Answers:
您在这里有几个问题。让我们从PCA和因素分析（FA）之间的区别开始。PCA使您可以将原始变量转换为相互正交的新集合。第一个新成分使方差最大化。PCA回答了以下问题：“变量的线性组合最大方差是多少（取决于权重的归一化）”。
FA首先是关于变量如何关联以及数据中差异来源的模型。该模型暗示协方差矩阵将具有某种格式。这里的关键思想是潜在变量（或因数）。这些因素被认为是造成样品中观察到的有趣变化的原因，分析试图将其取回。因子分析可以使用多种方法完成-其中一种方法是在前往解决方案的过程中进行PCA。就是这样。您实际上不需要执行PCA即可获得FA。
最令人困惑的是，SPSS通过与探索性因素分析相同的分析菜单提供了PCA例程，从而在初学者中鼓舞了这些方法相同的错误观念。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以下问题：“如果我的数据（带有p个变量）实际上来自aq维空间（q <p）和噪声的加和，那么q维空间是什么？” 在实践中，这些算法不仅为您提供q维空间，而且还为您提供该空间的基础（这些是因素）。但是，该基础可能不是理解q维子空间的最佳方法。因子旋转方法会保留子空间，并为您提供不同的基础。Varimax返回正交的因子；Oblimin允许因素不正交。
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“调查中的问题1-5均与对权威的态度有关；问题6-10均与正义感有关”。您希望因子系数较大或为0。旋转方法就是为此目的而设计的。这样做的目的是为您提供易于理解的因素。考虑到不必强制结果正交，Oblimin的工作“更好”。另一方面，因素背后的想法是，它们解释了样本中的变化……如果这些因素相关，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期间与Varimax接触。然后在验证性因素分析中探索因素之间的可能关系，这种关系更适合于这种建模。
请注意，SPSS本身并不能进行验证性FA或结构方程建模。您需要为此购买Amos附加组件。另外，您可以在R中使用sem（）或lavaan（）函数。