（一）R型因子分析与Q型因子分析
这是最常用的两种因子分析类型。R型因子分析，是针对变量所做的因子分析，其基本思想是通过对变量的相关系数矩阵内部结构的研究，找出能够控制所有变量的少数几个随机变量去描述多个随机变量之间的相关关系。但这少数几个随机变量是不能直接观测的，通常称为因子。然后，再根据相关性的大小把变量分组，使同组内的变量之间的相关性较高，不同组变量之间的相关性较低。Q型因子分析，是针对样品所做的因子分析。它的思想与R型因子分析的思想类似，但出发点不同。Q型因子分析在计算中是从样品的相似系数矩阵出发，R型因子分析在计算中是从样品的相关系数矩阵出发的，其结果都可以用来对样品进行分类 。心理与教育科学研究中常用的是R型因子分析。
（二）探索性因子分析与验证性因子分析
探索性因子分析（exploratoryfactoranalysis，简写为EFA）就是指传统的因子分析。这种因子分析方法对于观察变量因子结构的寻找，并未有任何事前的预设假定。对于因子的抽取、因子的数目、因子的内容以及变量的分类，研究者也没有事前的预期，而是由因子分析的程序去决定。在典型的EFA中，研究者通过共变关系的分解，找出最低限度的主要成分（principalcomponent）或共同因子（commonfactor），然后进一步探讨这些主要成分或共同因子与个别变量的关系，找出观察变量与其相对应因子之间的强度，也就是所谓的因子负荷值（factorloading），以说明因子与所属的观察变量的关系，决定因子的内容，为因子取一个合适的名字。
由于传统的因子分析企图找出最少的因子来代表所有的观察变量，因此研究者必须在因子数目与可解释变异量 （explainedvariance）两者间寻找平衡点。因为因子分析至多可以抽取出相等于观察变量总数的因子数目，这样，虽然可以解释全部的变异，却失去因子分析找寻因子结构的目的，但如果研究者企图以少数几个较明显的因子来代表所有的项目，势必将损失部分可解释变异来作为代价。因而在EFA中，研究者相当一部分工作是在决定因子数目与提高因子解释的变异（即 Rsquare）。
验证性因子分析（confirmativefactoranalysis，简写为CFA）是在研究人员积极改善传统因子分析的限制，扩大其应用范围的基础上产生的。这类因子分析要求研究者对于潜在变量的内容与性质，在测量之初就必须有非常明确的说明，或有具体的理论基础，并已先期决定相对应的观察变量的组成模式，进行因子分析的目的是为了检验这一先期提出的因子结构的适合性。这种因子分析方法也可用于理论架构的检验，它在结构方程模型中占有相当重要的地位，有着重要的应用价值，也是近年来心理测量与测验发展中相当重视的内容。
