Is het juist dat als ik latente variabelen probeer te vinden dat ik dan beter een PAF dan een PCA kan runnen in SPSS?

Question

Bedankt Ron voor je antwoord. Maar naar welk van de twee gaat de voorkeur bij apriori veronderstelling van meerdere dimensies? De studie staat op researchgate als preprint.

Do interests affect grant application success? The role of organizational proximity

Answer 1

Kort antwoord: nee.

Langer antwoord: Er is niet een methode die in het algemeen beter is om latente variabelen 'te vinden' dan anderen. Latente variabelen liggen niet klaar om te vinden; ze worden uit manifeste variabelen (zaken die we gemeten hebben) geinfereerd.

Dit betekent dat alle methoden voorhanden manieren zijn om datapatronen te vinden. De meest geschikte methode hangt af van wat 'wij' denken over het latente construct; dus eigenlijk ons idee over hoe wat we kunnen observeren een uiting is van iets dat we niet direct kunnen observeren of meten.

Een PCA is een techniek die zich uitermate goed leent voor het uitdrukken van manifeste variabelen in zo min mogelijk dimensies, en met voorkeur één.

PAF is een techniek die zich meer leent voor het exploreren van dimensionaliteit als deze niet apriori verondersteld wordt, en dan met name als er de verwachting is dat de dimensionaliteit hoger zou moeten zijn dan één.

Zo heeft ieder algoritme, en iedere rotatietechniek een eigen manier om manifeste variabelen als onderdeel van een niet te meten 'veronderstelde' latente factor uit te drukken. Welke techniek optimaal is zal altijd controversieel zijn, maar ook altijd contextspecifiek zijn.