签包括 $f_1$、$f_2$、$f_3$ 和 $f_s$。

$f_s$

因子序列中一个通用的最终潜在因子标签。

潜在因子索引 s；未说明其数值定义域。

1. 声音
   观察依据

   主讲人将因子分析定义为：“一种统计方法，用于将大量变量简化为数量更少的、我们称之为潜在因子的结构。”

因子分析是一种统计技术，旨在通过将大量观测变量简化为数量更少的潜在、不可观测因子，来简化复杂数据集，这些因子能够捕捉变量间的共同方差。

1. 适用于处理大量彼此相关的变量的情形。

2. 目标是在不损失推断价值的前提下实现降维。

1. 声音
   观察依据

   主讲人列举了心理学、教育学、社会学和市场营销等领域。

2. 公式
   观察依据

   手写列表：心理学、教育学、社会学、市场营销。

因子分析在社会科学与商业领域被广泛应用，用于识别人们在回答一系列问题或条目时所表现出的共同结构或模式。

1. 因子分析的定义

1. 声音
   观察依据

   主讲人解释道，因子分析利用潜在协方差，在更少的变量集合中构建理论，从而将大量条目归纳为数量更少的潜在因子。

2. 公式
   观察依据

   示意图显示$X_1$到$X_{100}$简化为$f_1$到$f_5$。

潜在因子是无法直接观测的变量，用于解释一大组可观测变量之间的相关性。它们提供了数据内在结构的简洁表示。

1. 因子必须捕捉可观测变量之间的重要关系。

1. 因子分析的定义

1. 声音
   观察依据

   “而在因子分析中，我们首先可以将这上百个变量通过因子降维，缩减为更易处理的数量……”

2. 声音
   观察依据

   “它使我们能够以更简洁的方式，借助从因子到目标结果的回归来加以解释。”

3. 图示
   观察依据

   右侧图示将直接的 $x\to y$ 箭头替换为：x 节点连接至潜在因子 $f_1$、$f_2$、$f_3$、$f_s$，这些因子再共同指向 y。

因子分析被呈现为一种方法：先将大量观测变量压缩为数量更少的一组潜在因子，再基于这些因子对结果变量进行回归。图示对比直观表明，原本涉及大量变量的回归，被替换为一种维度更低、以因子为中介的解释方式。

1. 存在大量观测变量。

2. 目标是简化对某一结果的预测或推断。

3. 潜在因子被用作中间解释变量。

1. 声音
   观察依据

   “因此，两种最常用的方法之一是探索性因子分析……”

2. 声音
   观察依据

   “……在探索性因子分析中，我们最初并不清楚各个变量与潜在因子之间如何关联。”

3. 声音
   观察依据

   “因此，我们让每个因子都能自由地从每个因子中获取信息。”

4. 图示
   观察依据

   黑板上写着‘探索性因子分析’。

1. 口述短语‘自由地从每个因子中获取信息’很可能是‘从每个变量中’的口误，但字幕保留了实际听到的措辞。

探索性因子分析被定义为这样一种方法：分析人员在开始时并不预先设定每个观测变量与潜在因子之间的关系，因此允许因子自由地从变量中提取信息。

1. 没有初始假设来固定变量与因子之间的结构。

2. 因子载荷由数据学习得到，而非事先人为设定。

1. 因子分析在预测中的作用

1. 声音
   观察依据

   “……以及验证性因子分析。”

2. 声音
   观察依据

   “而在验证性因子分析中，我们可以对测量模型提出大量严格的假设和严格的前提条件……”

3. 声音
   观察依据

   “……从而检验关于题目如何与这些潜在因子或构念相关联的假设……”

4. 图示
   观察依据

   黑板上写着‘验证性因子分析’。

验证性因子分析被定义为一种方法：分析者对测量模型施加严格的假设与前提，从而能够检验关于题项如何与潜在因子或构念相关联的具体主张。

1. 分析者已提出一个测量模型。

2. 关于题项与因子之间关系的假设事先已明确指定。

3. 目标包括对这些假设进行检验。

1. 因子分析在预测中的作用

1. 声音
   观察依据

   “探索性因子分析在实践中其实并没有那么‘探索性’，因为我们通常在开始分析前就已对题项如何聚类有一定预期。”

2. 声音
   观察依据

   “而在验证性因子分析中，我们通常一开始就知道想要设定的模型，但随后总会去探索模型拟合不佳的潜在原因。”

3. 声音
   观察依据

   “因此，将二者严格区分开来并不一定总是有意义……”

该视频指出，这两种标签在实践中并非绝对：探索性因子分析往往始于对题项分组的先验预期，而验证性因子分析仍需对模型拟合不佳的原因进行探索。因此，这种区分并不总是工作流程中最实用的部分。

1. 实际应用场景既包含先验知识，也包含模型拟合后的探索。

2. 这种比较关注的是实践操作，而非形式化定义。

1. 探索性因子分析
2. 验证性因子分析

1. 声音
   观察依据

   主讲人指出，因子分析是一种强有力的方法，可用于揭示一个通用因子如何帮助解释我们所收集的各个题目。

2. 图示
   观察依据

   一个中心潜变量节点 f 画在一行观测变量方块 $x_1$、$x_2$、……、$x_n$ 的上方。

因子分析被呈现为一种方法：用少量潜因子来解释大量观测题项之间的模式。口述总结强调对作答模式的推断，以及对题目之间为何存在关联的解释。

1. 存在多个观测题项或变量。

2. 目标是推断出一组数量更少的潜在因子，以解释这些题项之间的关系。

1. 图示
   观察依据

   黑板顶部手写标注为“探索性因子分析”和“验证性因子分析”。

1. 该片段展示了这两个标签，但在此段中并未定义任一术语。

黑板区分了因子分析的两个命名分支：探索性因子分析与验证性因子分析。在本片段中，它们仅以标题形式出现，而非被完整阐释的概念。

1. 本条目仅记录这两种方法在画面中可见的命名。

2. 该片段中未给出任何正式定义。

1. 图示
   观察依据

   一个标有 f 的圆圈被绘制在观测变量正上方的中心位置。

2. 声音
   观察依据

   主讲人称其为一般因子，随后又称其为潜在因子。

标有 f 的圆圈代表未观测到的因子，用于解释观测变量之间共享的结构。它位于 x 节点上方的位置，在视觉上表明其作为解释性潜在构念的角色。

1. f 被视为潜在变量，而非直接观测得到。

2. 该图示使用从 f 指向观测变量的箭头。

1. 因子分析的目的

1. 图示
   观察依据

   标有 $x_1$、$x_2$、……、$x_n$ 的正方形以水平排列方式绘制在 f 下方。

2. 声音
   观察依据

   主讲人提到我们所收集的项目，并特别指出 X 一 和 X 二。

这些正方形表示数据集中的观测项目或变量。行式记号表明这是一组多个已测量的量，而该因子旨在解释它们。

1. x 节点是观测变量。

2. 省略号表示延续至以 $x_n$ 结束的更大集合。

1. 因子分析的目的

1. 声音
   观察依据

   主讲人提问为何能看到X一与X二之间存在关系，并回答说：二者通过一个因素间接关联。

2. 图示
   观察依据

   从f向下画出箭头分别指向$x_1$和$x_2$，再在$x_1$与$x_2$之间添加一条曲线连接。

该片段解释道：两个观测变量之间可能存在关系，并非因为其中一个直接导致另一个，而是因为二者均依赖于同一潜在因素。图示路径$f \to x_1$和$f \to x_2$支持了关于间接关系的口头陈述。

1. 至少有两个观测变量共同依赖于同一个潜变量。

2. 观测变量之间的关系被解释为间接的。

1. 潜在因子节点 f
2. 观测项目 $x_1$、$x_2$、……、$x_n$

1. 声音
   观察依据

   “……能够将一个含有一百个变量的复杂回归简化为仅含五个变量的模型，这极大地减轻了我们进行推断的负担。”

2. 图示
   观察依据

   黑板对比了直接的多自变量对因变量回归与通过因子中介的表示方法。

用一组更少的因子作为预测变量来替代原本包含大量可观测预测变量的回归，能大幅减轻推断负担。

1. 原始模型包含大量可观测变量。

2. 因子分析得到一组数量更少、可用的因子。

3. 随后基于这些因子对结果变量进行预测或推断。

在所讨论的示例中，一组100个变量被缩减为5个因子。

1. 声音
   观察依据

   “这两者的主要区别在于，在探索性因子分析中……我们最初并不清楚每个变量与潜在因子之间如何关联。”

2. 声音
   观察依据

   “而在验证性因子分析中，我们可以对测量模型提出许多严格的假设和严格的前提条件……”

主要区别在于，探索性因子分析不预设固定的变量到因子结构，而验证性因子分析则对测量模型施加严格的假设和前提条件，以便检验这些关系。

1. 该比较是在探索性因子分析与验证性因子分析之间进行的。

2. 当预先指定了测量模型时，使用验证性因子分析（CFA）。

视频中所述两种命名方法之间的普遍对比。

1. 声音
   观察依据

   “探索性因子分析在实践中其实远非真正意义上的探索……”

2. 声音
   观察依据

   “……而在验证性因子分析中……我们总会探究模型拟合不佳的潜在原因。”

3. 声音
   观察依据

   “因此，在两者之间做出明确区分，未必总是有实际意义……”

在实践中，探索性因子分析并非纯粹探索性的，验证性因子分析也并非纯粹验证性的，因此尽管二者各自包含不同的方法，它们之间的区分并不总是有用。

1. 该主张关注的是应用实践，而非形式定义。

2. 分析人员常将先验预期带入探索性因子分析，并且在验证性因子分析中仍会考察模型拟合不佳的情况。

这是对典型实践所作的一般性概括，未附正式证明。

1. 声音
   观察依据

   主讲人指出：X一与X二之间的关系之所以存在，是因为二者通过一个因素彼此间接关联。

2. 图示
   观察依据

   所绘制的图中，f位于$x_1$和$x_2$上游，并在$x_1$与$x_2$之间添加了一条曲线连接。

1. 该陈述属于定性描述；本片段未展示任何代数协方差公式。

若两个观测变量存在关联，因子分析便将这种关联解释为：二者因共同依赖于某个潜在因素而间接产生。

1. 至少存在两个观测变量。

2. 这些项目之间存在某种关系。

3. 提出一个潜在因子作为解释性构念。

对于图示的成对变量 $x_1$ 和 $x_2$，更一般地，对于所展示集合中的所有项目。

1. 声音
   观察依据

   主讲人指出，因子分析的强大之处在于：它能基于大量项目，推断出数量可能较少的若干因子。

2. 图示
   观察依据

   许多 x 节点被归于同一个潜在节点 f 之下。

1. 因子的确切数目并未明确指定，仅说明其数量可能较少。

因子分析可通过推断数量可能较少的若干潜在因子，来概括大量观测项目。

1. 已有足够多的观测项目可供使用。

2. 分析者关注的是潜在结构，而不仅限于项目层面的描述。

针对大量项目以及数量可能较少的因子。

1. 声音
   观察依据

   “而在因子分析中，如果我们能先通过因子将那一百个变量降维至更易处理的数量……”

2. 声音
   观察依据

   “它使我们得以通过从因子到我们所关注结果变量的回归，以更为简洁的方式加以解释。”

3. 图示
   观察依据

   右侧图示展示了观测变量 x 与潜在因子之间的关联，以及这些因子与 y 之间的关联。

1. 公式

   $$$$
   解释

   从大量观测变量出发，用 $x_1$、$x_2$、$x_3$、…、$x_{100}$ 表示，并配有一个结果变量 y。

   步骤依据

   这是黑板上已有的左侧回归图示，与口述中提到的‘那一百个变量’相对应。

   视频直接表达
2. 公式

   $$$$
   解释

   引入一组数量更少的潜在因子，用 $f_1$、$f_2$、$f_3$、…、$f_s$ 表示。

   步骤依据

   主讲人指出，因子分析将变量‘通过我们的因子压缩为更易处理的数量’。

   视频直接表达
3. 公式

   $$$$
   解释

   在对 y 的回归中，以这些因子作为解释变量。

   步骤依据

   音频明确描述了‘从因子到我们关注的结果变量的回归’，图示中也画出了从 f 节点指向 y 的箭头。

   视频直接表达
4. 公式

   $$$$
   解释

   由此得出结论：相较于直接对全部原始变量进行回归，基于因子的路径简化了推断过程。

   步骤依据

   主讲人指出，将‘涉及一百个变量的复杂回归简化为仅含五个变量的回归’，可大幅减轻推断负担。

   视频直接表达

因子分析被呈现为一种两阶段简化方法：首先将大量观测变量压缩为较少数量的潜在因子，再以这些因子对结果变量进行回归。

1. 声音
   观察依据

   ‘因此，两种最常用的方法分别是探索性因子分析……和验证性因子分析。’

2. 声音
   观察依据

   “这两种方法的主要区别在于，在探索性因子分析中……我们最初并不清楚各个变量与潜在因子之间如何关联。”

3. 声音
   观察依据

   “而在验证性因子分析中，我们可以对测量模型提出大量严格的假设和严格的前提条件……”

4. 声音
   观察依据

   “实际上，探索性因子分析并没有听起来那么‘探索性’……”

5. 声音
   观察依据

   “……在验证性因子分析中……我们总会探究模型拟合不佳的潜在原因。”

1. 口述短语‘允许每个因子自由地从每个因子获取信息’在逻辑上自相矛盾，很可能是口误；其本意应为因子从变量中提取信息。

1. 公式

   $$$$
   解释

   明确两种常用方法：探索性因子分析与验证性因子分析。

   步骤依据

   主讲人依次说出这两个术语，并将两段文字同时写在黑板上。

   视频直接表达
2. 公式

   $$$$
   解释

   将探索性因子分析刻画为：最初并无关于变量与因子之间关系的固定构想，允许因子自由地从变量中提取信息。

   步骤依据

   这一点在音频中对探索性因子分析的定义里被直接陈述。

   视频直接表达
3. 公式

   $$$$
   解释

   将验证性因子分析刻画为：对测量模型施加严格的假设与前提条件，从而可检验题目与因子之间的对应关系。

   步骤依据

   这一点在音频中对验证性因子分析的定义里被直接陈述。

   视频直接表达
4. 公式

   $$$$
   解释

   需补充一个实际注意事项：探索性因子分析（EFA）通常始于对题目分组的某种先验设想，而验证性因子分析（CFA）仍需探究模型不拟合的原因。

   步骤依据

   主讲人明确指出，EFA在实践中‘其实并没有那么强的探索性’，而CFA分析者则‘总会探究模型不拟合的潜在原因’。

   视频直接表达
5. 公式

   $$$$
   解释

   可得出结论：二者之间的区分并非总是有用，尽管每种视角各自包含不同的方法。

   步骤依据

   主讲人表示，‘在两者之间划出明确界限并不一定总是有用’，同时仍指出‘每种视角内部都存在显著不同的方法’。

   视频直接表达

EFA与CFA的主要区别在于测量结构是保持开放还是事先设定；但在实践中，二者均不同程度地融合了探索与验证成分。

1. 图示
   观察依据

   演示者先画出 f，再画出 $x_1$、$x_2$、……、$x_n$，接着画出从 f 指向各观测节点的箭头，最后在 $x_1$ 与 $x_2$ 之间画一条曲线连接。

2. 声音
   观察依据

   讲解明确地将X一与X二之间的可见关系，与通过一个共同因子产生的间接关系联系起来。

1. 这是一种基于图示与口头说明的概念性推导，而非形式化的代数证明。

1. 公式

   $$f$$
   解释

   在观测变量上方绘制一个潜在因子节点。

   步骤依据

   主讲人引入了一个通用因子，用以解释所收集的各个题目。

   视频直接表达
2. 公式

   $$x_1, x_2, \ldots, x_n$$
   解释

   在该因子下方绘制一行观测题目节点。

   步骤依据

   主讲人提及我们已收集的题目，并将其命名为X一和X二。

   视频直接表达
3. 公式

   $$f \rightarrow x_1,\quad f \rightarrow x_2$$
   解释

   从该因子向各观测题目添加有向箭头。

   步骤依据

   该图示表明：这些观测题目依赖于其底层的共同因子。

   视频直接表达
4. 公式

   $$x_1 \leftrightarrow x_2$$
   解释

   在前两个观测题目之间添加一条曲线连接。

   步骤依据

   主讲人提问：为何我们会观察到X一与X二之间存在某种关系？

   视频直接表达
5. 公式

   $$x_1 \leftarrow f \rightarrow x_2$$
   解释

   将$x_1-x_2$之间的联结解释为经由共同因子所中介。

   步骤依据

   主讲人回答说，它们通过一个因子间接相关。

   视频直接表达

$x_1$与$x_2$之间观察到的关系被解释为由二者对f的共同依赖所导致的间接关联。

1. 声音
   观察依据

   主讲人举了一个例子：原本有100个变量，将其降维为5个因子，以便更简便地表示个体的位置。

2. 公式
   观察依据

   可视化示意图：100个X方框指向5个f圆圈。

给定一个包含100个可观测变量（$X_1, \dots, X_{100}$）的数据集，我们如何更简洁地表示这些数据？

1. 100个可观测变量。

2. 目标是保持推断价值。

将100个变量降维为一组更少的潜在因子（例如：5个因子）。

1. 公式

   $$X_1, X_2, \dots, X_{100}$$
   解释

   从一大组可观测变量出发。

   步骤依据

   问题设定。

   视频直接表达
2. 公式

   $$f_1, f_2, \dots, f_5$$
   解释

   识别一组更少的潜在因子，以捕捉内在的协方差结构。

   步骤依据

   因子分析的定义。

   视频直接表达

100个变量可通过5个潜在因子来表示，从而使推断与预测变得容易得多。

主讲人指出，这使得仅用100个变量即可表示个体在5个变量上的位置，且不会损失推断价值。

1. 声音
   观察依据

   ‘如果我们能先用因子将这上百个变量降维至更易处理的数量……’

2. 声音
   观察依据

   ‘能够将涉及上百个变量的复杂回归，简化为仅含五个变量的回归……’

3. 图示
   观察依据

   板书显示 $x_1$, $x_2$, $x_3$, …, $x_{100}$，另有一张基于因子的图示，其中多个 f-节点指向 y。

1. 所绘因子节点的确切数量与口头举例中的‘五个’并不完全一致；可见标签包括 $f_1$、$f_2$、$f_3$ 和 $f_s$。

将使用100个观测变量的复杂回归，与使用从这些变量中提取的因子所构建的简化回归进行对比。

1. 共有100个观测变量。

2. 因子分析可以将它们缩减为更易处理的数量。

3. 口述示例将模型缩减为5个因子。

4. 结果变量是 y。

展示因子分析如何简化预测与推断。

1. 公式

   $$$$
   解释

   从完整的回归设定出发，其中包含大量可观测的预测变量 $x_1$、$x_2$、$x_3$、…、$x_{100}$ 以及结果变量 y。

   步骤依据

   这是左侧图示，也是口述中所指的“那一百个变量”。

   视频直接表达
2. 公式

   $$$$
   解释

   用因子分析所得的一组数量更少的潜在因子，替代大量原始预测变量。

   步骤依据

   说话者称，因子分析将变量“借助我们的因子缩减为更易处理的数量”。

   视频直接表达
3. 公式

   $$$$
   解释

   改为基于这些因子对结果变量进行回归，而非直接基于全部原始变量进行回归。

   步骤依据

   音频明确描述为“从因子到我们关注的结果变量的回归”。

   视频直接表达
4. 公式

   $$$$
   解释

   将100个变量缩减为5个因子，可解读为推断负担的大幅降低。

   步骤依据

   说话者指出，这种缩减“极大地减轻了我们进行推断的负担”。

   视频直接表达

对5个因子的回归分析，比对100个原始变量的回归分析要简单得多。

结论通过董事会的两张图表以及将100个变量缩减为5个因子的口头数值示例加以验证。

1. 动画
   观察依据

   手绘的X变量方框出现，随后是一条向下的箭头，以及代表f变量的圆圈。

1. 标注为$X_1$至$X_{100}$的方框

2. 标注为$f_1$至$f_5$的圆圈

3. 向下箭头

1. X变量方框的示意图

2. 箭头的示意图

3. f变量圆圈的示意图

1. 从多到少的简化关系。

该图直观地展示了因子分析的核心概念：将观测变量的高维空间映射到潜在因子的低维空间。

1. 动画
   观察依据

   手写的垂直排列的X变量列表，各变量用箭头指向一个单独的Y框。

1. 垂直排列的$X$框列表

2. 标有$Y$的框

3. 从$X$指向$Y$的箭头

1. X变量列表的示意图

2. Y框的示意图

3. 箭头的示意图

1. 预测方向：从预测变量指向结果变量。

该图示说明了在预测任务中，当面对大量预测变量时所面临的困难，从而引出在建模前使用因子分析进行降维的必要性。

1. 图示
   观察依据

   一开始，黑板上显示“预测”，其右侧是一列带方框的节点：$x_1$、$x_2$、$x_3$、…、$x_{100}$，各节点均以箭头指向另一个带方框的节点 y。

2. 图示
   观察依据

   这些箭头表示 y 直接依赖于所观测的变量。

1. 文字“预测”

2. 带方框的节点 $x_1$、$x_2$、$x_3$、…、$x_{100}$

3. 带方框的节点 y

4. 从 x 节点指向 y 的箭头

1. 该图在视频片段开始时即已呈现。

2. 在右侧因子图构建过程中，该图始终保持可见。

3. 第一段结束时，左侧图表作为基准参照图发挥作用。

1. x节点仍表示观测到的预测变量。

2. y节点仍表示结果变量。

3. 箭头继续表示从x到y的直接预测关系。

该图示编码了降维前原始的多预测变量回归问题。

1. 图示
   观察依据

   在8–16秒左右，右侧绘制了一列新的x节点。

2. 图示
   观察依据

   在17–24秒左右，添加了带圆圈的因子节点$f_1$、$f_2$、$f_3$和$f_s$。

3. 图示
   观察依据

   在24–32秒左右，画出从因子节点指向x节点的返回箭头，以及指向新y节点的前向箭头。

4. 图示
   观察依据

   在32–48秒左右，额外的曲线箭头和下划线强调了因子中介的结构。

1. 一些后期绘制的笔画属于装饰性强调，并非新增的数学内容。

2. 图中所意图表达的因子确切数量并未完全明确，尽管音频示例提到了五个。

1. x节点列

2. 带圆圈的因子节点 $f_1$、$f_2$、$f_3$、$f_s$

3. 带方框的节点 y

4. x、f 和 y 之间的直线箭头

5. 因子区域上方的弯曲箭头

6. 两个图下方的下划线

1. 首先将观测变量重绘在右侧。

2. 然后在 x 列与 y 之间插入潜在因子。

3. 接着，箭头表示因子到变量以及因子到结果的关系。

4. 最后，额外的弯曲箭头和下划线在视觉上强调这种对比。

1. x 节点仍表示观测变量。

2. y 节点仍表示结果。

3. 因子节点始终表示潜在的汇总信息。

本动画直观对比了直接回归与因子中介模型，表明潜在因子位于观测变量与结果变量之间。

1. 图示
   观察依据

   黑板向下滚动后，出现文字“探索性因子分析”。

2. 图示
   观察依据

   其下方出现文字“验证性因子分析”。

3. 图示
   观察依据

   随后，画出一条弯曲箭头，连接这两个术语。

1. 文字“探索性因子分析”

2. 文字“验证性因子分析”

3. 弯曲连接箭头

1. 先前的图示向上移出视野。

2. 两种命名方法依次写出。

3. 添加一条连接箭头，以强调二者之间的关系。

1. 这两个术语在此片段中始终作为核心文字对象存在。

2. 书写过程中未引入任何公式。

这一视觉事件将课程重点从因子分析的一般目的，转向命名并比较两种主要变体。

1. 图示
   观察依据

   在本片段剩余部分中，黑板画面基本保持静止，两个已写出的术语及连接箭头持续可见。

2. 声音
   观察依据

   主讲人讨论探索性因子分析（EFA）与验证性因子分析（CFA）在实践中的实际重叠之处，期间未添加任何新的重要图示。

1. 文字：“探索性因子分析”

2. 文字：“验证性因子分析”

3. 弯曲的连接箭头

1. 未添加任何实质性的新视觉内容。

2. 注意力从绘图转向口头阐释。

1. 两个标签保留在屏幕上，作为对比的锚点。

2. 该箭头持续表示两种方法之间的关系。

保持原状的板书支持概念性讨论，而非推导新结论。

1. 图示
   观察依据

   黑板上半部分手写了“探索性因子分析”和“验证性因子分析”两个短语，并在附近画有箭头。

1. 手写文字：“探索性因子分析”

2. 手写文字：“验证性因子分析”

3. 标签附近的箭头

1. 这些标签保持可见，而黑板下方绘图区则用于绘制新的因子图示。

1. 该片段在此时间段内未为这两个标签添加定义。

黑板将主题框定为因子分析，并在主讲人总结核心思想之前，先区分了探索性与验证性两种版本。

1. 动画
   观察依据

   首先画出一个标有f的圆圈，然后在其下方依次出现标有$x_1$、$x_2$、……、$x_n$的方块，接着从f向各正方形引出箭头，并在$x_1$与$x_2$之间画一条曲线连接线。

1. 圆形 f

2. 正方形 $x_1$

3. 正方形 $x_2$

4. 省略号

5. 正方形 $x_n$

6. 有向箭头

7. $x_1$ 与 $x_2$ 之间的曲线连接

1. 首先引入潜在节点 f。

2. 然后添加观测项目行 $x_1$、$x_2$、……、$x_n$。

3. 接着画出从 f 指向各观测节点的箭头。

4. 最后强调 $x_1$ 与 $x_2$ 之间的曲线关系。

1. f 始终位于所有观测变量的上方。

2. 观测变量仍水平排列在 f 的下方。

绘图顺序与讲解顺序一致：先引入潜在因子，再放置观测题项，接着展示各题项对因子的依赖关系，最后将成对关联解释为间接关联。

1. 动画
   观察依据

   在 x 节点行周围和 f 周围分别绘制椭圆，随后视图向上滚动，展现出一块更大的画布，其上包含更多图表和列表。

1. 新呈现的上方图表仅短暂可见，因此部分精细结构可能被忽略。

1. 观测题项行周围的椭圆

2. 潜在因子周围的椭圆

3. 上方的结构图

4. 应用领域的列表

1. 下方的因子图在视觉上被划分为潜在层和观测层。

2. 画布向上滚动。

3. 涉及 $x_1$、$x_2$、$x_n$、$e_1$、$e_2$、$e_n$、$y_1$、$y_2$、$f_1$、$f_2$ 的额外图表变得可见。

1. 核心观点始终是：潜在因子组织了观测变量。

2. 先前的 $f \to x_1$, $x_2$, ..., $x_n$ 结构仍是更大版图背景的一部分。

滚动画面将简单的单因子示意图置于更广泛的结构方程风格图示及应用领域之中。

1. 声音
   观察依据

   “探索性因子分析在实践中其实并没有那么‘探索性’，因为我们通常在开展分析前就已对题项如何归类有一定想法。”

有人可能认为探索性因子分析完全不涉及关于结构的任何先验想法。

视频指出，在实践中，分析者通常已对题项如何归类有一定想法，因此探索性因子分析并非纯粹的探索。

1. 声音
   观察依据

   “而在验证性因子分析中，我们通常事先就明确要设定这一模型，但随后总会去探究模型拟合不佳的潜在原因。”

有人可能认为验证性因子分析仅限于确认预先设定的模型，且从不进行探索。

视频解释道，验证性因子分析仍需探究模型拟合不佳的潜在原因，因此在实践中它并非纯粹的验证。

1. 声音
   观察依据

   “因此，严格区分二者未必总是有用……”

有人可能认为探索性因子分析与验证性因子分析之间的界限始终是最重要的实践区分。

视频指出，这种区分并不总是具有实际意义，尽管每种视角内部仍存在不同的方法。

1. 声音
   观察依据

   主讲人明确对比了‘观察到 X₁ 与 X₂ 之间存在关系’和‘二者通过一个因子间接关联’这两种理解。

2. 图示
   观察依据

   弯曲的 $x_1$–$x_2$ 连线与从 f 指向这两个变量的路径一同绘出。

人们可能认为，两个观测题项之间存在关系，就意味着它们彼此直接相关。

该片段强调，这种关系可以是间接的，其根源在于两个题项均依赖于同一潜在因子。

1. 声音
   观察依据

   主讲人将因子分析的定义直接与潜在因子的构建联系起来。

因子分析的过程本质上以识别和定义潜在因子作为其主要输出。

1. 声音
   观察依据

   主讲人指出，信息的简化有助于提升预测效果。

将变量降维为潜在因子，旨在解决高维数据下预测困难的问题。

1. 声音
   观察依据

   “因子分析有许多不同流派。其中最常见的两种方法之一是探索性因子分析……”

探索性因子分析被呈现为因子分析中两种最常见方法之一。

1. 声音
   观察依据

   “……以及验证性因子分析。”

验证性因子分析被呈现为因子分析中另一种常见的方法。

1. 声音
   观察依据

   “这两种方法的主要区别在于：在探索性因子分析中……而在验证性因子分析中……”

2. 图示
   观察依据

   这两个术语被分别写出，然后用一条弧形箭头连接。

视频明确对比了EFA与CFA，依据在于变量到因子的结构是保持开放，还是事先指定。

1. 声音
   观察依据

   “实际上，探索性因子分析在实践中并没有那么‘探索性’……”

2. 声音
   观察依据

   “……而在验证性因子分析中……我们总会探究模型拟合不佳的潜在原因。”

关于实践重叠的讨论直接关联EFA的定义，表明真实的EFA通常始于某些先验的结构预期。

1. 声音
   观察依据

   “而在验证性因子分析中，我们通常一开始就清楚自己想要建立的是哪个模型，但随后总会探究模型拟合不佳的潜在原因。”

同样的实际重叠点也适用于CFA，因为模型检验仍需对模型误拟合进行探索性考察。

1. 声音
   观察依据

   “……能够将包含一百个变量的复杂回归简化为仅含五个变量的回归，这极大地减轻了我们进行推断的负担。”

2. 图示
   观察依据

   因子图用一个规模更小的潜在因子层，替代了许多直接预测变量。

推断变得更容易这一主张，依赖于前述解释：因子分析将多个观测变量缩减为更少的潜在预测变量。

1. 声音
   观察依据

   主讲人将因子分析的目的定义为：利用一个通用因子来解释所收集的题项。

2. 图示
   观察依据

   节点 f 在阐明该目的后立即被引入。

潜在因子节点 f 是实现因子分析既定目标的具体工具。

1. 图示
   观察依据

   箭头从 f 指向 $x_1$, $x_2$, ..., $x_n$。

2. 声音
   观察依据

   主讲人指出，这些题目由潜在因子加以解释。

此处展示的因子分析模型包含一个潜在解释层和一个观测题目层，二者通过有向依赖关系相连。

1. 声音
   观察依据

   主讲人将 $x_1$ 与 $x_2$ 的关系解释为经由一个因子产生的间接关系。

2. 图示
   观察依据

   $x_1$ 与 $x_2$ 之间的曲线连接线，是在从 f 指向 $x_1$ 和 $x_2$ 的箭头之后绘制的。

$x_1$ 与 $x_2$ 存在间接关联这一主张，依赖于先前引入潜在因子 f 及其指向各观测题目的箭头。

1. 图示
   观察依据

   黑板上先标出‘探索性因子分析’与‘验证性因子分析’，随后主讲人对因子分析作总体性口头总结。

1. 该片段未指明后续的一因子示意图属于所标注的两个分支中的哪一个。

这两个命名分支框定了更宽泛的主题，而口头总结则描述了因子分析的共同目标，并未细致区分这两个分支。

1. 声音
   观察依据

   开场定义。

1. 因子分析的定义

1. 声音
   观察依据

   关于预测优势的讨论。

1. 潜在因子的概念
2. 将100个变量降维为5个因子

1. 声音
   观察依据

   “而在因子分析中，如果我们能先借助因子将那一百个变量缩减为一个更易处理的数量……”

1. 因子分析在预测中的作用

1. 声音
   观察依据

   “……极大地减轻了我们进行推断的负担。”

1. 因子分析在预测中的作用
2. 减少变量可降低推断负担

1. 声音
   观察依据

   “这两者之间的主要区别在于：在探索性因子分析中……而在验证性因子分析中……”

1. 探索性因子分析
2. 验证性因子分析
3. 探索性因子分析与验证性因子分析的主要区别

1. 声音
   观察依据

   “实际上，探索性因子分析并非真正那么具有探索性……”

1. 探索性因子分析与验证性因子分析在实践中的重叠
2. 假设探索性因子分析完全不依赖任何前提假设

1. 声音
   观察依据

   “……但随后我们总会探究模型拟合不佳的潜在原因。”

1. 探索性因子分析与验证性因子分析在实践中的重叠
2. 假设验证性因子分析从不涉及探索

1. 图示
   观察依据

   箭头从潜变量因子节点指向观测变量x节点，也从潜变量因子节点指向y。

1. 因子分析在预测中的作用

1. 声音
   观察依据

   探索性因子分析与验证性因子分析的定义，以及二者在实践中的重叠讨论。

1. 探索性因子分析
2. 验证性因子分析
3. 探索性因子分析与验证性因子分析在实践中的重叠

1. 声音
   观察依据

   主讲人总结道：因子分析是一种强有力的方法，可揭示一个总体因子如何帮助解释所收集的各个题目。

1. 因子分析的目的
2. 潜在因子节点 f
3. 观测项目 $x_1$、$x_2$、……、$x_n$

1. 声音
   观察依据

   主讲人提问：为何我们会看到 X₁ 与 X₂ 之间存在关系？并回答：它们是经由一个因子产生的间接关联。

2. 图示
   观察依据

   $x_1$ 与 $x_2$ 之间的曲线连接线，是与从 f 出发的箭头一同绘制的。

1. 由一个因素中介的间接关联
2. 潜在因子节点 f
3. 观测项目 $x_1$、$x_2$、……、$x_n$

1. 图示
   观察依据

   黑板顶部显示了探索性因子分析与验证性因子分析。

1. 视频片段提到了这两个术语，但此处并未给出定义。

1. 探索性因子分析与验证性因子分析的标签