Bij het werken met SPSS voor factoranalyse, hebt u zeven verschillende extractiemethoden om uit te kiezen: Principal Components Analysis, ongewogen kleinste kwadraten, Generalized kleinste kwadraten, Maximum Likelihood, Principal Axis Factoring, Alpha Factoring en Image Factoring. Factoranalyse is een vorm van data reductie die vaak wordt gebruikt in de sociale wetenschappen te ontdekken onwaarneembare variabelen in manifest variabelen, met behulp van de grootte van een grote steekproef voor het afleiden van een correlatiematrix voor de variabelen betrokken. Extractie wordt uitgevoerd een analyse voor een gegeven aantal factoren opgegeven. Het kiezen van een extractiemethode kan aanzienlijk de resultaten wijzigen of niet door veel.
Gebruik de standaardwaarde: Principal Components Analysis. In SPSS, alsmede andere statistische softwarepakketten is partnerschaps-en samenwerkingsovereenkomst de standaardmethode voor de extractie van factoranalyse. Partnerschaps-en samenwerkingsovereenkomst is niet een werkelijke methode van factoranalyse, maar het wordt veel gebruikt als een extractiemethode. Onderdelen zijn in deze methode berekend aan de hand van alle van de variantie van de klaarblijkelijke variabelen; het resultaat is dat alle van deze afwijking laat zien en gedeelde variantie niet naast verschillende varianties ligt. Voorstanders van PSO zeggen dat er weinig verschil tussen methoden bij de behandeling van grote matrices; Bovendien, als een factor analyse-oplossing stabiel is, het moet er niet toe welke methode u gebruikt. Anderen hebben echter opgemerkt dat de partnerschaps-en samenwerkingsovereenkomst grotere belastingen dan andere methoden en dus leiden kan tot misleidende resultaten oplevert.
De Maximum Likelihood methode kiezen als de gegevens zijn relatief normaal verdeeld. Deze methode, evenals de Generalized kleinste kwadraten methode, kan een goedheid-van-Fit-tabel die kan worden gebruikt om te testen van de statistische significantie van factor ladingen en berekenen van betrouwbaarheidsintervallen en correlaties tussen factoren genereren.
Kiezen voor Principal Axis Factoring als uw gegevens aanzienlijke niet-normale. PAF analyseert alleen de variantie in de items die wordt gedeeld door de andere items. Dus het is de bedoeling het minst aantal factoren die kunnen goed zijn voor de gemeenschappelijke variantie of correlatie, van een reeks variabelen.
Behouden van een bepaald aantal factoren om op te halen voor de volgende stap in factoranalyse: rotatie. Het kiezen van een extractiemethode is niet het einde van het verhaal. Ook kunt u het aantal factoren worden geëxtraheerd, evenals de minimale eigenwaarde in het dialoogvenster "Factor analyse: extractie", waar u zult moeten veranderen de optie te doen elk of beide instellen. Eigenwaarden zijn de varianties van de factoren die naargelang het aantal variabelen verschillen ingevoerd en worden meestal ingesteld op een standaardwaarde van groter dan 1,0. Maar hierdoor kunnen onnauwkeurigheden. Een scree-test kunt u het beste aantal factoren bepalen door de eigenwaarden graphing. De gegevenspunten boven de "break" kunnen het aangeven van het aantal factoren te behouden.
Aanpassen van het aantal factoren om op te halen. Het eerste aantal factoren is hetzelfde als het aantal variabelen die worden gebruikt in de factoranalyse. Echter zullen niet alle van deze worden behouden, dus hier waar u aanwijzen die is te houden voor verdere analyse. Mogelijk wilt u ook meer factoren dan de standaardoptie kunt opvragen en/of aanpassen van het aantal factoren om ze te vergelijken met die van eerdere studies. In rapporten moet u bespreken de grondgedachte waarbij u koos het aantal factoren om op te halen dat je deed.