Principal axis factoring và Factor analysis

[pdhuy]

Em đang tiến hành phân tích nhân tố, và không phân biệt được phương pháp Principal axis factoring và Factor analysis.

Khi nào thì dùng Principal axis factoring ạ? Không thấy sách nào nói về vấn đề này cả. Anh/chị nào biết xin giúp giùm.
:sick:

[Cá Heo]

Em đang tiến hành phân tích nhân tố, và không phân biệt được phương pháp Principal axis factoring và Factor analysis.

Khi nào thì dùng Principal axis factoring ạ? Không thấy sách nào nói về vấn đề này cả. Anh/chị nào biết xin giúp giùm.
:sick:Bạn tìm đọc cuốn sách Phân tích Dữ Liệu của thầy Hoàng Trọng nhé

[pdhuy]

Bạn tìm đọc cuốn sách Phân tích Dữ Liệu của thầy Hoàng Trọng nhé


Dạ em có cuốn "Phân tích dữ liệu nghiên cứu với SPSS" của thầy Hoàng Trọng. Nhưng trong đó không có giải thích trường hợp nào thì áp dụng Principal axis factoring và phép quay Promax.

[alotoiday03]

Mình có đọc được 1 tài liệu, theo đó, khi thực hiện phân tích nhân tố (factor loading), các nhà nghiên cứu thường sử dụng phương pháp PAF (principal axis factoring). Trên thực tế, PAF hay PC (principal component) là hai phiên bản không khác nhau lắm của phân tích ma trận tương quan. Và với nhiều hệ dữ liệu, PC và PAF có thể đưa ra những kết quả phân tích tương tự nhau về con số và bản chất các thành phần của nhân tố.
Thực tế cũng cho thấy, khi nghiên cứu về hành vi và khoa học xã hội, các nhà nghiên cứu thường phân tích nhân tố bằng PAF (i.e., trying to understand the shared variance in a set of X measurements through a small set of latent variables called factors) hơn là sử dụng PC (which sets out to represent all of the variance in the X variables through a small set of components)

Mình gửi kèm nội dung tiếng Anh gốc để bạn tham khảo nhé:

Principal Components Versus Principal Axis Factoring

As noted earlier, the most widely used method in factor analysis is the PAF method. In practice, PC and PAF are based on slightly different versions of the R correlation matrix (which includes the entire set of correlations among measured X variables). PC analyzes and reproduces a version of the R matrix that has 1s in the diagonal. Each value of 1.00 corresponds to the total variance of one standardized measured variable, and the initial
set of p components must have sums of squared correlations for each variable across all components that sum to 1.00. This is interpreted as evidence that a p-component PC model can reproduce all the variances of each standardized measured variable. In contrast, in PAF, we replace the 1s in the diagonal of the correlation matrix R with estimates of communality that represent the proportion of variance in each measured X variable
that is predictable from or shared with other X variables in the dataset.Many programs use multiple regression to obtain an initial communality estimate for each variable; for example, an initial estimate of the communality of X1 could be the R2 for a regression that predicts X1 from X2, X3, . . . , Xp. However, after the first step in the analysis, communalities are defined as sums of squared factor loadings, and the estimation of communalities with a set of factor loadings that can do a reasonably good job of reproducing the entire R correlation matrix typically requires multiple iterations in PAF.
For some datasets, PC and PAF may yield similar results about the number and nature of components or factors. The conceptual approach involved in PAF treats each X variable as a measurement that, to some extent, may provide information about the same small set of factors or latent variables as other measured X variables, but at the same time, each X variable may also be influenced by unique sources of error. In PAF, the analysis of data structure focused on shared variance and not on sources of error that are unique to individual measurements. For many applications of factor analysis in the behavioral and social
sciences, the conceptual approach involved in PAF (i.e., trying to understand the shared variance in a set of X measurements through a small set of latent variables called factors) may be more convenient than the mathematically simpler PC approach (which sets out to represent all of the variance in the X variables through a small set of components). Partly
because of the conceptual basis (PAF models only the shared variance in a set of X measurements) and partly because it is more familiar to most readers, PAF is more commonly reported in social and behavioral science research reports than PC. The next two empirical examples illustrate application of PAF to nine items for the data in Table 18.1.

Thân mến

[alotoiday03]

Mình cũng có 1 tài liệu báo cáo tại hội nghị thường niên của Tổ chức Nghiên cứu Giáo dục Tây Nam (Mỹ) nghiên cứu sự khác biệt trong thực tiễn nghiên cứu giữa 2 phương pháp này.
Tiếc là ko biết đính kèm làm sao nên nếu bạn muốn đọc thì email cho mình nhé: alotoiday03@yahoo.com

[pdhuy]

Cám ơn bạn nhiều lắm. Sắp bảo vệ rồi, may mà đọc được cái này.