回答:
ここでいくつか質問があります。PCAと因子分析（FA）の違いから始めましょう。PCAは、元の変数を相互に直交する新しいセットに変換します。最初の新しいコンポーネントは、分散を最大化します。PCAは「変数のどの線形結合が最も分散が大きいか（重みの正規化に従う）」という質問に答えます。
FAは、変数がどのように関連しているか、およびデータのどこから変動が生じるかについてのモデルから始まります。このモデルは、共分散行列が特定の形式を持つことを意味します。ここでの重要なアイデアは、潜在変数（または因子）です。これらの要因は、サンプルで観察された興味深い変動を説明するものと見なされ、分析はそれらを取得しようとします。因子分析は、さまざまな方法を使用して実行できます。これらの1つには、ソリューションへの途中でPCAを実行することが含まれます。しかし、それだけです。FAを取得するために実際にPCAを実行する必要はありません。
最も紛らわしいことに、SPSSは探索的因子分析と同じ分析メニューからPCAルーチンを提供するため、初心者にはこれらの方法が同じであるという誤った考えを奨励します。それらの背後にある哲学は完全に異なります。
バリマックスとオブリミン。因子分析は実際に「p変数を含む私のデータが実際にq次元空間（q <p）およびノイズの追加から生じる場合、そのq次元空間とは何ですか？」という質問に答えます。実際には、アルゴリズムはq次元空間を提供するだけでなく、その空間の基礎も提供します（これらは要因です）。しかし、その基礎は、q次元部分空間を理解するための最良の方法ではない可能性があります。因子回転法は、部分空間を保持し、それに異なる基準を提供します。Varimaxは直交する因子を返します。Obliminは、因子が直交しないようにします。
理想的には、「調査の質問1〜5はすべて権威に対する態度に関連し、質問6〜10はすべて正義の感覚に関連する」のように、元の変数に「オールオアナッシング」の要素が必要です。係数係数を大きくするか、0にする必要があります。回転方法は、それを目的としています。解釈するのが簡単な要因を与えるのがアイデアです。結果を直交させる必要がないので、オブリミンは「より良い」仕事をします。一方、因子の背後にある考え方は、それらがサンプルの変動を説明するということでした...因子が相関している場合、因子間の関係を説明するにはどうすればよいですか？
私にとっては、探索的FA中にVarimaxを使用するのがおそらく最善だと思います。次に、そのようなモデリングにより適した確認因子分析で、因子間の可能な関係を調べます。
SPSS自体は、確認的なFAまたは構造方程式モデリングを行わないことに注意してください。そのためには、Amosアドオンを購入する必要があります。または、Rでsem（）またはlavaan（）関数を使用できます。