Kısa yapmak için. Son iki yöntemin her biri çok özel ve 2-5 sayılarından farklı. Bunların hepsine ortak faktör analizi denir ve gerçekten alternatif olarak görülür. Çoğu zaman, oldukça benzer sonuçlar verirler . Bunlar "ortaktır" çünkü klasik faktör modelini , ortak faktörleri + benzersiz faktör modelini temsil ediyorlar . Tipik olarak anket analizi / onaylamada kullanılan bu modeldir.
1SSCP önlemleri (ham sscp, kosinüs). Geri kalan üç yöntem yalnızca [SPSS'de; kovaryanslar diğer bazı uygulamalarda da analiz edilebilir]. Bu yöntem, toplulukların başlangıç tahminlerinin kalitesine bağlıdır (ve bunun dezavantajıdır). Genellikle kare çoklu korelasyon / kovaryans başlangıç değeri olarak kullanılır, ancak diğer tahminleri tercih edebilirsiniz (önceki araştırmalardan alınanlar dahil). Lütfen bunu daha fazlası için okuyun . Ana eksen faktoring hesaplamaları örneğini görmek, yorumlamak ve PCA hesaplamaları ile karşılaştırmak istiyorsanız, lütfen buraya bakın .
2
34
Maksimum Olabilirlik (ML)Verilerin (korelasyonların) çok değişkenli normal dağılıma sahip nüfustan geldiğini varsayar (diğer yöntemler böyle bir varsayımda bulunmaz) ve bu nedenle korelasyon katsayılarının kalıntılarının normalde 0 civarında dağılması gerekir. Yüklemeler, yukarıdaki varsayım uyarınca ML yaklaşımı ile yinelenerek tahmin edilir. Korelasyonların tedavisi, Genelleştirilmiş en küçük kareler yönteminde olduğu gibi aynı şekilde bir teklik ile ağırlıklandırılır. Diğer yöntemler sadece örneği olduğu gibi analiz etse de, ML yöntemi popülasyonla ilgili bazı çıkarımlara izin verir, bazı uyum indeksleri ve güven aralıkları genellikle onunla birlikte hesaplanır [ne yazık ki, çoğu SPSS'de değil, insanlar SPSS için makrolar yazdı. o].
Kısaca tanımladığım tüm yöntemler doğrusal, sürekli gizli modeldir. "Doğrusal", örneğin sıra korelasyonlarının analiz edilmemesi gerektiğini belirtir. "Sürekli", örneğin ikili verilerin analiz edilmemesi gerektiğini belirtir (tetrakorik korelasyonlara dayalı IRT veya FA daha uygun olur).
1R
2u2
3uR−1uu−1Ru−1
4