就这么简单吗？

在适用性方面有没有什么不同

很多文章对这个方面的说法都模棱两可，含糊不清

我想知道更加详细的区别，如果有算法方面的介绍更好，TKS

principal components 和principal axis factor的区别主要是作特征值分析的对象不同，principal components使用的相关矩阵，而principal axis factor使用的叫约相关矩阵，具体来说，这两个矩阵的对角线是不同的，相关阵对角线元素都是1，而约相关矩阵是共同度h_i²，由于h_i²+σ_i²=1，通过估算σ_i可求共同度h_i²，估算σ_i的办法有很多，一般书上都会介绍取相关矩阵的逆的对角线元素法。

从上面的介绍不难看出，principal components 可看作一种特殊的principal axis factor方法，即假设特殊因子方差σ_i为0的情况，所以理论上principal axis factor方法获得的结果更精确，principal axis factor有一种改进算法叫迭代principal axis factor方法，他通过不断迭代获得更准确的结果。但在实际使用中principal components 使用更多，原因时principal axis factor及迭代principal axis factor很多情况下求解时会出现共同度大于1的情况使求解失败。