Яка різниця між PCA та EFA?
Практичне значення аналізу повної та скороченої кореляційної матриці. PCA та EFA мають різні цілі: PCA — це техніка для зменшення розмірності даних, тоді як EFA — це техніка для ідентифікації та вимірювання змінних, які неможливо виміряти безпосередньо (тобто приховані змінні чи фактори). 25 квітня 2017 р
EFA відрізняється від PCA своїм підходом до вилучення факторів, оскільки EFA аналізує коваріацію між змінними для отримання корельованих або некорельованих факторів і PCA аналізує дисперсію змінних, щоб отримати лише некорельовані компоненти (Браун, 2006).
Факторний аналіз явно припускає існування прихованих факторів, що лежать в основі даних спостереження. Натомість PCA прагне ідентифікувати змінні, які є сукупністю спостережуваних змінних.
Вторинний аналіз (N = 84) був використаний, щоб показати фактичні відмінності результатів від двох методів. Результати: CFA аналізує лише надійну загальну дисперсію даних, тоді як PCA аналізує всю дисперсію даних. Основний гіпотетичний процес або конструкт бере участь у CFA, але не в PCA.
Запустіть факторний аналіз, якщо ви припускаєте або бажаєте перевірити теоретичну модель прихованих факторів, що викликають спостережувані змінні. Виконайте аналіз головних компонентів, якщо ви хочете просто зменшити корельовані спостережувані змінні до меншого набору важливих незалежних складених змінних.
Практичне значення аналізу повної та скороченої кореляційної матриці. PCA та EFA мають різні цілі: PCA — це техніка для зменшення розмірності даних, тоді як EFA — це техніка для ідентифікації та вимірювання змінних, які неможливо виміряти безпосередньо (тобто приховані змінні або фактори).