짧게 만들려면 마지막 두 가지 방법은 각각 매우 특별 하며 숫자 2-5와 다릅니다. 그것들을 모두 공통 요인 분석 이라고 하며 실제로 대안으로 간주됩니다. 대부분의 경우 비슷한 결과가 나타납니다. 그것들은 고전 요인 모델 , 공통 요인 + 고유 요인 모델 을 나타 내기 때문에 "공통" 입니다. 설문 분석 / 검증에 일반적으로 사용되는 모델입니다.
PIF (Principal Axis) , 일명 반복이있는 Principal Factor는 가장 오래되었지만 가장 인기있는 방법입니다. 커뮤니티가 1 또는 분산 대신 대각선에 서있는 매트릭스에 대한 반복적 인 PCA 적용입니다. 따라서 다음 번 반복 할 때마다 커뮤니티가 수렴 될 때까지 더 세분화됩니다. 그렇게함으로써 쌍별 상관 관계가 아닌 분산을 설명하는 방법은 결국 상관 관계를 설명합니다. 주축 방법은 PCA와 같이 상관 관계뿐만 아니라 공분산 및 기타를 분석 할 수 있다는 장점이 있습니다.1SSCP 측정 (원시 sscp, 코사인). 나머지 세 가지 방법은 상관 관계 만 처리합니다 [SPSS; 공분산은 다른 구현에서 분석 될 수있다]. 이 방법은 커뮤니티의 시작 추정 품질에 따라 달라집니다 (그리고 단점입니다). 일반적으로 제곱 된 다중 상관 / 공분산이 시작 값으로 사용되지만 다른 추정치 (이전 연구에서 얻은 추정치 포함)를 선호 할 수도 있습니다. 읽어 보시기 바랍니다 이 이상. PCA 계산에 주석을 달고 비교 한 주축 인수 분해 계산의 예를 보려면 여기를 참조 하십시오 .
정규 또는 비가 중 최소 제곱 (ULS) 은 입력 상관 행렬과 재생산 된 (인자에 의해) 상관 행렬 사이의 잔차를 최소화하는 것을 목표로하는 알고리즘입니다 (공동 성과 고유성의 합이 1을 복원하는 것을 목표로하는 대각선 요소) . 이것은 FA 직무입니다 . ULS 방법은 요인의 수가 순위보다 작을 경우 단수 및 양의 반정의 상관 행렬과 함께 작동 할 수 있습니다. 이론적으로 FA가 적절하다면 문제가 될 수 있습니다.2
일반화 또는 가중 최소 제곱 (GLS) 은 이전의 수정입니다. 잔차를 최소화 할 때 상관 계수는 차등 적으로 가중치가 적용됩니다. (현재 반복에서) 고유성이 높은 변수 간의 상관 관계는 가중치 줄어 듭니다 . 요인이 고유 변수 (즉 요인에 의해 약한 요인)에 매우 일반적인 변수 (즉 요인에 의해 강하게 유발 된 요인) 보다 더 적합하도록하려면이 방법을 사용하십시오 . 이 소원은 특히 설문지 작성 과정에서 드물지 않으며 (적어도 그렇게 생각합니다),이 속성은 유리합니다 .삼44
최대 가능성 (ML)다변량 정규 분포를 가진 모집단에서 데이터 (상관 관계)를 가져 왔다고 가정하고 (다른 방법은 그러한 가정을하지 않음) 상관 계수의 잔차는 일반적으로 0 주위에 분포해야합니다. 상관의 처리는 일반화 된 최소 제곱 법과 같은 방식으로 단일성에 의해 가중됩니다. 다른 방법은 샘플을 그대로 분석하지만 ML 방법은 모집단에 대해 약간의 추론을 허용하지만, 많은 적합 지수와 신뢰 구간은 일반적으로 그것과 함께 계산됩니다. (안타깝게도 SPSS에서는 그렇지 않지만 SPSS에 대해 매크로를 작성했지만 그것].
내가 간략하게 설명한 모든 방법은 선형적이고 연속적인 잠재 모델입니다. "선형"은 예를 들어 순위 상관을 분석해서는 안된다는 것을 의미합니다. "연속"은 예를 들어 이진 데이터를 분석해서는 안된다는 것을 의미합니다 (테트라 코릭 상관 관계에 기반한 IRT 또는 FA가 더 적합 할 것입니다).
1아르 자형
2유2
삼너 R− 1유유− 1R U− 1
4
