探索性因素分析模型契合方式的比較

前面的文章探索性因素分析的設計與使用 (一) 講到了模型契合方式的選擇裡面提到了幾種常用的方法:

常用的方法有 maximum likelihood (簡稱ML), pricipal factors with prior estimation of communalities, 和 iterative principal factors。

ML 的優點是可以得到較廣的模型適合度指標 (a wide rage of indexes of the goodness of fit of the model)。此外,ML 還允許測試 factor loadings 與因素之間的相關度是否為顯著。然而,ML 的限制是假設了多變量的常態性 (normality)。如果嚴重違反常態性,得出的結果將是扭曲的。

principal factor methods (包含 iterated 與 noniterated的。注意:principal factor methods 與主成份分析是不一樣的) 的優點則是沒有常態性分佈的假設。此外,principal factor methods 也較不會得到扭曲的結果。然而,此種方法的缺點是提供較少範圍的 goodness of fit indexes (適合度指標)。此外,一般來說也不提供 confidence intervals 和顯著測試。

但這些解釋可能不是很直觀,所以找了個英文說明,讓大家更清楚。

 Factor analysis methods

Leave a Comment

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Scroll to Top
Verified by MonsterInsights