답변:
여기 몇 가지 질문이 있습니다. PCA와 요인 분석 (FA)의 차이점부터 시작하겠습니다. PCA는 원래 변수를 서로 직교하는 새 세트로 변환합니다. 첫 번째 새 구성 요소는 분산을 최대화합니다. PCA는 "변수의 선형 조합에 가장 큰 차이가 있는가? (무게 정규화에 따라)"라는 질문에 대답합니다.
FA는 변수가 어떻게 관련되고 데이터에서 변동이 발생하는 위치에 대한 모델로 시작합니다. 이 모델은 공분산 행렬에 특정 형식이 있음을 의미합니다. 여기서 핵심 아이디어는 잠재 변수 (또는 요인)입니다. 이러한 요인은 표본에서 관찰 된 흥미로운 변동을 설명하고 분석을 시도합니다. 요인 분석은 다양한 방법을 사용하여 수행 할 수 있으며 그 중 하나는 솔루션으로가는 동안 PCA를 수행하는 것입니다. 하지만 그게 다야. FA를 얻기 위해 실제로 PCA를 할 필요는 없습니다.
가장 혼란스럽게도 SPSS는 탐색 적 요소 분석과 동일한 분석 메뉴에서 PCA 루틴을 제공하므로 초보자에게 이러한 방법이 동일하다는 잘못된 생각을 장려합니다. 그들 뒤에있는 철학은 완전히 다릅니다.
Varimax와 Oblimin. 요인 분석은 실제로 "p 변수가있는 내 데이터가 실제로 aq 차원 공간 (q <p) 및 노이즈 추가에서 비롯된 경우 q 차원 공간은 무엇입니까?"라는 질문에 실제로 대답합니다. 실제로, 알고리즘은 q 차원 공간을 제공 할뿐만 아니라 해당 공간의 기초를 제공합니다 (이 요소가 있습니다). 그러나 그 기초가 q 차원 부분 공간을 이해하는 가장 좋은 방법은 아닐 수도 있습니다. 요인 회전 방법은 부분 공간을 보존하고 이에 대한 다른 기초를 제공합니다. Varimax는 직교 인 요소를 반환합니다. 오 블리 민은 인자가 직교하지 않도록한다.
이상적으로, 우리는 원래의 변수에 "전부 또는 전무"를로드하는 요소를 원합니다 ... "조사의 질문 1-5는 모두 권위에 대한 태도와 관련이 있고 질문 6-10은 모두 정의의 의미와 관련이 있습니다". 계수 계수가 크거나 0이 되길 원합니다. 회전 방법이 목표입니다. 아이디어는 이해하기 쉬운 요소를 제공하는 것입니다. Oblimin은 결과를 직교로 만들 필요가 없다는 점에서 "더 나은"일을합니다. 반면에 요인의 기본 개념은 표본의 변동을 설명한다는 것입니다 ... 요인이 상관되어 있다면 요인 간의 관계는 무엇입니까?
나에게, 나는 탐색 FA 동안 Varimax와 함께하는 것이 가장 좋을 것이라고 생각합니다. 그런 다음 확인 적 요인 분석에서 요인 간의 가능한 관계를 탐색하면 이러한 종류의 모델링에 더 적합합니다.
SPSS는 확증 FA 또는 구조 방정식 모델링을 수행하지 않습니다. 이를 위해 Amos 애드온을 구입해야합니다. 또는 R에서 sem () 또는 lavaan () 함수를 사용할 수 있습니다.