ज्यादातर समय, कारक विश्लेषण बिना किसी सांख्यिकीय परीक्षणों के प्रति आयोजित किया जाता है। यह प्रतिगमन, संरचनात्मक समीकरण मॉडलिंग, और इसी तरह की विधियों की तुलना में बहुत अधिक व्यक्तिपरक और व्याख्यात्मक है। और आम तौर पर यह अनुमानों के साथ आने वाले हीन परीक्षण हैं: पी मूल्यों और आत्मविश्वास अंतरालों को सही करने के लिए, उन मान्यताओं को पूरा किया जाना चाहिए।
अब, यदि कारकों की संख्या चुनने की विधि अधिकतम संभावना विधि निर्धारित की जाती है, तो एक धारणा है कि इस के साथ चला जाता है: कारक विश्लेषण में चर इनपुट का सामान्य वितरण होगा।
इनपुट वेरिएबल्स में गैर-अक्षीय सहसंबंध होंगे, यह धारणा का एक प्रकार है कि इसके सत्य होने के बिना, कारक विश्लेषण परिणाम (शायद) बेकार होंगे: इनपुट चर के कुछ सेट के पीछे कोई भी कारक अव्यक्त चर के रूप में नहीं उभरेगा।
जहाँ तक "कारकों (सामान्य और बारीकियों) के बीच कोई संबंध नहीं है, और एक कारक से चर के बीच कोई संबंध नहीं है और अन्य कारकों से चर," ये सार्वभौमिक धारणाएं नहीं हैं जो कारक विश्लेषक बनाते हैं, हालांकि कई बार स्थिति या (एक सन्निकटन) यह) वांछनीय हो सकता है। उत्तरार्द्ध, जब यह धारण करता है, तो इसे "सरल संरचना" के रूप में जाना जाता है।
एक और शर्त है जिसे कभी-कभी "धारणा" के रूप में माना जाता है: कि इनपुट-चर के बीच शून्य-क्रम (वेनिला) सहसंबंधों को बड़े आंशिक सहसंबंधों से नहीं स्वाहा किया जाता है। संक्षेप में इसका मतलब यह है कि रिश्ते कुछ जोड़ियों के लिए मजबूत और दूसरों के लिए कमजोर होने चाहिए; अन्यथा, परिणाम "मैला" होगा। यह सरल संरचना की वांछनीयता से संबंधित है और यह वास्तव में कैसर-मेयर-ओल्किन सांख्यिकी या केएमओ का उपयोग करके मूल्यांकन किया जा सकता है (हालांकि औपचारिक रूप से "परीक्षण" नहीं किया गया है)। KMO मान .8 या .9 के पास आम तौर पर सूचनात्मक कारक विश्लेषण परिणामों के लिए बहुत आशाजनक माना जाता है, जबकि KMO .5 या .6 के पास बहुत कम आशाजनक हैं, और नीचे दिए गए .5 उनकी रणनीति पर पुनर्विचार करने के लिए एक विश्लेषक का संकेत दे सकते हैं।