เพื่อให้มันสั้น ทั้งสองวิธีสุดท้ายมีความพิเศษมากและแตกต่างจากตัวเลข 2-5 พวกเขาทั้งหมดเรียกว่าการวิเคราะห์ปัจจัยทั่วไปและถูกมองว่าเป็นทางเลือก ส่วนใหญ่พวกเขาให้ผลลัพธ์ที่คล้ายกันมาก พวกเขาเป็น "คนธรรมดา" เพราะพวกเขาเป็นตัวแทนรุ่นคลาสสิกปัจจัยที่ปัจจัยร่วมกัน + ไม่ซ้ำรูปแบบปัจจัย มันเป็นรูปแบบนี้ซึ่งมักจะใช้ในการวิเคราะห์แบบสอบถาม / การตรวจสอบ
1มาตรการ SSCP (raw sscp, cosines) วิธีการที่เหลืออีกสามวิธีจะดำเนินการด้วยความสัมพันธ์เท่านั้น สามารถวิเคราะห์ความแปรปรวนร่วมในการใช้งานอื่น ๆ ] วิธีนี้ขึ้นอยู่กับคุณภาพของการประมาณการเริ่มต้นของชุมชน (และเป็นข้อเสียของมัน) โดยปกติจะใช้ความสัมพันธ์หลายตัวแปรร่วมกัน / ความแปรปรวนร่วมเป็นค่าเริ่มต้น แต่คุณอาจต้องการค่าประมาณอื่น ๆ (รวมถึงค่าที่ได้จากการวิจัยก่อนหน้านี้) โปรดอ่านนี้มานาน หากคุณต้องการดูตัวอย่างของการคำนวณเงินต้นแกนแฟแสดงความคิดเห็นและเปรียบเทียบกับการคำนวณ PCA, กรุณามองในที่นี่
2
34
โอกาสสูงสุด (ML)สมมติว่าข้อมูล (ความสัมพันธ์) มาจากประชากรที่มีการแจกแจงปกติหลายตัวแปร (วิธีอื่น ๆ ที่ไม่มีสมมติฐานเช่นนี้) และด้วยเหตุนี้ค่าคงที่ของสัมประสิทธิ์สหสัมพันธ์จะต้องกระจายตามปกติประมาณ 0 การโหลดมีการประเมินซ้ำโดยวิธี ML ภายใต้สมมติฐานข้างต้น การรักษาความสัมพันธ์นั้นจะถูกถ่วงน้ำหนักโดย uniqness ในแบบเดียวกับวิธีการทั่วไปกำลังสองน้อยที่สุด ในขณะที่วิธีอื่น ๆ เพียงแค่วิเคราะห์ตัวอย่างตามที่เป็นอยู่วิธีการ ML ช่วยให้การอนุมานเกี่ยวกับประชากรจำนวนดัชนีที่พอดีและช่วงความเชื่อมั่นมักจะคำนวณพร้อมกับมัน [น่าเสียดายที่ส่วนใหญ่ไม่ได้อยู่ใน SPSS แม้ว่าคนเขียนแมโครสำหรับ SPSS มัน].
วิธีการทั้งหมดที่ฉันอธิบายสั้น ๆ คือแบบจำลองเชิงเส้นตรงและแบบต่อเนื่อง "เชิงเส้น" แสดงถึงความสัมพันธ์อันดับที่ไม่ควรวิเคราะห์ "ต่อเนื่อง" หมายความว่าข้อมูลไบนารีตัวอย่างเช่นไม่ควรวิเคราะห์ (IRT หรือ FA ตามความสัมพันธ์ tetrachoric จะเหมาะสมกว่า)
1R
2u2
3uR−1uu−1Ru−1
4