你在这里有几个问题。让我们从 PCA 和因子分析 (FA) 之间的区别开始。PCA 将原始变量转换为相互正交的新集合。第一个新分量使方差最大化。PCA 回答了这个问题，“我的变量的哪个线性组合具有最大的方差？（取决于权重的标准化）。”

FA 从一个关于变量如何相关以及数据中变异来自何处的模型开始。该模型意味着协方差矩阵将具有一定的格式。这里的关键思想是潜在变量（或因子）。这些因素被认为解释了在样本中观察到的有趣变化，并且分析试图检索它们。可以使用多种方法进行因子分析——其中一种方法涉及在解决方案的途中进行 PCA。但就是这样。您实际上不需要进行 PCA 以获得 FA。

最令人困惑的是，SPSS 从与探索性因素分析相同的分析菜单中提供其 PCA 例程，从而鼓励初学者错误地认为这些方法是相同的。他们背后的哲学是完全不同的。

Varimax 和 Oblimin。因子分析实际上回答了这个问题，“如果我的数据及其 p 变量说，实际上来自 aq 维空间 (q < p) 并添加了噪声，那么那个 q 维空间是什么？” 在实践中，算法不仅为您提供 q 维空间，还为您提供该空间的基础（这些是因素）。但这个基础可能不是理解 q 维子空间的最佳方式。因子旋转方法保留子空间并为您提供不同的基础。Varimax 返回正交的因子；Oblimin 允许因子不是正交的。

理想情况下，我们希望在原始变量上加载“全有或全无”的因素……如“调查的问题 1-5 都与对权威的态度有关；问题 6-10 都与正义感有关”。您希望因子系数很大或为 0。旋转方法就是为此而设计的。这个想法是为您提供更容易解释的因素。Oblimin 做得“更好”，因为它不必强制结果是正交的。另一方面，因素背后的想法是它们解释了样本的变化……如果这些因素是相关的，那么是什么解释了这些因素之间的关系？

对我来说，我认为最好在探索性 FA 期间使用 Varimax。然后在验证性因素分析中探索因素之间可能的关系，这更适合这种建模。

请注意，SPSS 本身不进行验证性 FA 或结构方程建模。您需要为此购买 Amos 插件。或者，您可以使用 R 中的 sem() 或 lavaan() 函数。