در محیط نرم افزاری spss برای برآورد محموله ها از روشهای زیر استفاده می شود:
روش principal Components
روش Unweighted Least Squares
روش Generalzed least
روش Maximum Likelihood
روشAxis Factoring principal
روش Alpha Factoring روش Image Factoring
روشهای برآورد
در محیط نرم افزاری spss برای برآورد محموله ها از روشهای زیر استفاده می شود:
روش principal Components روش Unweighted Least Squares روش Generalzed least روش Maximum Likelihood روشAxis Factoring principal روش Alpha Factoring روش Image Factoring که به خاطر متداول بودن دو روش « مؤلفه های اصلی» (principal Components) و « درست نمایی ماکزیمم» (Maximum Liklihood)، در این فصل؛ این دو روش بررسی می شود:
روش مؤلفه های اصلی :
در این روش ماتریس s، (برآورد کننده )، براساس مشاهدات محاسبه شده و با توجه به ماتریس ضرایب همبستگی نمونه R، اگر بین متغیرها همبستگی بالایی موجود باشد دلیل آن، وجود فاکتور پنهانی است.
تحلیل عاملی مؤلفه اصلی ماتریس کواریانس نمونه s برحسب زوجهای مقدار ویژه – بردار ویژه زیر مشخص می شود:
از معیار فوق معمولاً به عنوان وسیله ای راهنما برای تعیین تعداد مناسب عوامل مشترک استفاده می شود.
تعداد عوامل مشترک باقیمانده در الگو تا بیان شدن یک « نسبت مناسب» کل واریانس نمونه افزایش می یابد.
قراردادی که معمولاً در محاسبات کامپیوتری با آن مواجه می شویم این است که:
اگر ماتریس همبستگی نمونه عامل بندی شود، m را برابر تعداد مقادیر ویژۀ R بزرگتر از 1، یا، مساوی تعداد مقادیر ویژۀ مثبت s قرار می دهیم در صورتی که ماتریس کواریانس نمونه عامل بندی شود.
