Antal faktorer?
"Man vill att så få faktorer som möjligt ska förklara så; mycket varians som möjligt."
I en faktoranalys vill man att så få faktorer som möjligt ska förklara så mycket varians som möjligt. Detta görs genom att först rangordna de extraherade faktorerna, dvs. de faktorer man fått fram, efter hur stort egenvärde de har. Den första faktorn är den som har störst egenvärde och alltså förklarar mest av variansen i data. Men hur bestämmer man hur många faktorer som man ska ta med?
Det finns olika sätt att bestämma hur många faktorer som ska vara med i en faktoranalys:
A priori criterion: Denna metod är användbart under vissa omständigheter då forskaren redan innan faktoranalysen bestämt sig för ett visst antal faktorer. Denna metod är mest användbar när man vill testa en teori eller hypotes samt när man vill replikera andra faktoranalyser.
Latent root criterion (eller egenvärde över 1): Det kanske mest standardmässiga kriteriet man brukar utgå från. Man tar med alla faktorer som har ett egenvärden som är större än 1 eftersom de då beskriver mer än bara en enskild variabels varians. Beskriver en faktor bara en variabel är det ingen vits att extrahera den, för då är variabeln och faktorn samma sak. Kriteriet är mest reliabelt då antalet variabler ligger mellan 20-50.
Percentage of variance criterion: Under vissa omständigheter nöjer man sig med att sänka kraven på förklarad mängd varians av faktorerna. Det kan då tänka sig att man nöjer sig med ett antal faktorer som kan förklara ca. 60% av den totala variansen.
Scree-plot criterion: Denna metod syftar till att ta fram det optimala antalet faktorer som kan extraheras innan den unika variansen börjar dominera. Egenvärdena plottas ut för var och en av faktorerna i den ordning de extraheras vid datakörningen. När egenvärdet inte längre minskar säger man att man har nått "armbågen" och där stannar man. Då har man oftast fler faktorer än vid kriteriet för egenvärde = 1.
Går det ätt förklara skillnaderna bättre?
Läs