Nama : Muh.

Yudi Pratama
NIM : 211810438
Kelas : 3SE3
Kode : XVMKO
Responsi PJJ APG Pertemuan 9
FACTOR ANALYSIS AND INFERENCE FOR STRUCTURED COVARIANCE
MATRICES
9.1 Pendahuluan

Analisis faktor telah memicu kontroversi yang agak bergejolak sepanjang sejarahnya.
Permulaan modernnya terletak pada upaya awal abad ke-20 dari Karl Pearson, Charles Spearman,
dan lainnya untuk mendefinisikan dan mengukur kecerdasan. Karena ini awal sebagai asosiasi
dengan konstruksi seperti kecerdasan, analisis faktor dipelihara dan dikembangkan terutama oleh
para ilmuwan yang tertarik pada psikometri. Argumen atas interpretasi psikologis dari beberapa
studi awal dan kurangnya fasilitas komputer yang kuat menghambat perkembangan awalnya
sebagai metode statistik. Munculnya komputer berkecepatan tinggi telah membangkitkan minat
baru dalam aspek teoritis dan komputasi dari analisis faktor. Sebagian besar teknik asli telah
ditinggalkan dan kontroversi awal diselesaikan setelah perkembangan terkini. Namun demikian,
masih benar bahwa setiap penerapan teknik harus diperiksa kemampuannya sendiri untuk
menentukan keberhasilannya.

Tujuan penting dari analisis faktor adalah untuk mendeskripsikan, jika mungkin,
hubungan kovarians antara banyak variabel dalam beberapa hal yang mendasari, tetapi tidak
dapat diamati, jumlah acak yang disebut faktor. Pada dasarnya, model faktor dimotivasi oleh
argumen berikut: Misalkan variabel dapat dikelompokkan berdasarkan korelasinya. Artinya,
anggaplah semua variabel dalam kelompok tertentu sangat berkorelasi di antara mereka sendiri,
tetapi memiliki korelasi yang relatif kecil dengan variabel dalam kelompok yang berbeda. Maka
dapat dibayangkan bahwa setiap kelompok variabel mewakili satu konstruksi dasar, atau faktor,
yang bertanggung jawab atas korelasi yang diamati. Misalnya, korelasi dari kelompok nilai ujian
dalam pelajaran klasik, Prancis, Inggris, matematika, dan musik yang dikumpulkan oleh
Spearman menunjukkan faktor "kecerdasan" yang mendasarinya. Kelompok variabel kedua, yang
mewakili skor kebugaran jasmani, jika tersedia, mungkin sesuai dengan faktor lain. Jenis struktur
inilah yang ingin dikonfirmasi oleh analisis faktor.

Analisis faktor dapat dianggap sebagai perluasan dari analisis komponen utama.
Keduanya dapat dilihat sebagai upaya untuk mendekati matriks kovariansi ∑. Namun, pendekatan
yang didasarkan pada model analisis faktor lebih rumit. Pertanyaan utama dalam analisis faktor
adalah apakah data tersebut konsisten dengan struktur yang telah ditentukan sebelumnya.

9.2 Model Faktor Ortogonal

Vektor acak yang dapat diamati X, dengan komponen p, memiliki mean µ dan matriks
kovariansi ∑. Model faktor mendalilkan bahwa X secara linier bergantung pada beberapa
variabel acak yang tidak dapat diobservasi F1 , F2 , ..., Fm , disebut faktor persekutuan, dan p
sumber variasi tambahan ε1 , ε2 , ..., εP , disebut kesalahan atau, terkadang, faktor spesifik. Secara
khusus, model analisis faktor adalah
9.3 Metode Estimasi

Komponen Utama (dan Faktor Utama) Metode

Terlepas dari faktor skala √λj beban faktor pada faktor ke-j adalah koefisien untuk
komponen utama ke-j populasi.

Meskipun representasi analisis faktor dari ∑ dalam (9-11) tepat, ini tidak terlalu berguna:
Ini menggunakan sebanyak mungkin faktor umum karena ada variabel dan tidak memungkinkan
adanya variasi dalam faktor spesifik ε di (9-4) . Kami lebih memilih model yang menjelaskan
struktur kovarian hanya dalam beberapa faktor umum. Salah satu pendekatan, ketika nilai eigen
p-m terakhir kecil, adalah mengabaikan kontribusi dari λm + l em + l e'm+ l + · · · + λp ep e'p ke ∑ in
(9- 10). Mengabaikan kontribusi ini, kami mendapatkan perkiraannya.

Perkiraan representasi dalam (9-12) mengasumsikan bahwa faktor spesifik ε dalam (9-4)
tidak terlalu penting dan juga dapat diabaikan dalam pemfaktoran ∑. Jika faktor-faktor tertentu
dimasukkan ke dalam model, variansnya dapat dianggap sebagai elemen diagonal dari ∑ - LL ',
di mana LL' adalah seperti yang didefinisikan dalam (9-12). Dengan mempertimbangkan faktor-
faktor tertentu, kami menemukan bahwa pendekatannya menjadi
 yang matriks kovarians sampelnya adalah matriks korelasi sampel R dari pengamatan x1,
x2, ..., xn. Standardisasi menghindari masalah memiliki satu variabel dengan varians besar yang
terlalu mempengaruhi penentuan beban faktor.
Representasi dalam (9-13), jika diterapkan pada matriks kovarian sampel S atau matriks
korelasi sampel R, dikenal sebagai solusi komponen utama. Nama tersebut mengikuti fakta
bahwa pembebanan faktor adalah koefisien skala dari beberapa komponen utama sampel
pertama. (Lihat Bab 8.)
Pendekatan Modifikasi Solusi Faktor Utama

Modifikasi pendekatan komponen utama kadang-kadang dipertimbangkan. Kami

menjelaskan alasan dalam hal analisis faktor R, meskipun prosedur juga sesuai untuk S. Jika
model faktor ρ = LL '+ Ψ ditentukan dengan benar, faktor persekutuan m harus
memperhitungkan elemen off-diagonal dari ρ , serta bagian komunalitas dari elemen diagonal

Jika kontribusi faktor spesifik ψi dihilangkan dari diagonal atau, ekuivalen, 1 diganti dengan hi2,
matriks yang dihasilkan adalah ρ - Ψ = LL'.

Anggaplah, sekarang, perkiraan awal ψi* dari varians tertentu tersedia. Kemudian
mengganti elemen diagonal ke-i dari R dengan hi* 2 = 1 - ψi*, kita mendapatkan matriks korelasi
sampel yang "dikurangi".

Sekarang, selain variasi pengambilan sampel, semua elemen matriks korelasi sampel
tereduksi Rr harus diperhitungkan oleh m faktor persekutuan. Secara khusus, R r difaktorkan
sebagai
 Meskipun ada banyak pilihan untuk perkiraan awal dari varian tertentu, pilihan yang
paling populer, ketika seseorang bekerja dengan matriks korelasi, adalah ψ i* = 1 / rii, di mana rii
adalah ith elemen diagonal R-1. Perkiraan komunalitas awal kemudian menjadi

Metode Kemungkinan Maksimum

Jika faktor umum F dan faktor spesifik ε dapat diasumsikan terdistribusi secara normal,
maka perkiraan kemungkinan maksimum dari beban faktor dan varians spesifik dapat diperoleh.
Jika Fj dan εj normal bersama, pengamatan Xj - µ = LFj + εj kemudian normal, dan dari (4-16),
kemungkinannya

bergantung pada L dan Ψ melalui ∑ = LL '+ Ψ . Model ini masih belum terdefinisi dengan baik,
karena banyaknya pilihan untuk L yang dimungkinkan oleh formasi trans ortogonal. Hal ini
diinginkan untuk membuat L didefinisikan dengan baik dengan memberlakukan kondisi keunikan
komputasi nyaman

Perkiraan kemungkinan maksimum dan harus diperoleh dengan maksimalisasi numerik

(9-25). Untungnya, program komputer yang efisien sekarang ada yang memungkinkan seseorang
untuk mendapatkan perkiraan ini dengan lebih mudah.

Kami meringkas beberapa fakta tentang penaksir kemungkinan maksimum dan, untuk
saat ini, mengandalkan komputer untuk melakukan detail numerik.

Uji Sampel Besar untuk Jumlah Faktor Umum

Asumsi populasi normal mengarah langsung ke uji kecukupan model. Misalkan model
faktor persekutuan m berlaku. Dalam hal ini ∑ = LL '+ Ψ, dan pengujian kecukupan model faktor
persekutuan m sama dengan pengujian
9.4 Rotasi Faktor

Seperti yang kami tunjukkan di Bagian 9.2, semua beban faktor yang diperoleh dari
pembebanan awal dengan transformasi ortogonal memiliki kemampuan yang sama untuk
mereproduksi matriks kovarian (atau korelasi). [Lihat (9-8).] Dari aljabar matriks, kita tahu
bahwa transformasi ortogonal berhubungan dengan rotasi kaku (atau refleksi) sumbu koordinat.
Untuk alasan ini, transformasi ortogonal dari pembebanan faktor, serta transformasi ortogonal
tersirat dari faktor-faktor, disebut rotasi faktor.

Jika L adalah matriks p x m estimasi muatan faktor diperoleh dengan metode apapun
(komponen utama, maksimum kemungkinan, dan sebagainya) maka

Persamaan (9-43) menunjukkan bahwa matriks residual, Sn - ^L ^L' −Ψ

^ = Sn - ^L¿ ^L¿' −Ψ
^,
Tetap tidak berubah. Selain itu, spesifik varians i,dan karenanya communalities tidak
berubah.Dengan demikian, dari sudut pandang matematika, itu adalah penting apakah atau
diperoleh.

Karena pemuatan asli mungkin tidak dapat langsung diinterpretasikan, merupakan praktik
yang biasa untuk memutarnya hingga "struktur yang lebih sederhana" tercapai. Alasannya sangat
mirip dengan penajaman fokus mikroskop agar dapat melihat detail dengan lebih jelas.

Idealnya, kita ingin melihat pola pembebanan sedemikian rupa sehingga setiap variabel
memuat sangat tinggi pada satu faktor dan memiliki pembebanan kecil hingga sedang pada faktor
yang tersisa. Namun, tidak selalu mungkin untuk mendapatkan struktur sederhana ini, meskipun
pembebanan yang diputar untuk data dekathlon yang dibahas dalam Contoh 9.11 memberikan
pola yang hampir ideal.

Kami akan berkonsentrasi pada metode grafis dan analitis untuk menentukan rotasi
ortogonal ke struktur sederhana. Jika m = 2, atau faktor persekutuan dianggap dua sekaligus,
transformasi ke struktur sederhana sering kali dapat ditentukan secara grafis. Faktor umum
berkorelasi dianggap sebagai vektor satuan panjangtegak lurus sumbu koordinat. Sebuah plot
pasang faktor loadings (l^ i 1 , l^ i 2) menghasilkan poin p, setiap poin sesuai dengan variabel.

Hubungan dalam (9-44) jarang diimplementasikan dalam analisis grafik dua dimensi.
Dalam situasi ini, kelompok variabel sering terlihat dengan mata, dan kelompok ini
memungkinkan seseorang untuk mengidentifikasi faktor umum tanpa harus memeriksa besarnya
beban yang diputar. Di sisi lain, untuk m> 2, orientasi tidak mudah divisualisasikan, dan besaran
beban yang diputar harus diperhatikan untuk menemukan interpretasi yang berarti dari data asli.
Pilihan matriks ortogonal T yang memenuhi ukuran analitik struktur sederhana akan segera
dipertimbangkan.
Rotasi Miring Rotasi

ortogonal cocok untuk model faktor di mana faktor-torsi umum diasumsikan tidak
bergantung. Banyak peneliti dalam ilmu sosial mempertimbangkan rotasi miring (non-ortogonal),
serta rotasi ortogonal. Yang pertama sering disarankan setelah seseorang melihat perkiraan
pemuatan faktor dan tidak mengikuti dari model yang didalilkan kami. Namun demikian, rotasi
miring seringkali merupakan bantuan yang berguna dalam analisis faktor.

Jika kita menganggap faktor umum m sebagai sumbu koordinat, titik dengan koordinat m
(l^ i 1 , l^ i 2 , … , l^ ℑ) mewakili posisi variabel ke-i dalam ruang faktor. Dengan asumsi bahwa variabel
dikelompokkan ke dalam cluster yang tidak tumpang tindih, rotasi ortogonal ke struktur
sederhana sesuai dengan rotasi kaku sumbu koordinat sehingga sumbu, setelah rotasi, melewati
sedekat mungkin ke cluster. Rotasi miring ke struktur sederhana sesuai dengan rotasi nonrigid
dari sistem koordinat sedemikian rupa sehingga sumbu yang diputar (tidak lagi tegak lurus)
melewati (hampir) melalui cluster. Rotasi miring berusaha mengekspresikan setiap variabel
dalam jumlah minimum faktor-lebih disukai, satu faktor. Rotasi miring dibahas dalam beberapa
sumber (lihat, misalnya, [12] atau [20]) dan tidak akan dibahas dalam buku ini.