自己顶啊！有人来回答一下吗？

传统的因子分析，是用的最大似然估计。如果你的估计量要满足最大似然估计量的性质，（一致性，有效性），那么你的因子模型当然要符合最大似然估计的假设，包括正态分布的假设。

主成分分析和因子分析是两个很相似，但是很多人都容易搞混的概念。简单说来，基本上在大多数情况下，你都可以使用主成分分析，但是主成分是什么呢？是你的所有变量的一个线性组合。这个线性组合有什么实际的含义呢？不知道。

因子分析则不同，它的出发点就是模型中有几个隐含的因子，这些因子都是有一定的含义的。比如在20世纪初人们提出因子分析研究人的考试成绩时，就假设数学，化学，物理等学科的成绩是由一个¨理科因子¨决定的，而语文，历史，政治等成绩是由另一个¨文科因子¨决定的（乱举的例子）。有了这些假设，再从数据出发，估计因子。

简单来说，主成分分析从数据出发，而因子分子从模型出发。

但是近十几年来，高维因子模型，在 JAMES STOCK, MARK WASTON, BAI JUSHAN, SERENA NG等人的推动下获得了很大的理论突破，并且在实际中得到了广泛的运用。这些文献当中一个很重要的结论，就是当你的因子模型中的变量个数很大是，是可以简单地用主成分来作为因子的估计量的。

简单的就我所知介绍一下，如有不对的地方，欢迎指正。

谢谢~
不过您这只是描绘了一下主成分分析和因子分析的历史脉络，没有正面回答我的问题呀~

如果你的估计量要满足最大似然估计量的性质，（一致性，有效性），那么你的因子模型当然要符合最大似然估计的假设，包括正态分布的假设

好的，谢谢~