5.各公因子的表达式：
F1=a11X1+ a12X2+?+ a1mXm F2=a21X1+ a22X2+?+ a2mXm ? ? ? Fm=am1X1+ am2X2+?+ ammXm
因子得分: 如果后续分析需要，如进行回归分析等等，通常需要进一步计算各公因子的因子得分。即给出各因子在每一个案例（case）上的值。
6. 模型的适合度:
因子分析的最后，应该对构建的模型是否适合问题本身有一个认识，这就涉及到模型的适合度的判断。这种判断常常基于残差矩阵而进行。
因子模型建立，有了因子负载后，我们就可以计算的观测变量的方差-协方差阵，这种由公因子再生的方差-协方差阵（reproduce correlation matrix）与实际观测到的方差-协方差阵（observed correlation matrix）之间的偏差，即残差矩阵（residuals matrix）是我们判断模型适合度的重要依据。如果残差矩阵中的值都比较大，那么我们有理由认为模型并不是很适合；反之如果残差矩阵接近于零矩阵，那么显然公因子可以很好的解释变量的方差-协方差关系，模型是合适的。