《Supply Chain Analytics》：An evidence-based review of exploratory factor analysis methods and practices in supply chain research
探索性因子分析（EFA）在供应链管理中被广泛使用，但自该领域上一次专题综述以来，已出现相当大的差距。因此，研究人员可能依赖过时的实践，并可能对其指标背后的潜在构念（latent constructs）得出不准确的推断。近期研究强调了制定领域特定EFA指南的必要性，特别是在因子载荷（factor loadings）的解释方面，而缺乏当代综述的情况下，供应链管理领域尚无此类指南。为解决这些问题，本研究对2000年以来发表在八本领先供应链管理期刊上的441篇文章和914个EFA进行了系统文献综述。研究结果揭示，研究人员频繁应用过时的因子保留技术和旋转方法，例如Kaiser准则（Kaiser criterion）和varimax旋转（varimax rotations），并且在因子载荷阈值的选取上存在显著不一致。这些实践引发了对供应链管理研究中EFA结果的可解释性和稳定性的担忧，因为分析决策往往与当前方法学建议不一致。作为回应，研究人员提供了基于当代方法学指导的实践建议，以进行稳健的EFA，并引导读者获取适用资源。研究人员还根据本综述中观察到的百分位数分布，提出了针对性的因子载荷解释建议，从而在供应链管理中实现更一致且基于理论基础的测量实践。
**1. 引言（Introduction）**
该部分指出，科学进步需要准确的测量，探索性因子分析（EFA）是评估指标是否代表预期潜在构念的关键工具，在供应链管理（SCM）中广泛应用以测量供应链整合、协作、韧性等构念。然而，自上一次专题综述以来，时间间隔较长，导致三个主要问题：研究人员可能偏离既有指南；新方法（如因子保留方法）未被采用；领域特定指南（如因子载荷阈值）尚未开发。本研究通过系统文献综述（441篇文章、914个EFA）解决这些问题，发现多数研究未应用当代推荐实践，而是使用过时方法。研究还区分了EFA的心理测量学应用和Harman单因子检验，并建议停止使用后者，因为它无法有效检测共同方法偏差（common method bias）。文章贡献包括：识别未遵循的实践、提供正式指南、制定领域特定因子载荷阈值、提供数据库、抑制Harman单因子检验使用，并强调SCM中EFA决策的特别重要性，因为样本受限且构念协方差高。
**2. 文献综述（Literature Review）**
该部分首先简要概述了EFA用于心理测量学研究的目的，即确认指标与潜在因子（latent factors）的关系，支持测量的收敛效度和区分效度。然后对比了EFA与验证性因子分析（CFA）：EFA是数据驱动，探索因子数量及载荷；CFA是模型驱动，测试特定模型。EFA通常用于量表开发的早期阶段，CFA用于后期。两者应互补，但在同一样本上先后进行价值有限。
**2.1 用于心理测量学研究的探索性因子分析（Exploratory Factor Analysis for Psychometric Investigation）**
EFA最常用于检验测量的心理测量属性，目标是确认指标与潜在因子之间的关系，支持测量的准确性。EFA模型识别因子数量及因子载荷。最优解是能捕捉指标共同方差的最简约模型，假设大多数EFA呈现简单结构（simple structure），即每个指标仅关联一个因子。确保测量属性对SCM至关重要，否则研究可能被误导。例如，若物流绩效测量包含产品品质指标，则结果可能反映产品品质而非物流绩效，导致理论偏差。
**2.2 探索性因子分析与验证性因子分析的比较（Comparing Exploratory Factor Analysis vs. Confirmatory Factor Analysis）**
EFA发现潜在因子数量及其与指标的关系，是数据驱动的；CFA是模型驱动的，测试特定模型并提供模型拟合指标。EFA通常用于前期，当对测量属性不确定时；CFA用于后期，当已有心理测量证据时。EFA和CFA应视为互补，而非竞争。在同一样本上先后进行EFA和CFA提供的额外信息有限，且可能受相同偏差影响。因此，建议在不同样本上分别进行EFA和CFA。
**3. 提出的研究问题（Proposed Research Questions）**
该部分详细描述了进行EFA时必须做出的分析决策，并基于当代文献提出研究问题，以指导对SCM文献的循证综述。
**3.1 用于心理测量学研究的探索性因子分析（Exploratory Factor Analysis for Psychometric Investigations）**
将决策分为五个阶段：数据要求、提取方法、保留方法、旋转方法和因子载荷解释。
**3.1.1 数据要求——数据质量和样本量（Data Requirements – Data Quality and Sample Size）**
进行EFA前需确保数据质量，包括注意力检查和缺失数据处理，以及两项特定检验：Bartlett检验和Kaiser-Meyer-Olkin（KMO）检验，以评估指标间是否有足够协方差。研究问题1：在SCM研究中Bartlett检验和KMO检验的应用频率。样本量建议分为绝对指南、观察值-指标比指南和共同方差指南。绝对指南（如200或300）缺乏支持；观察值-指标比指南（如5:1、10:1）仍不充分；共同方差指南考虑指标共同方差，但难以先验确定。Rouquette和Falissard提出的基于指标数量和预期因子数的指南被推荐。研究问题2：SCM研究中EFA使用的样本量。
**3.1.2 因子提取方法（Factor Extraction Method）**
研究人员需指定识别因子的统计方法。常见方法有主成分分析（PCA）、主轴因子分解（PAF）和最大似然（ML）。PCA分析总方差，PAF和ML分析共同方差。PCA常被用于总方差分析，但许多作者认为它不是真正的因子分析技术。PAF推荐用于共同方差，ML适用于需要模型拟合指数时。研究问题3：SCM研究中EFA使用的因子提取方法。
**3.1.3 因子保留方法（Factor Retention Method）**
确定保留因子数量，建议使用多种方法，如Kaiser准则（Kaiser criterion）、碎石图分析（scree plot analysis）、平行分析（parallel analysis）等。Kaiser准则（特征值>1）最不准确，不推荐。碎石图分析主观但易用，应与其他方法结合。平行分析基于随机数据生成，准确度高，推荐使用。其他方法如比较数据法和Hull方法也可考虑。研究问题4：SCM研究中EFA使用的因子保留方法。
**3.1.4 因子旋转方法（Factor Rotation Method）**
旋转用于获得更可解释的解，分为正交旋转（正交旋转，如varimax）和斜交旋转（oblique，如oblimin、promax）。当代指南推荐斜交旋转，因为允许因子相关，即使相关很小。正交旋转（特别是varimax）仍被广泛使用，但可能导致误导性结果。研究问题5：SCM研究中EFA使用的因子旋转方法。
**3.1.5 因子载荷解释（Factor Loading Interpretation）**
因子载荷代表因子与指标的关系。需先验确定主载荷阈值、交叉载荷阈值及两者差值阈值。已有研究表明这些阈值在不同领域差异很大，且往往基于任意假设。近期作者建议基于系统性文献综述的百分位数分布制定领域特定指南，例如将载荷视为连续变量，而非二分法。研究问题6：SCM研究中EFA使用的因子载荷阈值。研究问题7：已发表SCM研究中EFA的因子载荷大小。
**3.2 Harman单因子检验（Harman’s Single Factor Test）**
常见方法偏差（common method bias）可能由单一测量来源、方法或场合引起。Harman单因子检验将所有指标放入一个EFA，若单因子解或第一因子解释方差≥50%则认为存在偏差。该检验因易用性而流行，但被证明最不准确，几乎总是得到支持性结果。研究问题8：SCM研究中Harman单因子检验的应用频率。
**3.3 探索性因子分析方法随时间的变化（Changes in Exploratory Factor Analysis Methods Over Time）**
随着计算技术进步和统计软件发展，更精确的EFA方法应更容易应用。本研究评估各EFA方法与出版年份的关系，以检验实践是否随时间自我纠正。
**4. 数据与结果（Data and Results）**
该部分分为数据收集与编码、数据清洗与结果两部分。
**4.1 数据收集与编码（Data Collection and Coding）**
遵循系统文献综述指南，从《The SCM Journal List》中选取八本期刊（Decision Sciences、Journal of Business Logistics、Journal of Operations Management、Journal of Supply Chain Management、Manufacturing and Service Operations Management、Management Science、Operations Research、Production and Operations Management），于2024年10月使用Google Scholar搜索六个术语（“Exploratory Factor Analysis”、“EFA”、“Principal Components Analysis”、“PCA”、“One Factor Test”、“Single Factor Test”），初始获得1007篇文章，经去重和筛选后得到520篇文章、1242个EFA。每个EFA编码了样本量、指标数量、KMO检验、Bartlett检验、因子提取方法、因子保留方法、因子旋转方法、因子载荷阈值、因子载荷值、保留因子数量、Harman单因子检验的阈值和方差解释、是否进行CFA及样本、出版年份等。
**4.2 数据清洗与结果（Data Cleaning and Results）**
排除2000年前发表的文章和5个极端值（报告60、35、24、24、18个EFA的研究），最终分析441篇文章、914个EFA。心理测量学EFA共690个。结果如下：
- Bartlett检验和KMO检验极少报告（分别为7%和8%）。
- 中位样本量为195，中位观察值-指标比为21，多数组合低于Rouquette和Falissard的建议。
- 因子提取方法：PCA占48%，未报告占44%，PAF仅2%，ML占5%。
- 因子保留方法：74%未报告，报告者中Kaiser准则单独使用占18%，Kaiser与碎石图结合占3%，平行分析单独使用仅1个。
- 因子旋转方法（仅对保留多因子的EFA）：正交旋转占47%（其中varimax占45%），斜交旋转占13%（promax 7%，oblimin 2%），38%未报告。
- 因子载荷阈值：主载荷阈值中位数为0.50，交叉载荷阈值中位数为0.40，差值阈值仅3个EFA报告。基于百分位数提供了主载荷、交叉载荷和差值的参考范围。
- Harman单因子检验：共225个，39%未指定阈值，29%使用“单因子或50%方差”，中位方差解释为27%，所有研究均未发现偏差问题。
- 补充分析显示，约50%的EFA伴随CFA，但多数在同一样本上进行。时间趋势分析表明，EFA实践并未随时间显著改善。
**5. 讨论（Discussion）**
该部分总结研究发现，强调SCM中EFA实践存在广泛问题，并提出改进建议。
**5.1 用于心理测量学研究的探索性因子分析（Exploratory Factor Analysis for Psychometric Investigation）**
首先指出报告不足是普遍问题，影响可重复性，建议使用OSF等平台公开完整报告。其次，虽然许多研究同时进行CFA，但多数在同一样本上，无法解决EFA不当问题。然后分阶段提出建议：
- **数据要求**：建议应用Bartlett检验和KMO检验，并基于Rouquette和Falissard的指南或使用正则化EFA（regularized EFA）处理小样本。鼓励进行针对SCM特征的模拟研究。
- **提取方法**：建议明确报告选择PCA、PAF或ML的理由，避免依赖默认设置（如SPSS的PCA默认）。
- **保留方法**：建议使用碎石图和平行分析，并替代Kaiser准则。指出许多先前结果可能因Kaiser准则高估因子数量而需要复制。
- **旋转方法**：建议停止使用正交旋转（如varimax），改用斜交旋转（如oblimin或promax）。
- **因子载荷阈值**：基于百分位数提供五种强度等级（非常小、小、中等、大、非常大），并建议研究者先验设定预期强度，然后应用相应阈值。
- **改进应用**：指出默认设置（如SPSS）导致问题，推荐使用jamovi和R等免费软件，并学习相关资源。同时讨论序数数据（如Likert量表）的处理，可考虑非线性EFA。
**5.2 Harman单因子检验（Harman’s Single Factor Test）**
由于所有研究均未发现共同方法偏差问题，且该检验已知无效，呼吁停止使用。建议采用多波、多方法、多来源的设计减少偏差，并应用标记变量技术（marker variable techniques）或未测量变量技术进行检测。
**5.3 与其他领域比较（Comparing to Other Fields of Study）**
与其他领域（管理、营销、旅游等）的综述相比，SCM中EFA实践类似（报告不足、使用PCA、Kaiser准则、varimax），但SCM中样本量更小（中位数195 vs 旅游318），而主载荷更大（中位数0.65 vs 管理0.56）。因此，SCM需要更严格的领域特定指南。
**5.4 局限性（Limitations）**
包括研究情境（仅限顶级期刊，可能不推广）、方法学考虑（聚合不同提取方法的结果）、非报告问题（未报告的分析可能掩盖方向）以及替代EFA技术（如正则化EFA、多水平EFA）的讨论。
**6. 结论（Conclusion）**
总结系统文献综述发现SCM中EFA实践存在多种问题，并提供推荐（如表5，包括数据质量、提取、保留、旋转、载荷解释步骤）。强调遵循这些建议可提高未来研究的准确性和一致性。
