Lorsque vous travaillez avec SPSS pour l`analyse des facteurs, vous avez sept méthodes d`extraction différentes à choisir: Analyse en Composantes Principales, non pondérés des moindres carrés, moindres carrés généralisés, Maximum Likelihood, axe principal Factoring, Alpha Factoring et image Factoring. L`analyse factorielle est une forme de réduction de données qui est souvent utilisé dans les sciences sociales à découvrir variables inobservables dans les variables manifestes, en utilisant une grande taille de l`échantillon pour obtenir une matrice de corrélation pour les variables impliquées. Extraction va lancer une analyse pour un nombre donné de facteurs spécifiés. Le choix d`une méthode d`extraction pourrait modifier considérablement les résultats ou pas par beaucoup.
Utilisez la valeur par défaut: Analyse des composantes principales. Dans SPSS, ainsi que d`autres progiciels statistiques, PCA est la méthode d`extraction par défaut pour l`analyse des facteurs. APC ne constitue pas une véritable méthode d`analyse des facteurs, mais elle est largement utilisée en tant que méthode d`extraction. Dans cette méthode, les composants sont calculés en utilisant la totalité de la variance du manifeste variables- le résultat est que toute cette variance montre et la variance partagée ne sont pas mis à part les écarts distincts. Les partisans de l`APC disent qu`il ya peu de différence entre les méthodes lorsqu`ils traitent avec grande matrices- ailleurs, si une solution d`analyse factorielle est stable, il ne faut pas que soit la méthode que vous utilisez. Cependant, d`autres ont noté que l`APC donne de plus grandes charges que les autres méthodes et peut donc conduire à des résultats trompeurs.
Choisissez la méthode du maximum de vraisemblance si les données sont relativement normalement distribués. Cette méthode, ainsi que la méthode Generalized des moindres carrés, peut générer une table de qualité de l`ajustement qui peut être utilisé pour tester la signification statistique des coefficients de saturation et de calculer les intervalles de confiance et les corrélations entre les facteurs.
Optez pour principal Factoring Axis si vos données sont sensiblement non-normal. PAF analyse que la variance des éléments qui est partagée par les autres articles. Ainsi, il cherche le moins certain nombre de facteurs qui peuvent expliquer la variance commune, ou de corrélation, d`un ensemble de variables.
Maintenir un certain nombre de facteurs à extraire pour l`étape suivante dans l`analyse factorielle: rotation. Le choix d`une méthode d`extraction est pas la fin de l`histoire. Vous pouvez également définir le nombre de facteurs à extraire, ainsi que changer la valeur propre minimale dans le "Analyse factorielle: Extraction" boîte de dialogue, où vous aurez la possibilité de le faire chacun ou l`un de ces. Eigenvalues sont les variances des facteurs qui varient en fonction du nombre de variables entrées et sont généralement fixés à un défaut supérieur à 1,0. Cependant, cela peut entraîner des imprécisions. Un test de pierrier peut aider à déterminer le meilleur nombre de facteurs en traçant les valeurs propres. Les points de données au-dessus du "Pause" peut indiquer le nombre de facteurs à retenir.
Réglez le nombre de facteurs à extraire. Le nombre initial d`éléments est le même que le nombre de variables utilisées dans l`analyse factorielle. Cependant, tous ne seront retenus, alors voici où vous désignez qui à garder pour une analyse ultérieure. Vous pouvez également extraire plus de facteurs que l`option par défaut permet ou d`ajuster le nombre de facteurs de les comparer à ceux des études précédentes. Dans les rapports, vous devriez discuter de la justification selon laquelle vous avez choisi le nombre de facteurs à extraire que vous avez fait.
