探索性因子分析（Exploratory Factor Analysis，EFA）是一種用於識別和提取多個觀測變數中潛在結構的技術。EFA通過將複雜的變數關係簡化為少數幾個核心因子，實現數據的降維處理。這種分析方法通常用於心理測量、市場研究和社會科學等領域，以理解大量數據背後的基本結構。
在EFA中，因子分析是通過線性組合將多個觀測變數綜合為少數幾個因子，這些因子能夠解釋觀測變數間的協方差關係。這種分析假設觀測變數與因子之間存線上性關係，並試圖找到一個最佳擬合模型來揭示這種關係。在實施EFA時，通常會進行轉軸處理，以增強因子的解釋性，常用的轉軸方法包括直交轉軸和斜交轉軸。
EFA與主成分分析（PCA）不同。PCA是一種無監督學習方法，通過線性變換將原始變數轉換為一組獨立的主成分，這些主成分解釋原始數據中的最大方差。而EFA更側重於發現潛在的、隱含的結構或因素，它試圖解釋觀察變數間的協方差關係。
在進行EFA之前，需要通過取樣適切性量數（KMO值）來評估數據的適合度，KMO值越接近1表示越適合進行因子分析，如果低於0.5則表示不適合。此外，EFA還涉及估計因子負荷量的方法，如主成分分析法、主軸因子法、極大似然法等。