ใช่อาจมีเหตุผลที่จะถอนตัวจากการหมุนในการวิเคราะห์ปัจจัย เหตุผลนั้นคล้ายกับเหตุผลที่เรามักจะไม่หมุนส่วนประกอบหลักใน PCA (เช่นเมื่อเราใช้เป็นหลักในการลดขนาดและเพื่อไม่ให้มีลักษณะแบบแฝง)
หลังจากการแยกปัจจัย (หรือส่วนประกอบ) เป็น orthogonal 1และมักจะส่งออกตามลำดับจากความแปรปรวน (คอลัมน์ผลรวมของกำลังสองของการโหลด) ปัจจัยที่ 1 จึงครอบงำ ปัจจัยจูเนียร์ทางสถิติอธิบายสิ่งที่คนที่ 1 ไม่ได้อธิบาย บ่อยครั้งที่ปัจจัยโหลดค่อนข้างสูงในตัวแปรทั้งหมดและนั่นหมายความว่ามันมีหน้าที่รับผิดชอบความสัมพันธ์เบื้องหลังของตัวแปร ปัจจัยที่หนึ่งดังกล่าวบางครั้งเรียกว่าปัจจัยทั่วไปหรือ g-factor มันถือเป็นความรับผิดชอบสำหรับความจริงที่ว่าความสัมพันธ์เชิงบวกที่เหนือกว่าใน psychometrics1
หากคุณสนใจที่จะสำรวจปัจจัยนั้นแทนที่จะเพิกเฉยและปล่อยให้มันละลายอยู่ข้างหลังโครงสร้างอย่างง่ายอย่าหมุนปัจจัยที่แยกออกมา คุณยังสามารถแยกแยะผลกระทบของปัจจัยทั่วไปจากความสัมพันธ์และดำเนินการวิเคราะห์ปัจจัยความสัมพันธ์ที่เหลือ
ความแตกต่างระหว่างปัจจัย / สกัดการแก้ปัญหาองค์ประกอบบนมือข้างหนึ่งและวิธีการแก้ปัญหาว่าหลังจากหมุน (มุมฉากหรือเอียง) บนมืออื่น ๆ ที่เป็นที่ - สกัดโหลดเมทริกซ์มีมุมฉาก (หรือเกือบตั้งฉากสำหรับวิธีการบางอย่าง การสกัด) คอลัมน์: A ′ Aเป็นแนวทะแยง กล่าวอีกนัยหนึ่งการบรรจุอยู่ใน "โครงสร้างแกนหลักการ" หลังจากการหมุน - แม้แต่การหมุนเพื่อรักษาความเป็นเอกพันธ์ของปัจจัย / ส่วนประกอบเช่น varimax - ความสูญเสียจากแรงโหลดจะหายไป: "โครงสร้างแกนแกน" ถูกทิ้งให้อยู่กับ "โครงสร้างที่เรียบง่าย" โครงสร้างแกนหลักช่วยให้สามารถแยกแยะระหว่างปัจจัย / ส่วนประกอบเป็น "หลักการเพิ่มเติม" หรือ "หลักการลดลง"1AA'Aเป็นองค์ประกอบทั่วไปที่สุดของทั้งหมด) ในขณะที่โครงสร้างที่เรียบง่ายมีความสำคัญเท่าเทียมกันของปัจจัย / ส่วนประกอบทั้งหมดที่หมุนอยู่ - โดยการพูดอย่างมีเหตุผลคุณไม่สามารถเลือกได้หลังจากการหมุน: ยอมรับทั้งหมด (Pt 2ที่นี่) ดูภาพที่นี่แสดงการโหลดก่อนการหมุนและหลังการหมุน varimaxA
whether or not to rotate in the first place
กัน