NAMA KELOMPOK

1. ADDINI FATTAHUL ALAM ANWAR (160210101109)

2. BAYU KURNIA SANDI (170210101068)
3. YUSRON MUHAMMAD (170210101105)

 Definisi

Analisis faktor adalah sebuah teknik yang digunakan untuk mencari faktor-faktor
yang mampu menjelaskan hubungan atau korelasi antara berbagai indikator
independen yang diobservasi. Analisis faktor merupakan perluasan dari analisis
komponen utama. Digunakan juga untuk mengidentifikasi sejumlah faktor yang relatif
kecil yang dapat digunakan untuk menjelaskan sejumlah besar variabel yang saling
berhubungan.

Sehingga variabel-variabel dalam satu faktor mempunyai korelasi yang tinggi,

sedangkan korelasi dengan variabel-variabel pada faktor lain relatif rendah. Tiap-tiap
kelompok dari variabel mewakili suatu konstruksi dasar yang disebut faktor. Untuk
meningkatkan daya interpretasi faktor, harus dilakukan transformasi pada matriks
loading. Transformasi dilakukan dengan merotasi matriks tersebut dengan metode
varimax, quartimax, equamax, quartimin, biquartimin dan covarimin serta oblimin.

Hasil rotasi ini akan mengakibatkan setiap variabel asal mempunyai korelasi tinggi
dengan faktor tertentu saja dan dengan faktor yang lain korelasi relatif rendah
sehingga setiap faktor akan lebih mudah untuk diinterpretasikan. Untuk mengetahui
rotasi mana yang sesuai digunakan Μ2min yang dihasilkan dari analisis procrustes.

Analisis procrustes adalah suatu teknik analisis yang digunakan untuk

membandingkan dua konfigurasi. Dalam hal ini konfigurasi data hasil analisis factor
yang sudah dirotasi dibandingkan dengan data asal. Sebelum kedua data dibandingkan
terlebih dahulu kedua data diproses berdasarkan penetapan dan penyesuaian posisi.
Penetapan dan penyesuaian dengan posisi dilakukan dengan transformasi yaitu
transformasi translasi, rotasi maupun dilasi yang dibuat sedemikian sehingga
diperoleh jarak yang sedekat mungkin. Setelah proses tersebut dilakukan dapat
 diketahui sejauh mana konfigurasi data analisis faktor dapat menggambarkan data
asal.

 Prosedur analisisi faktor

A. Merumuskan masalah

1. Tujuan analisis faktor harus diidentifikasi.

2. Variabel yang akan dipergunakan di dalam analisis faktor harus dispesifikasi
berdasarkan penelitian sebelumnya, teori dan pertimbangan dari peneliti.
3. Pengukuran variabel berdasarkan skala interval atau rasio.
4. Banyaknya elemen sampel (n) harus cukup atau memadai.

B. Menyusun matrix korelasi

angkah pertama ini dilakukan dengan mencari korelasi matriks antara indicator-
indikator yang diobservasi. Ada beberapa ukuran yang bisa digunakan untuk
syarat kecukupan data sebagai rule of thumb yaitu:

1. Korelasi matriks antar indikator: Metode yang pertama adalah memeriksa

korelasi matriks. Tingginya korelasi antara indikator mengindikasikan bahwa
indikator-indikator tersebut dapat dikelompokkan ke dalam sebuah indikator yang
bersifat homogen sehingga setiap indikator mampu membentuk faktor umum atau
faktor konstruk. Sebaliknya korelasi yang rendah antara indikator megindikasikan
bahwa indikator-indikator tersebut tidak homogen sehingga tidak mampu
membentuk faktor konstruk.
2. Korelasi parsial: Metode kedua adalah memeriksa korelasi parsial yaitu mencari
korelasi satu indikator dengan indikator lain dengan mengontrol indikator lain.
Korelasi parsial ini disebut dengan negative anti-image correlations.
3. Kaiser-Meyer Olkin (KMO) : Metode ini paling banyak digunakan untuk melihat
syarat kecukupan data untuk analisis faktor. Metode KMO ini mengukur
kecukupan sampling secara menyeluruh dan mengukur kecukupan sampling
untuk setiap indikator.

C. Ekstraksi faktor

Ekstraksi Faktor adalah suatu metode yang digunakan untuk mereduksi data dari
beberapa indikator untuk menghasilkan faktor yang lebih sedikit yang mampu
menjelaskan korelasi antara indikator yang diobservasi. Ada beberapa metode
yang bisa digunakan untuk melakukan ekstraksi faktor yaitu:

1. Principal Components Analysis: Analisis komponen utama (principal components

analysis) merupakan metode yang paling sederhana di dalam melakukan ekstraksi
faktor. Metode ini membentuk kombinasi linear dari indikator yang diobservasi.
2. Principal Axis Factoring: Metode ini hampir sama dengan metode principal
components analysis sebelumnya kecuali matriks korelasi diagonal diganti
dengan sebuah estimasi indikator kebersamaan, namun tidak sama dengan
principal components analysis di mana indikator kebersamaan yang awal selalu
diberi angka 1.
3. Unweighted Least Square: Metode ini adalah prosedur untuk meminimumkan
jumlah perbedaan yang dikuadratkan antara matriks korelasi yang diobservasi dan
yang diproduksi dengan mengabaikan matriks diagonal dari sejumlah faktor
tertentu.
4. Generalized Least Square: Metode ini adalah metode meminimumkan error
sebagaimana metode unweighted least squares. Namun, korelasi diberi timbangan
sebesar keunikan dari indikator (error). Korelasi dari indikator yang mempunyai
error yang besar diberi timbangan yang lebih kecil dari indikator yang
mempunyai error yang kecil.
5. Maximum Likelihood: Adalah suatu prosedur ekstraksi faktor yang menghasilkan
estimasi parameter yang paling mungkin untuk mendapatkan matriks korelasi
observasi jika sampel mempunyai distribusi normal multivariat.

D. Merotasi faktor

Setelah kita melakukan ekstraksi faktor, langkah selanjutnya adalah rotasi faktor
(rotation). Rotasi faktor ini diperlukan jika metode ekstraksi faktor belum
menghasilkan komponen faktor utama yang jelas. Tujuan dari rotasi faktor ini
agar dapat memperoleh struktur faktor yang lebih sederhana agar mudah
diinterpretasikan. Ada beberapa metode rotasi faktor yang bisa digunakan yaitu:

1. Varimax Method: Adalah metode rotasi orthogonal untuk meminimalisasi jumlah

indikator yang mempunyai factor loading tinggi pada tiap faktor.
2. Quartimax Method: Merupakan metode rotasi untuk meminimalisasi jumlah
faktor yang digunakan untuk menjelaskan indikator.
3. Equamax Method: Merupakan metode gabungan antara varimax method yang
meminimalkan indikator dan quartimax method yang meminimalkan faktor.

E. Interpratasikan faktok
Setelah diperoleh sejumlah factor yang valid, selanjutnya kita perlu
menginterprestasikan nama-nama factor, mengingat factor merupakan sebuah
konstruk dan sebuah konstruk menjadi berarti kalau dapat diartikan. Interprestasi
factor dapat dilakukan dengan mengetahui variable-variabel yang membentuknya.
 Interprestasi dilakukan dengan judgment. Karena sifatnya subjektif, hasil bisa
berbeda jika dilakukan oleh orang lain.

F. Pembuatan faktor skor

aktor score yang dibuat, berguna jika akan dilakukan analisis lanjutan, seperti
analisis regresi, analisis diskriminan atau analisis lainnya.

G. Surrogate variable
Variabel surrogate adalah satu variable yang paling dapat mewakili satu factor.
Misak factor 1 terdiri dari variable X1, X2 dan X3. Maka yang paling mewakili
factor 1 adalah variable yang memiliki factor loading terbesar. Apabila factor
loading tertinggi dalam satu factor ada yang hampir sama, missal X1 = 0,905 dan
X2 = 0,904 maka sebaiknya pemilihan surrogate variable ditentukan berdasarkan
teori, yaitu variable mana secara teori yang paling dapat mewakili factor. Atau
cara lain adalah dengan menggunakan Summated Scale.

H. Summated scale
Summated Scale adalah gabungan dari beberapa variable dalam satu factor, bisa
berupa nilai rata-rata dari semua factor tersebut atau nilai penjumlahan dari
semua variable dalam satu factor.

 Model analis faktor

a. Faktor eksplositori

Analisis faktor eksploratori atau analisis komponen utama (PCA = principle

component analysis) yaitu suatu teknik analisis faktor di mana beberapa faktor yang
akan terbentuk berupa variabel laten yang belum dapat ditentukan sebelum analisis
dilakukan.

Pada prinsipnya analisis faktor eksploratori di mana terbentuknya faktor-faktor atau

variabel laten baru adalah bersifat acak, yang selanjutnya dapat diinterprestasi sesuai
dengan faktor atau komponen atau konstruk yang terbentuk. Analisis faktor
eksploratori persis sama dengan anlisis komponen utama (PCA).
 Dalam analisis faktor eksploratori di mana peneliti tidak atau belum mempunyai
pengetahuan atau teori atau suatu hipotesis yang menyusun struktur faktor-faktornya
yang akan dibentuk atau yang terbentuk, sehingga dengan demikian pada analisis
faktor eksploratori merupakan teknik untuk membantu membangun teori baru.

Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi data dari
variabel asal atau variabel awal menjadi variabel baru atau faktor yang jumlahnya
lebih kecil dari pada variabel awal. Proses analisis tersebut mencoba untuk
menemukan hubungan antarvariabel baru atau faktor yang terbentuk yang saling
independen sesamanya, sehingga bisa dibuat satu atau beberapa kumpulan variabel
laten atau faktor yang lebih sedikit dari jumlah variabel awal yang bebas atau tidak
berkorelasi sesamanya. Jadi antar faktor yang terbentuk tidak berkorelasi sesamanya.

Contoh soal :

penggunakan analisis faktor eksploratori untuk melihat kecenderungan strategi

pemecahan masalah mahasiswa. Studi diawali dengan memberikan kuesioner
terbuka pada sejumlah mahasiswa dengan pertanyaan: apa yang kamu lakukan
jika kamu mendapat banyak tugas akademik dalam satu waktu? Sejumlah
responden kemudian memberikan jawabannya, dan dikelompokkan menjadi
beberapa kategori. Akhirnya ada 7 jawaban dari responden. Jawaban responden ini
kemudian disusun menjadi skala dengan lima pilihan jawaban, yakni sebagai
berikut.

Ketika saya mendapat banyak tugas akademik, saya.... 1 2 3 4 5

1 Memanfaatkan waktu luang untuk mengerjakan tugas O O O O O
2 Segera mengerjakan begitu ada tugas baru O O O O O
3 Menganalisis solusi sebelum melakukan sesuatu O O O O O
4 Membuat daftar pekerjaan yang harus diselesaikan O O O O O
5 Tidur lebih banyak untuk melupakan tugas yang ada O O O O O
6 Mencari kegiatan pengalihan dengan berolah raga O O O O O
7 Menyenangkan diri dengan menonton film O O O O O
Keterangan: 1=tidak pernah, 2=jarang, 3=kadang-kadang, 4=sering, 5=selalu
Skala tersebut kemudian diujicobakan kepada 70 orang mahasiswa untuk melihat
ada berapa kecenderungan strategi pemecahan masalah mahasiswa. Setelah
dilakukan skoring, kemudian dilakukan analisis faktor.

Menentukan jumlah faktor

Secara umum, ada beberapa cara untuk menentukan jumlah faktor yang akan
digunakan untuk menginterpretasi item.
1.    Jika konstrak tersebut sudah umum dan diuji berkali-kali, maka kita tinggal
menetapkan jumlah faktor sesuai dengan teori yang ada
2.    Jika konstrak masih dalam tahap eksplorasi dan belum ada yang meneliti
sebelumnya, kita dapat melihat nilai eigenvalues dan jumlah varians yang dapat
dijelaskan. Pada umumnya nilai eigenvalues di atas 1 cukup untuk menjadi
faktor
3.    Cara lain adalah dengan meilihat titik perubahan (inflection point) pada scree
plot. Jumlah faktor diperoleh dari jumlah garis yang ada sebelum titik
perubahan muncul.
Data wawancara.
Ketika saya mendapat banyak tugas akademik, saya....
1 2 3 4 5 6 7
2,00 3,00 5,00 5,00 1,00 4,00 5,00
4,00 2,00 4,00 2,00 4,00 4,00 4,00
5,00 5,00 5,00 5,00 4,00 1,00 3,00
2,00 4,00 3,00 5,00 4,00 4,00 4,00
4,00 4,00 4,00 4,00 3,00 3,00 3,00
4,00 5,00 5,00 5,00 1,00 2,00 3,00
3,00 3,00 3,00 2,00 4,00 3,00 3,00
5,00 4,00 4,00 4,00 5,00 5,00 2,00
4,00 4,00 5,00 4,00 1,00 3,00 4,00
2,00 2,00 2,00 2,00 4,00 5,00 4,00
5,00 5,00 4,00 4,00 1,00 1,00 3,00
3,00 4,00 4,00 4,00 1,00 2,00 2,00
4,00 4,00 5,00 4,00 2,00 4,00 4,00
2,00 3,00 5,00 4,00 2,00 3,00 4,00
2,00 4,00 4,00 4,00 2,00 2,00 4,00
5,00 5,00 4,00 5,00 3,00 4,00 4,00
5,00 5,00 5,00 5,00 2,00 3,00 3,00
3,00 4,00 4,00 4,00 2,00 2,00 3,00
5,00 5,00 5,00 5,00 1,00 1,00 1,00
4,00 4,00 4,00 4,00 2,00 3,00 3,00
4,00 4,00 5,00 4,00 5,00 5,00 5,00
2,00 3,00 2,00 2,00 4,00 4,00 4,00
4,00 4,00 5,00 4,00 2,00 3,00 2,00
3,00 4,00 4,00 4,00 1,00 1,00 2,00
 2,00 4,00 4,00 4,00 4,00 4,00 4,00
2,00 4,00 2,00 2,00 3,00 4,00 3,00
5,00 4,00 4,00 4,00 2,00 3,00 3,00
4,00 3,00 4,00 4,00 4,00 4,00 3,00
4,00 4,00 4,00 4,00 3,00 3,00 3,00
4,00 4,00 4,00 4,00 2,00 3,00 2,00
5,00 3,00 4,00 4,00 2,00 4,00 4,00
5,00 4,00 5,00 4,00 1,00 3,00 3,00
5,00 4,00 5,00 4,00 4,00 2,00 3,00
4,00 3,00 3,00 3,00 2,00 4,00 3,00
2,00 4,00 4,00 4,00 1,00 1,00 3,00
5,00 5,00 5,00 5,00 4,00 4,00 4,00
5,00 5,00 5,00 5,00 2,00 3,00 3,00
4,00 4,00 4,00 5,00 1,00 1,00 1,00
5,00 4,00 3,00 3,00 3,00 4,00 3,00
5,00 5,00 5,00 5,00 1,00 1,00 1,00
5,00 5,00 5,00 4,00 1,00 3,00 3,00
4,00 4,00 5,00 5,00 4,00 4,00 3,00
4,00 4,00 5,00 5,00 2,00 2,00 3,00
1,00 3,00 3,00 1,00 1,00 2,00 3,00
5,00 4,00 4,00 4,00 2,00 3,00 3,00
5,00 3,00 5,00 4,00 3,00 4,00 4,00
4,00 4,00 4,00 4,00 1,00 2,00 2,00
5,00 4,00 4,00 4,00 1,00 3,00 2,00
2,00 4,00 4,00 3,00 3,00 2,00 4,00
3,00 4,00 5,00 4,00 1,00 3,00 3,00
2,00 2,00 4,00 5,00 4,00 4,00 4,00
5,00 3,00 4,00 4,00 2,00 3,00 3,00
4,00 3,00 4,00 4,00 4,00 3,00 4,00
5,00 5,00 3,00 5,00 2,00 3,00 4,00
2,00 4,00 4,00 5,00 2,00 5,00 4,00
4,00 2,00 3,00 5,00 5,00 4,00 5,00
3,00 3,00 3,00 3,00 3,00 1,00 4,00
3,00 4,00 4,00 4,00 4,00 4,00 4,00
4,00 4,00 4,00 5,00 3,00 4,00 1,00
5,00 4,00 4,00 5,00 2,00 2,00 2,00
5,00 3,00 5,00 4,00 4,00 3,00 4,00
3,00 3,00 3,00 3,00 4,00 4,00 3,00
4,00 4,00 4,00 4,00 3,00 4,00 3,00
3,00 4,00 4,00 3,00 4,00 2,00 3,00
5,00 4,00 3,00 5,00 3,00 4,00 4,00
3,00 4,00 4,00 4,00 2,00 5,00 4,00
4,00 4,00 5,00 4,00 2,00 4,00 3,00
3,00 3,00 5,00 3,00 3,00 3,00 3,00
3,00 3,00 4,00 3,00 5,00 2,00 3,00
3,00 3,00 4,00 5,00 5,00 3,00 4,00

Jawab dengan spss

1. Analyze – dimension reduction – factor
 2. Masukkan 7 item ke dalam variables

4. Klik decriptive dan centang KMO and Bartlet’s test of sphericity klik

continue

5. Klik extraction dan centang scree plot – klik continue

 6. Klik rotation dan pilih varimax

7. Klik options, centang sorted size by dan suppress small coefficient.

Tentukan absolut value below 0,3.

8. Klik OK

Hasil output spss

Notes
Output Created 05-DEC-2019 13:03:36
Comments
Input Data C:\Users\hp\Downloads\EFA -
coping.sav
Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 177
Missing Value Handling Definition of Missing MISSING=EXCLUDE: User-
defined missing values are
treated as missing.
 Cases Used LISTWISE: Statistics are based
on cases with no missing values
for any variable used.
Syntax FACTOR
/VARIABLES I1 I2 I3 I4 I5 I6 I7
/MISSING LISTWISE
/ANALYSIS I1 I2 I3 I4 I5 I6 I7
/PRINT INITIAL KMO
EXTRACTION ROTATION
/FORMAT SORT BLANK(.3)
/PLOT EIGEN
/CRITERIA MINEIGEN(1)
ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/METHOD=CORRELATION.
Resources Processor Time 00:00:00,62
Elapsed Time 00:00:00,42
Maximum Memory Required 7376 (7,203K) bytes

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,734
Bartlett's Test of Sphericity Approx. Chi-Square 121,355
df 21
Sig. ,000

Communalities
Initial Extraction
Memanfaatkan waktu luang 1,000 ,535
untuk mengerjakan tugas (i1)
Segera mengerjakan begitu 1,000 ,625
ada tugas baru (i2)
Berpikir positif bahwa tugas 1,000 ,572
pasti bisa diselesaikan (i3)
Menenangkan hati dan pikiran 1,000 ,702
(i4)
Tidur lebih banyak untuk 1,000 ,590
melupakan tugas yang ada (i5)
Mencari kegiatan pengalihan 1,000 ,663
dengan berolah raga (i6)
Menyenangkan diri dengan 1,000 ,617
menonton film (i7)
Extraction Method: Principal Component Analysis.
 Component Matrixa
Component
1 2
Segera mengerjakan begitu ,787
ada tugas baru (i2)
Berpikir positif bahwa tugas ,648 ,390
pasti bisa diselesaikan (i3)
Tidur lebih banyak untuk -,620 ,453
melupakan tugas yang ada (i5)
Menenangkan hati dan pikiran ,615 ,569
(i4)
Menyenangkan diri dengan -,611 ,493
menonton film (i7)
Memanfaatkan waktu luang ,601 ,418
untuk mengerjakan tugas (i1)
Mencari kegiatan pengalihan -,559 ,592
dengan berolah raga (i6)
Extraction Method: Principal Component Analysis.
a. 2 components extracted.

Rotated Component Matrixa

Component
1 2
Menenangkan hati dan pikiran ,838
(i4)
Berpikir positif bahwa tugas ,743
pasti bisa diselesaikan (i3)
Memanfaatkan waktu luang ,726
untuk mengerjakan tugas (i1)
Segera mengerjakan begitu ,636 -,469
ada tugas baru (i2)
Mencari kegiatan pengalihan ,814
dengan berolah raga (i6)
Menyenangkan diri dengan ,775
menonton film (i7)
Tidur lebih banyak untuk ,751
melupakan tugas yang ada (i5)
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.

Component Transformation
Matrix
Component 1 2
1 ,744 -,668
2 ,668 ,744
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.

b. Faktor konfirmatori

Analisis faktor konfirmatori yaitu suatu teknik analisis faktor di mana secara apriori
berdasarkan teori dan konsep yang sudah diketahui dipahami atau ditentukan
sebelumnya, maka dibuat sejumlah faktor yang akan dibentuk, serta variabel apa
saja yang termasuk ke dalam masing-masing faktor yang dibentuk dan sudah pasti
tujuannya. Pembentukan faktor konfirmatori (CFA) secara sengaja berdasarkan teori
dan konsep, dalam upaya untuk mendapatkan variabel baru atau faktor yang
mewakili beberapa item atau sub-variabel, yang merupakan variabel teramati atau
observerb variable.

Pada dasarnya tujuan analisis faktor konfirmatori adalah: pertama untuk

mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi.
Tujuan kedua untuk menguji validitas dan reliabilitas instrumen. Dalam pengujiann
terhadap validitas dan reliabilitas instrumen atau kuesioner untuk mendapatkan data
penelitian yang valid dan reliabel dengan analisis faktor konfirmatori.

Contoh soal
Data file yang dapat digunakan dalam analisis di AMOS bermacam-macam, kita
dapat mengimpor dari excel, SPSS, txt, csv, dll. Dalam contoh kali ini, kita akan
menggunakan file dari SPSS. Dalam contoh ini kita akan menggunakan data yang
sama seperti analsis sebelumnya dengan LISREL, namun dengan file SPSS yakni
WFB.sav. Fomat inputnya pun sama, yakni seperti gambar di bawah ini.
 Jawaban

1. Buka data yang sudah dimasukkan. Tampilannya seperti berikut.

2. Karena data memiliki variasi yang besar (karena satuan dan rentang data
yang berbeda-beda), maka distandardisasi terlebih dahulu dengan
mentransformasikan ke dalam bentuk Z-score, yaitu dengan
klik Descriptive Statistics→Descriptives. Maka akan muncul tampilan
berikut.
3. Pada kolom Variable(s) masukkan semua variabel, lalu centang pilihan ‘Save
standardized values as variables’. Kemudian Pilih Menu Options maka
akan muncul tampilan berikut.

4. Beri tanda cek pada Mean, dengan pada Dispersion dicek Standard

Deviation dan Variance, serta beri tanda cek pada Variable
List pada Display Order. kemudian Klik Continue. Maka akan muncul
variabel baru seperti berikut.
Melakukan Analisis Faktor
1. Pilih Analyze >> Data Reduction >> Factor. Maka akan muncul
jendela Factor Analysis

2. Pilih semua variabel sebagai variabel analisis. Klik Descriptive, pada

bagian Correlation Matrix beri tanda cek pada Coefficient,significan
levels,  invers, Anti image dan KMO and Bartlett’s test of sphericity.
Klik Continue.
3. Kemudian klik pada Extraction dan pastikan pilihan Analyze
pada correlation matrix dan pada bagian Display beri tanda cek pada kedua
pilihan. Sebagai kriteria ekstaksi (Extraction) kita akan menggunakan
eigenvalue, yaitu Eigenvalues over: 1. Klik Continue.

4. Klik Rotation lalu pilih Varimax dan pada Display pilih Rotated Solution.

Klik Continue

5. Klik Scores, lalu beri tanda cek Save as Variables dengan Method:

Regression dan Display factor score coefficient matrix, agar kita bisa
melihat nilai variabel/faktor baru yang terbentuk. Klik Continue.
 6. Setelah itu klik OK, akan muncul kumpulan output yang siap diinterpretasi.

Factor Analysis

Notes
Output Created 05-DEC-2019 13:44:58
Comments
Input Active Dataset DataSet2
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 5
Missing Value Handling Definition of Missing MISSING=EXCLUDE: User-
defined missing values are
treated as missing.
Cases Used LISTWISE: Statistics are based
on cases with no missing values
for any variable used.
Syntax FACTOR
/VARIABLES Zsat1 Zsat2
Zsat3 Ztime1 Ztime2 Ztime3
Ztime4 Zinv1 Zinv2 Zinv3
/MISSING LISTWISE
/ANALYSIS Zsat1 Zsat2 Zsat3
Ztime1 Ztime2 Ztime3 Ztime4
Zinv1 Zinv2 Zinv3
/PRINT UNIVARIATE INITIAL
CORRELATION SIG KMO INV
AIC EXTRACTION ROTATION
FSCORE
/PLOT EIGEN
/CRITERIA MINEIGEN(1)
ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION.
Resources Processor Time 00:00:00,02
Elapsed Time 00:00:00,06
Maximum Memory Required 14616 (14,273K) bytes

Descriptive Statistics
Mean Std. Deviation Analysis N
Zscore(sat1) . . 0
Zscore(sat2) . . 0
Zscore(sat3) . . 0
Zscore(time1) . . 0
Zscore(time2) . . 0
Zscore(time3) . . 0
Zscore(time4) . . 0
Zscore(inv1) . . 0
Zscore(inv2) . . 0
Zscore(inv3) . . 0
Descriptives

Notes
Output Created 05-DEC-2019 13:47:32
Comments
Input Active Dataset DataSet2
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 5
Missing Value Handling Definition of Missing User defined missing values are
treated as missing.
Cases Used All non-missing data are used.
Syntax DESCRIPTIVES
VARIABLES=sat1 sat2 sat3
time1 time2 time3 time4 inv1
inv2 inv3
/SAVE
/STATISTICS=MEAN
STDDEV.
Resources Processor Time 00:00:00,00
Elapsed Time 00:00:00,05
Variables Created or Modified Zsat1 Zscore: a1
Zsat2 Zscore: a2
Zsat3 Zscore: a3
Ztime1 Zscore: b1
Ztime2 Zscore: b2
Ztime3 Zscore: b3
Ztime4 Zscore: b4
Zinv1 Zscore: c1
Zinv2 Zscore: c2
Zinv3 Zscore: c3

Descriptive Statistics
N Mean Std. Deviation
a1 5 3,8000 1,09545
a2 5 4,0000 1,00000
a3 5 4,4000 ,54772
b1 5 3,4000 ,89443
b2 5 4,2000 ,83666
b3 5 3,8000 ,83666
b4 5 3,8000 ,44721
c1 5 4,0000 ,70711
c2 5 3,8000 ,83666
c3 5 3,4000 1,51658
Valid N (listwise) 5

Factor Analysis

Notes
Output Created 05-DEC-2019 13:48:49
Comments
Input Active Dataset DataSet2
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 5
Missing Value Handling Definition of Missing MISSING=EXCLUDE: User-
defined missing values are
treated as missing.
Cases Used LISTWISE: Statistics are based
on cases with no missing values
for any variable used.
Syntax FACTOR
/VARIABLES Zsat1 Zsat2
Zsat3 Ztime1 Ztime2 Ztime3
Ztime4 Zinv1 Zinv2 Zinv3
/MISSING LISTWISE
/ANALYSIS Zsat1 Zsat2 Zsat3
Ztime1 Ztime2 Ztime3 Ztime4
Zinv1 Zinv2 Zinv3
/PRINT UNIVARIATE INITIAL
CORRELATION SIG KMO INV
AIC EXTRACTION ROTATION
FSCORE
/PLOT EIGEN
/CRITERIA MINEIGEN(1)
ITERATE(25)
/EXTRACTION PC
/CRITERIA ITERATE(25)
/ROTATION VARIMAX
/SAVE REG(ALL)
/METHOD=CORRELATION.
Resources Processor Time 00:00:00,41
Elapsed Time 00:00:00,34
Maximum Memory Required 14616 (14,273K) bytes
Variables Created FAC1_1 Component score 1
FAC2_1 Component score 2
FAC3_1 Component score 3

Descriptive Statistics
Mean Std. Deviation Analysis N
Zscore: a1 ,0000000 1,00000000 5
Zscore: a2 ,0000000 1,00000000 5
Zscore: a3 ,0000000 1,00000000 5
Zscore: b1 ,0000000 1,00000000 5
Zscore: b2 ,0000000 1,00000000 5
Zscore: b3 ,0000000 1,00000000 5
Zscore: b4 ,0000000 1,00000000 5
Zscore: c1 ,0000000 1,00000000 5
Zscore: c2 ,0000000 1,00000000 5
Zscore: c3 ,0000000 1,00000000 5
 Communalities
Initial Extraction
Zscore: a1 1,000 ,895
Zscore: a2 1,000 ,951
Zscore: a3 1,000 ,992
Zscore: b1 1,000 ,883
Zscore: b2 1,000 ,966
Zscore: b3 1,000 ,992
Zscore: b4 1,000 ,991
Zscore: c1 1,000 ,875
Zscore: c2 1,000 ,940
Zscore: c3 1,000 ,965
Extraction Method: Principal Component
Analysis.
 Component Matrixa
Component
1 2 3
Zscore: a1 ,686 -,305 ,576
Zscore: a2 ,793 ,257 ,506
Zscore: a3 ,547 -,565 -,611
Zscore: b1 ,247 ,900 ,109
Zscore: b2 ,821 ,471 -,264
Zscore: b3 ,948 -,110 -,286
Zscore: b4 ,639 -,612 ,456
Zscore: c1 ,848 -,381 ,108
Zscore: c2 ,463 ,841 ,136
Zscore: c3 ,778 ,173 -,574
Extraction Method: Principal Component Analysis.
a. 3 components extracted.
 Rotated Component Matrixa
Component
1 2 3
Zscore: a1 ,081 ,939 ,082
Zscore: a2 ,140 ,739 ,620
Zscore: a3 ,879 ,171 -,435
Zscore: b1 -,015 -,125 ,931
Zscore: b2 ,694 ,166 ,676
Zscore: b3 ,863 ,462 ,187
Zscore: b4 ,171 ,951 -,238
Zscore: c1 ,539 ,764 -,019
Zscore: c2 ,119 ,054 ,961
Zscore: c3 ,925 ,052 ,328
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 4 iterations.

Component Transformation Matrix

Component 1 2 3
1 ,677 ,640 ,362
2 -,114 -,395 ,912
3 -,727 ,659 ,194
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.

Component Score Coefficient Matrix

Component
1 2 3
Zscore: a1 -,141 ,356 ,016
Zscore: a2 -,120 ,262 ,200
Zscore: a3 ,360 -,087 -,216
Zscore: b1 -,050 -,053 ,326
Zscore: b2 ,206 -,064 ,184
Zscore: b3 ,256 ,026 ,000
Zscore: b4 -,084 ,347 -,102
Zscore: c1 ,085 ,205 -,051
Zscore: c2 -,030 -,007 ,325
Zscore: c3 ,345 -,148 ,047
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Component Scores.

Component Score Covariance Matrix

Component 1 2 3
1 1,000 ,000 ,000
2 ,000 1,000 ,000
3 ,000 ,000 1,000
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Component Scores.