Metode ekstraksi faktor terbaik dalam analisis faktor

SPSS menawarkan beberapa metode ekstraksi faktor:

1. Komponen utama (yang sama sekali bukan analisis faktor)
2. Kuadrat terkecil tertimbang
3. Kuadrat terkecil umum
4. Kemungkinan Maksimum
5. Sumbu Utama
6. Anjak piutang
7. Anjak gambar

Mengabaikan metode pertama, yang bukan analisis faktor (tetapi analisis komponen utama, PCA), yang mana dari metode ini yang "terbaik"? Apa keuntungan relatif dari metode yang berbeda? Dan pada dasarnya, bagaimana saya memilih yang mana yang akan digunakan?

Pertanyaan tambahan: haruskah seseorang mendapatkan hasil yang serupa dari ke-6 metode?

Untuk membuatnya singkat. Dua metode terakhir masing-masing sangat istimewa dan berbeda dari angka 2-5. Mereka semua disebut analisis faktor umum dan memang dipandang sebagai alternatif. Sebagian besar waktu, mereka memberikan hasil yang agak mirip . Mereka "umum" karena mereka mewakili model faktor klasik , faktor umum + model faktor unik. Model inilah yang biasanya digunakan dalam analisis / validasi kuesioner.

Principal Axis (PAF) , alias Principal Factor dengan iterasi adalah metode tertua dan mungkin belum cukup populer. Ini adalah aplikasi PCA 1 berulang ke matriks di mana komunitas berdiri diagonal di tempat 1s atau varian. Setiap iterasi berikutnya dengan demikian menyempurnakan komunitas lebih jauh sampai mereka bertemu. Dengan demikian, metode yang berusaha menjelaskan varians, bukan korelasi berpasangan, akhirnya menjelaskan korelasi. Metode Principal Axis memiliki kelebihan karena dapat, seperti PCA, menganalisis tidak hanya korelasi, tetapi juga kovariansi dan lainnya.$^1$Tindakan SSCP (raw sscp, cosinus). Tiga metode lainnya hanya memproses korelasi [dalam SPSS; kovarian dapat dianalisis dalam beberapa implementasi lain]. Metode ini tergantung pada kualitas perkiraan awal komunitas (dan itu adalah kelemahannya). Biasanya kuadrat korelasi ganda / kovarian digunakan sebagai nilai awal, tetapi Anda mungkin lebih suka perkiraan lain (termasuk yang diambil dari penelitian sebelumnya). Silakan baca ini untuk lebih lanjut. Jika Anda ingin melihat contoh perhitungan faktorasi sumbu utama, dikomentari dan dibandingkan dengan perhitungan PCA, silakan lihat di sini .

$^2$

$^3$$^4$

Kemungkinan Maksimum (ML)mengasumsikan data (korelasi) berasal dari populasi yang memiliki distribusi normal multivariat (metode lain tidak membuat asumsi seperti itu) dan karenanya residu koefisien korelasi harus terdistribusi normal sekitar 0. Pembebanan diperkirakan secara iteratif dengan pendekatan ML berdasarkan asumsi di atas. Perlakuan korelasi ditimbang oleh keunikan dengan cara yang sama seperti dalam metode kuadratisasi Generalized. Sementara metode lain hanya menganalisis sampel apa adanya, metode ML memungkinkan beberapa kesimpulan tentang populasi, sejumlah indeks kecocokan dan interval kepercayaan biasanya dihitung bersama dengan itu [sayangnya, sebagian besar tidak dalam SPSS, meskipun orang menulis makro untuk SPSS yang melakukan saya t].

Semua metode yang saya jelaskan singkat adalah model laten linier, kontinu. "Linear" menyiratkan bahwa korelasi peringkat, misalnya, tidak boleh dianalisis. "Berkelanjutan" menyiratkan bahwa data biner, misalnya, tidak boleh dianalisis (IRT atau FA berdasarkan korelasi tetrakorik akan lebih tepat).

$^1$$\bf R$

$^2$$\bf u^2$

$^3$$\bf uR^{-1}u$$\bf u^{-1}Ru^{-1}$

$^4$