Biarkan saya merekomendasikan Anda terlebih dahulu untuk membaca T / A ini . Ini tentang rotasi dan dapat mengisyaratkan atau sebagian menjawab pertanyaan Anda.
Jawaban yang lebih spesifik dari saya tentang interpretasi mungkin sebagai berikut. Secara teoritis, faktor analisis Faktor adalah fitur laten univariat, atau esensi. Itu tidak sama dengan seperangkat atau sekelompok fenomena. Istilah "konstruk" dalam psikometri bersifat umum dan dapat dikonseptualisasikan sebagai faktor (esensi) atau klaster (prototipe) atau yang lainnya. Karena faktor adalah esensi univariat, maka harus ditafsirkan sebagai makna (relatif sederhana) yang terletak pada (atau "di belakang") persimpangan makna / isi variabel yang dimuat oleh faktor.
Dengan rotasi miring, faktor-faktornya tidak ortogonal; tetap saja, kita biasanya lebih suka menafsirkan faktor sebagai entitas bersih dari faktor lain. Yaitu, idealnya, label faktor X akan dipisahkan dari label faktor Y yang berkorelasi, untuk menekankan individualitas kedua faktor, sambil mengasumsikan bahwa "dalam realitas luar" mereka berkorelasi. Korelasi sehingga menjadi karakteristik yang terisolasi dari entitas dari label entitas.
Jika ini strategi yang biasanya lebih disukai maka matriks pola tampaknya menjadi alat utama untuk interpretasi. Koefisien matriks pola adalah beban unik atau investasi dari faktor yang diberikan ke dalam variabel. Karena itu adalah koefisien regresi1. [Saya bersikeras bahwa lebih baik mengatakan "faktor muatan variabel" daripada "faktor muatan variabel".] Matriks struktur berisi korelasi (urutan nol) antara faktor dan variabel. Semakin dua faktor X dan Y berkorelasi dengan satu sama lain yang lebih besar yang dapat menjadi perbedaan antara beban pola dan beban struktur pada beberapa variabel V. Sementara V harus berkorelasi lebih tinggi dan lebih tinggi dengan kedua faktor, koefisien regresi dapat naik baik atau hanya salah satu dari keduanya. Kasus terakhir akan berarti bahwa bagian X yang berbeda dari Y yang memuat V sangat banyak; dan karenanya koefisien pola VX adalah apa yang sangat berharga dalam interpretasi X.
Sisi lemah dari matriks pola adalah kurang stabil dari sampel ke sampel (seperti biasanya koefisien regresi dibandingkan dengan koefisien korelasi). Mengandalkan matriks pola dalam interpretasi membutuhkan studi terencana dengan ukuran sampel yang cukup. Untuk studi percontohan dan matriks struktur interpretasi sementara mungkin merupakan pilihan yang lebih baik.
Matriks struktur menurut saya berpotensi lebih baik daripada matriks pola di belakang interpretasi variabel oleh faktor, jika tugas tersebut muncul. Dan itu bisa naik ketika kita memvalidasi item dalam konstruksi kuesioner, - yaitu, memutuskan variabel mana yang akan dipilih dan yang akan turun dalam skala yang dibuat. Hanya ingat bahwa dalam psikometri, koefisien validitas umum adalah koefisien korelasi (dan bukan regresi) antara konstruk / kriteria dan item. Biasanya saya memasukkan item dalam skala dengan cara ini: (1) melihat korelasi maksimal (matriks struktur) di baris item; (2) jika nilainya di atas ambang batas (misalnya, .40), pilih item jikasituasinya dalam matriks pola menegaskan keputusan (yaitu item dimuat oleh faktor - dan hanya diinginkan oleh yang satu ini - skala mana yang kami bangun). Juga matriks koefisien skor faktor adalah yang berguna selain beban pola dan struktur dalam pekerjaan item pilihan untuk faktor konstruk.
Jika Anda tidak menganggap konstruk sebagai sifat univariat maka menggunakan analisis faktor klasik akan dipertanyakan. Faktornya tipis dan ramping, tidak seperti trenggiling atau setumpuk apapun. Variabel yang dimuat olehnya adalah topengnya: faktor di dalamnya menunjukkan apa yang tampaknya bukan faktor di dalamnya.
1Memuat pola adalah koefisien regresi dari persamaan model faktor . Dalam modelnya, variabel yang sedang diprediksi dimaksudkan sebagai fitur standar (dalam FA korelasi) atau terpusat (dalam FA kovariansi), sedangkan faktor yang dimaksud adalah fitur laten standar (dengan varian 1). Koefisien kombinasi linear tersebut adalah nilai-nilai matriks pola. Seperti yang terlihat jelas dari gambar di bawah ini - koefisien pola tidak pernah lebih besar dari koefisien struktur yang merupakan korelasi atau kovariansi antara variabel yang diprediksi dan faktor standar.
Beberapa geometri . Loading adalah koordinat variabel (sebagai titik akhir vektor) di ruang faktor. Kami menggunakan untuk menemukan orang-orang di "memuat plot" dan "biplots". Lihat formula .
Kiri. Tanpa rotasi atau dengan rotasi ortogonal, sumbu (faktor) secara geometris ortogonal (serta secara statistik tidak berkorelasi) satu sama lain. Satu-satunya koordinat yang mungkin adalah bujur sangkar seperti yang ditunjukkan. Itulah yang disebut nilai "factor loading matrix".
Baik. Setelah faktor rotasi miring tidak lagi ortogonal (dan secara statistik mereka berkorelasi). Di sini dua jenis koordinat dapat digambar: tegak lurus (dan itu adalah nilai-nilai struktur, korelasi) dan condong (atau, untuk membentuk sebuah kata, "alloparallel": dan itu adalah nilai-nilai pola, bobot regresi).
Tentu saja, adalah mungkin untuk merencanakan koordinat pola atau struktur sambil memaksa sumbu agar secara geometris ortogonal pada plot - ini adalah apa yang terjadi ketika Anda mengambil tabel pemuatan (pola atau struktur) dan memberikan kepada perangkat lunak Anda untuk membangun sebaran standar dari mereka, - tetapi kemudian sudut antara vektor variabel akan muncul melebar. Dan itu akan menjadi plot pemuatan terdistorsi, karena sudut asli yang disebutkan di atas adalah koefisien korelasi antara variabel.
Lihat penjelasan rinci tentang plot pemuatan (dalam pengaturan faktor ortogonal) di sini .
