Apa perbedaan antara rotasi varimax dan rotasi oblimin dalam analisis faktor?
Juga, saya bingung tentang hubungan antara analisis komponen utama, rotasi varimax dan analisis faktor eksplorasi, baik secara teori maupun SPSS. Bagaimana mereka terkait?
Anda punya beberapa pertanyaan di sini. Mari kita mulai dengan perbedaan antara PCA dan Factor Analysis (FA). PCA memberi Anda transformasi variabel asli menjadi set baru yang saling ortogonal. Komponen baru pertama memaksimalkan varians. PCA menjawab pertanyaan, "Apa kombinasi linear dari variabel saya yang memiliki varian terbesar? (Tunduk pada normalisasi bobot)."
FA dimulai dengan model tentang bagaimana variabel terkait dan dari mana variasi berasal dari data. Model ini menyiratkan bahwa matriks kovarians akan memiliki format tertentu. Gagasan kunci di sini adalah variabel laten (atau faktor). Faktor-faktor ini dianggap menjelaskan variasi menarik yang diamati dalam sampel dan upaya analisis untuk mengambilnya. Analisis faktor dapat dilakukan dengan menggunakan berbagai metode - dan salah satunya melibatkan melakukan PCA dalam perjalanan menuju solusi. Tapi begitulah. Anda sebenarnya tidak perlu melakukan PCA untuk mendapatkan FA.
Yang paling membingungkan, SPSS menawarkan rutin PCA-nya dari menu analisis yang sama dengan analisis faktor eksplorasi, sehingga mendorong para pemula ide keliru bahwa metode-metode ini sama. Filosofi di belakang mereka sangat berbeda.
Varimax dan Oblimin. Analisis faktor sebenarnya menjawab pertanyaan, "jika data saya, dengan variabel p-nya mengatakan, sebenarnya berasal dari ruang dimensi aq (q <p) dan penambahan suara, apa itu ruang dimensi q?" Dalam praktiknya, algoritma tidak hanya memberi Anda ruang dimensi q, tetapi juga memberi Anda dasar untuk ruang tersebut (inilah faktor-faktornya). Tapi dasar itu mungkin bukan cara terbaik untuk memahami subruang dimensi q. Metode rotasi faktor mempertahankan subruang dan memberi Anda dasar yang berbeda untuknya. Varimax mengembalikan faktor yang bersifat orthogonal; Oblimin memungkinkan faktor-faktor untuk tidak ortogonal.
Idealnya, kami ingin faktor-faktor yang memuat "semua atau tidak sama sekali" pada variabel asli ... seperti dalam "Pertanyaan 1 - 5 dari survei semua berhubungan dengan sikap terhadap otoritas; pertanyaan 6-10 semua berhubungan dengan rasa keadilan". Anda ingin koefisien faktor menjadi besar atau 0. Metode rotasi bertujuan untuk itu. Idenya adalah memberi Anda faktor-faktor yang lebih mudah ditafsirkan. Oblimin melakukan pekerjaan yang "lebih baik", mengingat itu tidak harus memaksa hasilnya menjadi ortogonal. Di sisi lain, ide di balik faktor adalah bahwa mereka bertanggung jawab atas variasi dalam sampel ... jika faktor-faktor tersebut berkorelasi, apa yang menjelaskan hubungan antara faktor-faktor?
Bagi saya, saya pikir mungkin yang terbaik untuk mendapatkan dengan Varimax selama FA eksplorasi. Kemudian mengeksplorasi kemungkinan hubungan antara faktor-faktor dalam analisis faktor konfirmatori, yang lebih cocok untuk pemodelan semacam itu.
Perhatikan bahwa SPSS tidak melakukan konfirmasi FA atau pemodelan persamaan struktural. Anda perlu membeli add-on Amos untuk itu. Atau, Anda dapat menggunakan fungsi sem () atau lavaan () di R.