有几种方法可以确定要为探索性因子分析 (EFA)提取的因子数量。然而，实际上所有这些都归结为视觉或分析。

视觉方法主要基于因子特征值的视觉表示（所谓的碎石图- 参见本页和本页），具体取决于提取的因子数。碎石图允许通过检测一个区域来确定要提取的因子的数量，在该区域中曲线会相对急剧下降（称为“肘部”）。请注意，碎石图术语也适用于主成分分析 (PCA) - 有关基本示例，请参阅此页面。

分析方法基于各种标准和启发式，包括Kaiser 标准（特征值大于 1）、方差解释标准（该启发式的截止值从 0.8-0.9 到低至 0.5，取决于研究人员的具体目标）、平行分析、非常简单的结构 (VSS) 标准、Velicer 的 MAP 测试和其他技术（请参阅此处和此处的更多详细信息，以及通过其中的链接）。

虽然我试图简要回答您的问题并主要概述该主题，但对于Cross Validated上的类似或相关问题有许多不错的答案，我强烈建议您查看。例如，对于 PCA 与 EFA 的基本论点，请参阅此讨论。有关此主题的更多高级论点，请参阅此和此讨论。对于应用 VSS 标准，使用R，请参阅此讨论。有关并行分析，请参阅此讨论。

我认为我无法专门为您提供 R 方面的帮助，但验证因子数量的一个常见步骤是查看载荷并保留与值为 1 或更大的因子一样多的因子。这是选择因子最直接的方法。如果您愿意，您可以设法获得“碎石图”，它可以让您更直观地了解因素的数量，但更主观。在该图中，当您在绘制的曲线中“下降”时可能表明因素的数量。当您想减少具有许多高度相关变量的大型数据集的变量数量时，这种方法非常有用。所以两个是在你的情况下要提取的因素的数量。

相反，如果您想真正对变量进行聚类，并且该因素对人或经济行为有意义，您可能只想选择两个或三个最高负载，因为您将能够访问旋转空间中的分量图，即二维（或三维）空间中变量的图形表示，如果这是您的目标，它会为您提供解释因子的线索。

由于您将学习的理论参考资料放在工作结束时，您将告诉其他人您没有做一些稀疏的事情 - 它基于其他人陈述的证据。例如，从统计上讲，您可以在从 pca 获得的分数与响应变量之间进行相关性分析。如果 PCA 没问题，并且原始变量也与此响应变量相关，那么您的因素也将是，并且您将拥有一个非常可靠且易于理解的数字来说服人们。

希望这对您有所帮助。如果我说错了什么，请任何人纠正我。