Câu trả lời:
Bạn có một số câu hỏi ở đây. Hãy bắt đầu với sự khác biệt giữa PCA và Phân tích nhân tố (FA). PCA cung cấp cho bạn một phép biến đổi các biến ban đầu thành một tập hợp mới trực giao lẫn nhau. Thành phần mới đầu tiên tối đa hóa phương sai. PCA trả lời câu hỏi "Sự kết hợp tuyến tính nào giữa các biến của tôi có phương sai lớn nhất? (Có thể bình thường hóa các trọng số)."
FA bắt đầu với một mô hình về cách các biến có liên quan và nơi biến đổi đến từ dữ liệu. Mô hình này ngụ ý rằng ma trận hiệp phương sai sẽ có một định dạng nhất định. Ý tưởng chính ở đây là biến tiềm ẩn (hoặc yếu tố). Các yếu tố này được coi là giải thích cho sự thay đổi thú vị được quan sát trong mẫu và các nỗ lực phân tích để lấy chúng. Phân tích nhân tố có thể được thực hiện bằng nhiều phương pháp khác nhau - và một trong số đó liên quan đến việc thực hiện PCA trên đường đến giải pháp. Nhưng kia là nó. Bạn thực sự không cần phải làm PCA để có được FA.
Khó hiểu nhất, SPSS cung cấp thói quen PCA của nó từ cùng một menu phân tích như phân tích nhân tố khám phá, do đó khuyến khích ở những người mới bắt đầu ý tưởng sai lầm rằng các phương pháp này giống nhau. Các triết lý đằng sau họ là hoàn toàn khác nhau.
Varimax và Oblimin. Phân tích nhân tố thực sự trả lời câu hỏi, "nếu dữ liệu của tôi, với các biến p của nó nói, thực sự đến từ không gian aq chiều (q <p) và thêm tiếng ồn, thì không gian q chiều đó là gì?" Trong thực tế, các thuật toán không chỉ cung cấp cho bạn không gian q chiều, chúng còn cung cấp cho bạn cơ sở cho không gian đó (đây là các yếu tố). Nhưng cơ sở đó có thể không phải là cách tốt nhất để hiểu không gian con q chiều. Các phương pháp xoay nhân tố bảo tồn không gian con và cung cấp cho bạn một cơ sở khác cho nó. Varimax trả về các yếu tố trực giao; Oblimin cho phép các yếu tố không trực giao.
Lý tưởng nhất, chúng tôi muốn các yếu tố tải "tất cả hoặc không có gì" vào các biến ban đầu ... như trong "Câu hỏi 1 - 5 của khảo sát đều liên quan đến thái độ đối với chính quyền; các câu hỏi 6-10 đều liên quan đến ý thức về công lý". Bạn muốn các hệ số yếu tố lớn hoặc 0. Các phương pháp xoay hướng đến điều đó. Ý tưởng là cung cấp cho bạn các yếu tố dễ giải thích hơn. Oblimin thực hiện một công việc "tốt hơn", với điều kiện là nó không phải buộc các kết quả là trực giao. Mặt khác, ý tưởng đằng sau các yếu tố là chúng chiếm sự thay đổi trong mẫu ... nếu các yếu tố tương quan với nhau, điều gì giải thích cho mối quan hệ giữa các yếu tố?
Đối với tôi, tôi nghĩ có lẽ tốt nhất để có được với Varimax trong một FA khám phá. Sau đó khám phá các mối quan hệ có thể có giữa các yếu tố trong phân tích nhân tố xác nhận, phù hợp hơn với kiểu mô hình đó.
Lưu ý rằng SPSS như vậy không làm FA xác nhận hoặc mô hình phương trình cấu trúc. Bạn cần mua bổ trợ Amos cho điều đó. Ngoài ra, bạn có thể sử dụng các hàm sem () hoặc lavaan () trong R.