我是计算机科学专业的研究生。我一直在为一个研究项目做一些探索性因素分析。我的同事（领导该项目）使用 SPSS，而我更喜欢使用 R。这无关紧要，直到我们发现两个统计软件包之间存在重大差异。
我们使用主轴分解作为提取方法（请注意，我很清楚 PCA 和因子分析之间的区别，并且我们没有使用 PCA，至少不是故意的）。根据我的阅读，这应该对应于 R 中的“主轴”方法，以及 SPSS 中的“主轴分解”或“未加权最小二乘法”，根据 R 文档。我们正在使用倾斜旋转方法（特别是promax），因为我们期望相关因素，并且正在解释模式矩阵。
在 R 和 SPSS 中运行这两个程序，有很大的不同。模式矩阵给出不同的载荷。尽管这为变量关系提供了或多或少相同的因素，但相应的载荷之间存在高达 0.15 的差异，这似乎超出了提取方法和 promax 旋转的不同实现所预期的值。然而，这还不是最惊人的区别。
因子解释的累积方差在 SPSS 结果中约为 40%，在 R 结果中为 31%。这是一个巨大的差异，并导致我的同事想要使用 SPSS 而不是 R。我对此没有任何问题，但如此大的差异让我认为我们可能会错误地解释某些东西，这是一个问题。
当我们运行未加权最小二乘分解时，SPSS 报告了不同类型的解释方差。初始特征值的解释方差比例为 40%，而平方载荷提取和 (SSL) 的解释方差比例为 33%。这使我认为初始特征值不是要查看的适当数字（我怀疑这是在旋转之前解释的方差，尽管它太大超出了我的范围）。更令人困惑的是，SPSS 还显示 Rotation SSL，但不计算解释方差的百分比（SPSS 告诉我，具有相关因素意味着我无法添加 SSL 来找到总方差，这对我所看到的数学是有意义的）。R 报告的 SSL 与其中任何一个都不匹配，R 告诉我它描述了总方差的 31%。R 的 SSL 与 Rotation SSL 最接近。来自原始相关矩阵的 R 的特征值与 SPSS 的初始特征值匹配。
另外，请注意我已经尝试过使用不同的方法，并且 SPSS 的 ULS 和 PAF 似乎与 R 的 PA 方法最接近。
我的具体问题：
- 我应该期望 R 和 SPSS 与因子分析实现有多大差异？
- 我应该解释 SPSS 中的哪一个平方载荷之和、初始特征值、提取或旋转？
- 还有其他我可能忽略的问题吗？
我对 SPSS 和 R 的调用如下：
SPSS：
FACTOR
/VARIABLES <variables>
/MISSING PAIRWISE
/ANALYSIS <variables>
/PRINT INITIAL KMO AIC EXTRACTION ROTATION
/FORMAT BLANK(.35)
/CRITERIA FACTORS(6) ITERATE(25)
/EXTRACTION ULS
/CRITERIA ITERATE(25)
/ROTATION PROMAX(4).
回复：
library(psych)
fa.results <- fa(data, nfactors=6, rotate="promax",
scores=TRUE, fm="pa", oblique.scores=FALSE, max.iter=25)