探索性因子分析(EFA)是一種統計分析方法，用於識別和解釋多個觀測變數之間的複雜關係，並將其歸納為少數幾個核心因子。EFA通過因子分析來處理數據降維，並能夠揭示數據背後的潛在結構。在進行EFA時，需要滿足一些前提條件，如取樣適切性量數(MSA)應接近1，KMO值應大於0.5，以確保分析的有效性。
EFA的分析步驟包括：
確定分析的前提條件：檢查取樣適切性量數(MSA)和KMO值，確保適合進行因子分析。
估計因子負荷量：常用的方法包括主成分分析法、主軸因子法、極大似然法等，其中主成分分析法是SPSS中的默認方法。
轉軸：轉軸的目的是幫助因素更具解釋意義，常用的轉軸方法有直交轉軸法和斜交轉軸法，其中正交轉軸是多數統計軟體中的內設選項，生成的結果簡單，易於解釋。
分析結果：包括查看公因子方差、總方差解釋、成分矩陣以及旋轉後的成分矩陣，並根據因子載荷判斷題項的歸屬，並命名。
EFA的目標是通過發掘隱藏在數據下的一組較少的、更為基本的無法觀測的變數，來解釋一組可觀測變數的相關性。這些虛擬的、無法觀測的變數稱作因子，每個因子被認為可解釋多個觀測變數間共有的方差，因此準確來說，它們應該稱作公共因子。