Apakah ada alasan untuk membiarkan solusi analisis faktor eksplorasi tidak diputar?

Apakah ada alasan untuk tidak memutar solusi analisis faktor eksplorasi?

Sangat mudah untuk menemukan diskusi yang membandingkan solusi ortogonal dengan solusi miring, dan saya pikir saya benar-benar memahami semua hal itu. Juga, dari apa yang saya dapat temukan dalam buku teks, penulis biasanya langsung menjelaskan metode estimasi faktor analisis menjadi menjelaskan bagaimana rotasi bekerja dan apa beberapa pilihan yang berbeda. Apa yang belum saya lihat adalah diskusi apakah akan diputar atau tidak.

Sebagai bonus, saya akan sangat berterima kasih jika ada yang bisa memberikan argumen terhadap rotasi jenis apa pun yang akan berlaku untuk beberapa metode dalam memperkirakan faktor (misalnya, metode komponen utama dan metode kemungkinan maksimum).

factor-analysis factor-rotation

— psikometriko
sumber

Rotasi sumbu (faktor) tidak mengubah apa pun dalam penjajaran variabel vis-a-vis satu sama lain dalam ruang faktor umum. Rotasi hanya mengubah koordinatnya pada sumbu tersebut (pemuatan), yang membantu menafsirkan faktor-faktor tersebut; yang ideal di sini adalah beberapa bentuk yang disebut "struktur sederhana". Rotasi hanya untuk interpretasi. Anda dapat memutar secara ortogonal, miring, hanya memutar poros ini atau itu, atau tidak berputar sama sekali. Itu tidak ada hubungannya dengan kualitas matematika dari analisis faktor Anda. Itu sebabnya mereka biasanya tidak membahas whether or not to rotate in the first place.

— ttnphns

Benar, saya mengerti itu. Pasti ada banyak alasan bagus untuk memutar solusi. Tapi yang saya tanyakan apakah ada semacam argumen menentang rotasi.

— psychometriko

Jawaban:

Ya, mungkin ada alasan untuk mundur dari rotasi dalam analisis faktor. Alasan itu sebenarnya mirip dengan mengapa kita biasanya tidak memutar komponen utama dalam PCA (yaitu ketika kita menggunakannya terutama untuk pengurangan dimensi dan bukan untuk memodelkan sifat laten).

Setelah ekstraksi, faktor (atau komponen) adalah ortogonal dan biasanya output dalam urutan varians mereka (jumlah kolom kuadrat dari beban). Faktor 1 mendominasi. Faktor Junior secara statistik menjelaskan apa yang pertama tidak dijelaskan. Seringkali faktor itu memuat sangat tinggi pada semua variabel, dan itu berarti bertanggung jawab atas korelasi latar belakang antar variabel. Faktor pertama seperti itu kadang-kadang disebut faktor umum atau faktor-g. Dianggap bertanggung jawab atas fakta bahwa korelasi positif berlaku dalam psikometrik. $^1$

Jika Anda tertarik untuk mengeksplorasi faktor itu daripada mengabaikannya dan membiarkannya larut di belakang struktur sederhana, jangan putar faktor yang diekstraksi. Anda bahkan dapat menghilangkan pengaruh faktor umum dari korelasi dan melanjutkan untuk menganalisis faktor residu korelasi.

$^1$ $\bf A$ $\bf A'A$ $\bf A$

— ttnphns
sumber

Reise, Moore, dan Haviland (2010) mendiskusikan gagasan itu dalam kalimat terakhir Anda secara mendalam. Reise (2012) tampaknya menyarankan bahwa analisis bifactor membuat comeback yang terlambat. Saya tentu berharap saya tahu lebih cepat tentang itu sendiri!

— Nick Stauner

Dan urutan faktor-faktor ini dari varian yang paling kecil, ini umumnya terjadi untuk metode ekstraksi faktor yang berbeda? Seperti anjak poros utama, kemungkinan maksimum, dll.?

— psychometriko

@psychometriko, Yah, Selalu begitu dengan p. sumbu. Dengan metode lain, pemesanan mungkin tergantung pada perangkat lunak / paket yang Anda gunakan. Apa yang saya rekomendasikan untuk dilakukan - untuk memastikan bahwa 1) pemesanan adalah dari varian tertinggi ke varian terendah 2) varians dimaksimalkan untuk setiap faktor sebelumnya - lakukan PCA dari matriks pemuatan setelah ekstraksi! (Lakukan PCA ini tanpa pemusatan / normalisasi, tentu saja.)

— ttnphns

Saya pikir ini dapat membantu Anda: https://www.utdallas.edu/~herve/Abdi-rotations-pretty.pdf

Salam,

— jjgibaja
sumber

Dokumen ini melakukan persis seperti yang saya katakan pada kebanyakan buku teks: menjelaskan bagaimana analisis faktor bekerja, kemudian langsung masuk ke deskripsi mengapa memutar solusi dan metode yang berbeda untuk melakukannya. Saya secara khusus tertarik pada apakah ada argumen yang menentang rotasi solusi. Kecuali saya kehilangan sesuatu, saya tidak percaya penulis mengatasi kemungkinan ini.

— psychometriko

Selamat datang di situs ini, @jigbaja. Ini sebenarnya bukan jawaban untuk pertanyaan OP. Itu lebih dari sebuah komentar. Harap hanya menggunakan bidang "Jawaban Anda" untuk memberikan jawaban. Saya tahu ini membuat frustrasi, tetapi Anda dapat berkomentar di mana saja saat reputasi Anda> 50. Sebagai alternatif, Anda dapat mencoba mengembangkannya untuk membuatnya lebih sebagai jawaban. Karena Anda baru di sini, Anda mungkin ingin membaca halaman tur kami , yang berisi informasi untuk pengguna baru.

— gung - Reinstate Monica

Rotasi faktor cenderung mengaburkan hasil jika satu nilai eigen mendominasi. Saya punya kasus di mana nilai eigen pertama jauh lebih besar daripada yang lain. Sebagian besar metode rotasi cenderung mendistribusikan varians lebih merata antara faktor-faktor. Ini dapat mengaburkan fakta bahwa mungkin ada satu penyebab mendasar di balik sebagian besar varian.

— A Fog

Tidak semua perangkat lunak FA berperilaku sama ketika Anda menentukan tidak ada rotasi. Misalnya, paket R umxEFA akan menyelaraskan faktor pertama dengan variabel pertama. Saya menemukan bahwa rotasi kuartimax adalah yang terbaik ketika satu nilai eigen mendominasi dan tidak ada rotasi bukan opsi. Apakah saya benar, atau apakah ada metode rotasi yang lebih baik ketika ada satu faktor umum?

— A Fog