ความแตกต่างระหว่างการหมุน varimax กับการหมุนแบบ oblimin ในการวิเคราะห์ปัจจัยคืออะไร?
นอกจากนี้ฉันยังสับสนเกี่ยวกับความสัมพันธ์ระหว่างการวิเคราะห์องค์ประกอบหลักการหมุน varimax และการวิเคราะห์ปัจจัยเชิงสำรวจทั้งในเชิงทฤษฎีและใน SPSS พวกเขาเกี่ยวข้องกันอย่างไร
คำตอบ:
คุณมีคำถามหลายข้อที่นี่ เริ่มจากความแตกต่างระหว่าง PCA กับการวิเคราะห์ปัจจัย (FA) PCA ให้การแปลงตัวแปรต้นฉบับเป็นชุดใหม่ที่มีมุมฉากร่วมกัน องค์ประกอบใหม่แรกจะเพิ่มความแปรปรวนได้สูงสุด PCA ตอบคำถามว่า "การผสมเชิงเส้นของตัวแปรของฉันมีความแปรปรวนมากที่สุดคืออะไร (ขึ้นอยู่กับการทำให้น้ำหนักเป็นมาตรฐาน)
FA เริ่มต้นด้วยตัวแบบเกี่ยวกับความเกี่ยวข้องของตัวแปรและความผันแปรที่มาจากข้อมูล โมเดลนี้แสดงว่าเมทริกซ์ความแปรปรวนร่วมจะมีรูปแบบที่แน่นอน แนวคิดหลักที่นี่คือตัวแปรแฝง (หรือปัจจัย) ปัจจัยเหล่านี้ถือว่ามีความผันแปรที่น่าสนใจที่สังเกตได้ในตัวอย่างและการวิเคราะห์พยายามที่จะดึงข้อมูลเหล่านั้นออกมา การวิเคราะห์ปัจจัยสามารถทำได้โดยใช้วิธีการต่าง ๆ - และหนึ่งในนั้นเกี่ยวข้องกับการทำ PCA ระหว่างทางไปยังโซลูชัน แต่นั่นมัน คุณไม่จำเป็นต้องทำ PCA เพื่อรับ FA
ส่วนใหญ่ที่สับสน SPSS นำเสนอชุดคำสั่ง PCA จากเมนูการวิเคราะห์เดียวกันกับการวิเคราะห์ปัจจัยเชิงสำรวจดังนั้นผู้เริ่มต้นจึงมีแนวคิดที่ผิดพลาดว่าวิธีการเหล่านี้เหมือนกัน ปรัชญาเบื้องหลังนั้นแตกต่างอย่างสิ้นเชิง
Varimax และ Oblimin การวิเคราะห์ปัจจัยตอบคำถามจริง "ถ้าข้อมูลของฉันกับตัวแปร p บอกว่าจริง ๆ แล้วมาจากพื้นที่มิติ aq (q <p) และการเพิ่มเสียงรบกวนพื้นที่มิติคิวนั้นคืออะไร" ในทางปฏิบัติอัลกอริธึมไม่เพียงให้คุณมีพื้นที่มิติคิวพวกเขายังให้พื้นฐานสำหรับพื้นที่นั้น (นี่คือปัจจัย) แต่พื้นฐานนั้นอาจไม่ใช่วิธีที่ดีที่สุดในการเข้าใจพื้นที่ย่อย q มิติ วิธีการหมุนตัวประกอบรักษาพื้นที่ย่อยและให้พื้นฐานที่แตกต่างกับคุณ Varimax ส่งคืนปัจจัยที่มีฉากตั้งฉาก; Oblimin ช่วยให้ปัจจัยที่ไม่เป็นมุมฉาก
ในอุดมคติแล้วเราต้องการปัจจัยที่โหลด "ทั้งหมดหรือไม่มีอะไร" กับตัวแปรดั้งเดิม ... เช่นเดียวกับใน "คำถามที่ 1 - 5 ของการสำรวจทั้งหมดเกี่ยวข้องกับทัศนคติต่ออำนาจ; คำถาม 6-10 ทั้งหมดเกี่ยวข้องกับสำนึกแห่งความยุติธรรม" คุณต้องการให้สัมประสิทธิ์ตัวคูณมีค่ามากหรือ 0 วิธีการหมุนมีจุดประสงค์เพื่อจุดนั้น ความคิดคือการให้ปัจจัยที่ง่ายต่อการตีความ Oblimin ทำงานได้ดีขึ้นเนื่องจากไม่จำเป็นต้องบังคับผลลัพธ์ให้เป็นมุมฉาก ในทางกลับกันแนวคิดเบื้องหลังปัจจัยคือสิ่งที่พวกเขาคำนึงถึงการเปลี่ยนแปลงในตัวอย่าง ... หากปัจจัยมีความสัมพันธ์กันสิ่งใดที่อธิบายความสัมพันธ์ระหว่างปัจจัยต่าง ๆ
สำหรับฉันฉันคิดว่ามันน่าจะดีที่สุดที่จะได้อยู่กับ Varimax ในระหว่างการสำรวจ FA จากนั้นสำรวจความสัมพันธ์ที่เป็นไปได้ระหว่างปัจจัยต่าง ๆ ในการวิเคราะห์ปัจจัยยืนยันซึ่งเหมาะกับการสร้างแบบจำลองดังกล่าว
โปรดทราบว่า SPSS เช่นนี้ไม่ได้ทำการยืนยัน FA หรือการสร้างแบบจำลองสมการโครงสร้าง คุณต้องซื้อโปรแกรมเสริมของ Amos หรือคุณสามารถใช้ฟังก์ชัน sem () หรือ lavaan () ใน R