在实际生活中不同的变量之间有着各式各样的联系，如果想全面地研究一个问题，就需要搜集各方面的资料。但大量的数据就容易产生重复的信息，为了减少研究的复杂程度，这时候就可以用到主成分分析或因子分析。

       应用场景
       因子分析可以看做是优化后的主成分分析，两种方法有很多共通的地方，但应用方面各有侧重。两种方法主要用于三种场景下分别是：信息浓缩、权重计算和综合竞争力研究。
       信息浓缩：将多个分析项浓缩成几个关键概括性指标。比如将多个问卷题浓缩成几个指标。如果偏重信息浓缩且关注指标与分析项对应关系，使用因子分析更为适合。
       权重计算：利用方差解释率值计算各概括性指标的权重。在信息浓缩的基础上，可进一步计算每个主成分/因子的权重，构建指标权重体系。
       综合竞争力：利用成分得分和方差解释率这两项指标，计算得到综合得分，用于综合竞争力对比（综合得分值越高意味着竞争力越强）。此类应用常见于经济、管理类研究，比如上市公司的竞争实力对比。
       因子分析是什么：
       1.因子分析：
       因子分析模型中，假定每个原始变量由两部分组成：共同因子和唯一因子。共同因子是各个原始变量所共有的因子，解释变量之间的相关关系。唯一因子顾名思义是每个原始变量所特有的因子，表示该变量不能被共同因子解释的部分。
       （帮助解读：举个例子，现在一个excel表有10个变量，因子分析可以将这10个变量通过某种算法变为3个，4个，5个等等因子，而每个因子都能表达一种涵义，从而达到了降维的效果，方便接下来的数据分析）
       2.因子分析与主成分分析的区别：
       主成分分析是试图寻找原有变量的一个线性组合。这个线性组合方差越大，那么该组合所携带的信息就越多。也就是说，主成分分析就是将原始数据的主要成分放大。
       因子分析，它是假设原有变量的背后存在着一个个隐藏的因子，这个因子可以可以包括原有变量中的一个或者几个，因子分析并不是原有变量的线性组合。
       （帮助解读：主成分分析降维凸显变量中起主导作用的变量，因子分析寻找变量背后可以概括变量特征的因子）