主成分分析和因子分析都属于降维处理的方法，都是针对定量数据资料，且要求数据间具有一定的相关性基础。二者在应用场景上基本一致，但是在原理上有本质的区别，主要表现见表 6-8：
主成分是观测变量的线性组合，即主成分分析是把具有一定相关性的观测变量重新组合形成少数几个不相关的综合指标，主成分的提取过程倾向于获得更大的共性方差。而因子是可用于解释观测变量的潜在变量，观测指标是公共因子的线性组合，所提取的因子更强调可解释性。
主成分不强调其一定要具有明确的实际含义，有一些研究并不关注主成分有无实际特质含义。但是因子分析更强调因子的特质，一般要求因子具备可解释性。因子分析成功与否，更多的取决于因子自身的可解释性。
主成分分析提取主成分只有一种方法，就叫做主成分法，而因子分析提取公因子的方法较多，常用的比如主成分法、主轴因子法，最大似然法等。另外因为公因子强调可解释性，因此在提取公因子的过程中可采用因子旋转处理，而主成分分析一般不包括旋转处理。
以上内容摘自《SPSSAU科研数据分析方法与应用》第6章——信息浓缩及聚类研究，书中不仅涵盖了数据清理、统计分析和模型构建等内容，还提供了丰富的案例，以便于读者在实际研究中应用。
