Hipotesis mengenai pentingnya kelompok variabel.

Untuk mengilustrasikan kegunaan

pendekatan ini, kita dpat mengambil contoh kedua, mengenai upaya untuk memahami dimensi
sosial kota abad kesembilan belas (Pooley dan Johnson, 1982), lebih khusus Exeter pada tahun
1871. Variabel-variabel yang termasuk dalam penelitian diberikan dalam Tabel 15.7, bersama
dengan pemuatan faktornya.

Tabel 15.7 Variabel asli dan beban faktornya untuk studi Exeter (rotasi varimax)
 Dari matriks korelasi dua kelompok utama variabel dapat diidentifikasi, seperti yang
diilustrasikan oleh diagram keterkaitan pada Gambar 15.5. Yang pertama berkaitan dengan
variabel yang mengukur status sosial ekonomi dan diidentifikasi dengan cukup jelas; yang kedua
agak lebih kompleks, tetapi berkaitan dengan status keluarga. Melalui identifikasi hubungan
semacam itu, tugas menafsirkan faktor mungkin menjadi sedikit lebih mudah. Jadi, jika kita
memeriksa beban faktor untuk contoh ini (Tabel 15.7) kita dapat melihat munculnya variabel-
variabel ini relatif terhadap faktor-faktor tertentu.

Oleh karena itu, pelabelan setiap faktor terkait dengan hipotesis awal kami dan Tabel
15.6, faktor 1 dapat disebut faktor hidrologis, faktor 2 ukuran cekungan dan faktor 3 ukuran
porositas. Dari contoh kedua kita dapat dilihat bahwa pembebanan faktor relatif lebih rendah,
dan kita dapat menggunakan tiga kategori pembebanan untuk membantu deskripsi faktor lain.
Ketiga kategori ini diringkas dalam Tabel 15.8. Dalam kedua kasus itu harus ditekankan bahwa
pelabelan variabel akan selalu diwarnai dengan beberapa derajat subjektivitas.

Status Sosial Ekonoomi

Status Keluarga
 Untuk sebagian besar tujuan analisis faktor adalah untuk mendefinisikan variabel baru
atau faktor yang cukup dan jelas menggambarkan set asli variabel. Yang ideal adalah mencari
faktor dan rendah pada yang kedua. Sayangnya, yang sering terjadi adalah bahwa inisial untuk
'struktur faktor sederhana' di mana setiap variabel asli memuat tinggi pada satu solusi yang
diturunkan oleh program analisis faktor tidak memberikan struktur faktor yang rapi dan jelas.
Jadi, pada Tabel 15.6 kami memiliki variabel yang tampaknya memuat cukup tinggi pada lebih
dari satu faktor, seperti halnya dengan frekuensi aliran. Dibawah jenis solusi ini, maka, faktor-
faktor tersebut tidak secara jelas menggambarkan variabel asli. Yang kita butuhkan adalah solusi
alternatif di mana faktor-faktor diputar untuk memberikan gambaran yang lebih baik tentang
pola variabel

Tabel 15.8 Label faktor dan struktur faktor untuk studi Exeter

Kategori kunci: Faktor pemuatan ± 1,00-0,70 tinggi; ± 0,69-0,50 sedang; ± 0,49-0,30 rendah.
 Oleh karena itu, rotasi faktor bertujuan untuk menyederhanakan matriks faktor dengan
memisahkan kelompok variabel yang signifikan, tanpa mengubah posisi relatifnya. Dalam
analisis faktor apa pun, sumbu yang menggambarkan variabel dapat diperbaiki dalam jumlah
posisi yang tak terbatas dengan memutarnya secara geometris di sekitar asalnya. Dalam beberapa
hal, ketidaktentuan seperti itu sangat disayangkan karena tidak ada solusi unik, meskipun tidak
semua solusi statistik sama-sama bermakna dalam hal studi geografis kami.

Pilihan utama yang tersedia ketika memilih rotasi adalah apakah solusi ortogonal atau
miring harus digunakan. Rotasi miring tidak sering digunakan oleh ahli geografi, karena mereka
tidak mengasumsikan kelompok variabel independen dan hasilnya seringkali agak sulit untuk
ditafsirkan. Di bawah jenis rotasi ide faktor independen atau ortogonal diganti, dan asumsinya
adalah bahwa setiap variabel akan memiliki satu faktor pembebanan +1,0, tetapi pembebanan
lainnya tidak perlu nol. Dua set pembebanan biasanya diperoleh untuk setiap variabel saat
menggunakan rotasi miring, dan mereka disebut pembebanan struktur dan pembebanan pola. Itu
perbedaan ditunjukkan pada Gambar 15.6(a), yang juga menunjukkan keunggulan solusi miring
dibandingkan solusi ortogonal, ketika pola variabel tidak sepenuhnya independen. Pembebanan
struktur digunakan dalam interpretasi dasar faktor dengan cara yang persis sama seperti
pembebanan dari matriks faktor yang tidak diputar. Sebaliknya pembebanan pola kurang penting
untuk interpretasi dasar struktur faktor, karena mereka mengukur korelasi antara setiap variabel
dan faktor, terlepas dari pengaruh faktor lainnya. Oleh karena itu, mereka adalah koefisien
korelasi parsial.

Tabel 15.9 Karakteristik Beberapa Rotasi Faktor

memuat tinggi pada satu faktor dan hampir

Solusi Ortogonal Quartimax nol pada yang lain; menyederhanakan baris
dari matriks faktor

Adapun quartimax, tetapi menyederhanakan

Varimax
kolom dari matriks faktor

Mencari solusi kompromi, menyederhanakan

Equimax
baik baris maupun kolom
 Faktor diperbolehkan untuk dikorelasikan jika
Solusi Miring
korelasi ada dalam data asli

Sampai saat ini sebagian besar ahli geografi telah menggunakan solusi rotasi ortogonal
dalam analisis faktor. Ini sebagian karena ketersediaan yang luas dari rotasi semacam itu dalam
program paket awal, dan sebagian karena fakta bahwa solusi semacam itu sering kali sulit untuk
ditafsirkan. Rotasi ortogonal didasarkan pada asumsi bahwa faktor-faktor tersebut tidak
berhubungan, dan idealnya adalah bahwa setiap variabel memiliki pembebanan faktor sebesar
+1.0 pada satu faktor, dan nol pada semua faktor lainnya. Rotasi ortogonal yang paling banyak
digunakan adalah varimax; meskipun paket SPSS juga menawarkan solusi quaartimax dan
equimax (lihat Tabel 15.9). Di sini kita hanya akan mempertimbangkan teknik varimax, yang
didasarkan pada penyederhanaan kolom dari matriks faktor, sehingga memaksimalkan jumlah
varians dari beban kuadrat di setiap kolom; maka nama varimax. Logika solusi varimax
diilustrasikan secara grafis pada Gambar 15.6(b), yang menunjukkan bagaimana rotasi ortogonal
faktor dapat mengidentifikasi pengelompokan variabel. Dengan demikian, pergerakan faktor 1
menyoroti pengelompokan variabel 1-8, yang sekarang tampaknya memuat lebih kuat pada
faktor yang diputar 1. Dibandingkan dengan solusi miring, matriks faktor yang dihasilkan dari
rotasi varimax berisi matriks pola dan struktur sebagai satu set data. Dengan demikian, nilai
dalam matriks faktor yang dirotasi mewakili bobot regresi dan koefisien korelasi yang setara.
 Kita tidak perlu terlalu memperhatikan latar belakang matematika dari teknik-teknik ini,
tetapi lebih fokus pada bagaimana mereka dapat membantu dalam penyediaan faktor-faktor yang
lebih jelas. Kegunaan rotasi tersebut dapat dilihat dengan menerapkan solusi varimax untuk
analisis karakteristik cekungan drainase. Pembebanan faktor menggunakan rotasi varimax
disajikan pada Tabel 15.10, di mana dapat dilihat bahwa pola variabel yang sedikit lebih jelas
dapat ditemukan.

Pilihan apakah akan memutar faktor, dan jika demikian apakah akan menggunakan solusi
miring atau ortogonal, dapat dilihat dalam dua cara. Pertama, kita dapat mempertimbangkan
keputusan seperti proses induktif berdasarkan ide atau hipotesis bahwa beberapa pola variabel
yang berbeda memang ada dan bahwa ini dapat ditingkatkan dengan memutar faktor. Di bawah
jenis pendekatan ini, solusi dari rotasi faktor tertentu mungkin didasarkan pada pendekatan coba-
coba. Sayangnya, dalam literatur statistik tidak ada pedoman berharga yang tersedia untuk
memberi saran kepada ahli geografi tentang solusi mana yang terbaik, meskipun seperti yang
telah kami tunjukkan, solusi ortogonal terus mendapat perhatian paling besar. Bagaimana kita
tahu ketika kita telah menemukan rotasi 'ideal'? Menurut Harman (1967) kondisi seperti itu
dicapai bila dalam istilah geometrik (1) sebagian besar titik terletak dekat dengan sumbu faktor,
dan (2) hanya sejumlah kecil titik yang terletak agak jauh dari sumbu faktor (lihat Gambar
15.6( a) dan (b)).
 Tabel 15.10 Faktor Pembebanan Untuk Studi Cekungan Drainase (Rotasi Varimax)

Variabel Faktor 1 Faktor 2 Faktor 3

MSL 0,06489 0,74123 0,15648

DVF -0,16408 -0,28038 -0,72684

SI085 0,40250 -0,13413 0,08463

STMERQ 0,60867 -0,01272 -0,44937

SAAR 0,94473 0,00353 0,11990

M52D 0,86874 0,01634 0,11568

SMDBAR -0,83658 -0,26123 -0,15639

TANAH 0,15652 -0,11297 0,77791

PERKOTAAN 0,16756 0,09803 0,04499

LIBURAN 0,95407 0,04683 0,15443

ROPERC 0,86762 0,25034 0,21642

MAXELE 0,67329 0,33099 0,16307

DRAREA 0,13526 0,83471 -0,00565

Proses induktif di atas juga disebut 'rotasi pengecekan hipotesis' oleh beberapa analis
faktor, dan ini kontras dengan pendekatan kedua 'penciptaan hipotesis' atau solusi deduktif
(Cattell, 1978). Dalam kondisi seperti itu kami akan berhipotesis bahwa kelompok variabel
tertentu harus ada karena sifat penelitian kami. Ini juga dikenal sebagai rotasi 'target', karena kita
memutar faktor agar sesuai dengan pola variabel yang dihipotesiskan atau 'target'. Ada dua rotasi
dasar yang digunakan dalam keadaan seperti itu: satu adalah solusi promaks miring dan yang
lainnya disebut analisis faktor kelompok ganda (Timms, 1971; Johnston, 1978). Solusi 'target'
seperti itu jelas hanya berguna jika kita memiliki latar belakang yang cukup untuk menarik dari
studi sebelumnya.

Dalam geografi satu area di mana kondisi seperti itu ada adalah dalam analisis struktur
sosial perkotaan. Baik dari latar belakang teoretis, yang diprakarsai oleh karya awal Shevky dan
Bell (1955), dan dari sejumlah besar ekologi faktorial yang dilakukan, adalah mungkin untuk
mempertimbangkan pendekatan 'target' untuk rotasi dalam bidang penelitian ini (Berry dan
Kasarda). , 1977). Dengan demikian, dalam studi wilayah sosial perkotaan kita dapat
berhipotesis bahwa tiga dimensi sosial dasar atau kelompok variabel harus muncul. Di Amerika
Utara ini kemungkinan besar adalah status ekonomi, status keluarga dan status etnis; sementara
di Inggris kami dapat mengidentifikasi kepemilikan perumahan, status sosial ekonomi dan faktor
mobilitas (Knox, 1982). Mengingat latar belakang ini, kita kemudian dapat memutuskan jumlah
faktor yang akan diekstraksi, dalam hal ini tiga; dan kemudian memutar faktor ke pola yang
diperlukan. Namun, karena kurangnya kerangka teoretis yang mapan di banyak bidang geografi,
pendekatan penciptaan hipotesis seperti itu sangat jarang diterapkan.

15.7. PENGGUNAAN SKOR FAKTOR

Salah satu bagian penting dari keluaran dari analisis faktor adalah matriks skor faktor,
yang memberikan ukuran hubungan antara setiap pengamatan dan faktor-faktor baru. Seperti
yang akan kita lihat, ini terbukti sangat berguna bagi para ahli geografi dalam analisis pola
spasial. Skor ini adalah nilai untuk setiap pengamatan pada variabel baru, dan karena itu mereka
mencerminkan sampai batas tertentu hubungan mereka dengan variabel asli, dan kontribusi yang
dibuat setiap variabel baru untuk varians mereka. Jadi, jika suatu pengamatan memiliki nilai
besar pada variabel asli, yang pada gilirannya sangat dimuat pada faktor baru, maka itu akan
memiliki skor tinggi untuk faktor tertentu

Sebenarnya, dalam istilah statistik, hanya skor dari analisis komponen utama yang dapat
langsung dihitung, karena mengasumsikan varians umum (sco-Gambar 15.1). Skor untuk analisis
faktor hanya dapat diperkirakan jika model menyediakan varians umum dan unik (lihat Bagian
15.1). Namun, karena preferensi luas untuk analisis faktor, skor faktor sering digunakan oleh ahli
geografi; akibatnya banyak program paket seperti SPSS menyediakan data ini. Masalah yang
terkait dengan penggunaan dan interpretasi skor faktor yang diestimasi, terutama ketika solusi
faktor kompleks terlibat sepenuhnya dibahas oleh Joshi (1972). Salah satu cara untuk mengatasi
masalah estimasi skor dari analisis faktor adalah dengan menggunakan "analisis faktor citra.
Teknik ini memecah data dalam bentuk varians umum dan unik, yang nilainya dapat
diperkirakan dengan menggunakan regresi berganda. Nilai residu dari analisis regresi kemudian
diambil sebagai bagian unik dari varians, sedangkan skor faktor dihitung dari varians umum dari
faktor-faktor tersebut (Rees, 1972)

Skor faktor dapat digunakan dengan dua cara: dapat diplot dan disajikan dalam ruang
faktor atau dipetakan dalam ruang geografis. Tidak mengherankan jika para ahli geografi paling
banyak menggunakan jenis presentasi kedua, terutama dalam studi pola sosial perkotaan. Metode
sebelumnya hanya melibatkan memplot pengamatan relatif terhadap sumbu faktor, seperti yang
dilakukan pada Gambar 15.6 untuk variabel asli. Pendekatan ini paling berguna untuk memeriksa
pengelompokan pengamatan individu, dan dapat digunakan untuk mengklasifikasikan atau
mengelompokkan kasus atau area tertentu bersama-sama berdasarkan hubungannya dengan
masing-masing faktor. Pentingnya prosedur pengelompokan ini dapat diilustrasikan dengan
mengacu pada contoh cekungan drainase kami. Dengan demikian, setiap daerah aliran sungai
dapat dialokasikan ke faktor tertentu dengan menggunakan skor faktor. Dengan cara ini
cekungan yang secara statistik serupa dapat diidentifikasi dengan mengacu pada skor mereka
pada masing-masing dari tiga faktor. Kami bahkan mungkin melangkah lebih jauh dengan
menghasilkan peta untuk masing-masing faktor. Hal ini tidak dilakukan di sini, tetapi dapat
dilakukan untuk sampel cekungan yang lebih besar untuk membantu mengidentifikasi tren
spasial. Dalam contoh kami sekarang & pemeriksaan sederhana dari skor faktor akan cukup
(Tabel 15.11) Dari sini kami menemukan bahwa cekungan drainase 9 dan 10 (sungai Deddon
dan Derwent, keduanya berada di Lake District, Gambar 15.3), mendapat skor tinggi pada faktor
1 yang merupakan faktor hidrologi. Hal ini mungkin mencerminkan kontrol yang diperkirakan
oleh curah hujan yang tinggi di daerah ini dan kondisi umum dasar Drainase yang dinilai di
ujung lain dari faktor 1, sungai Stour dan Blackwater (nomor 5 dan 6), keduanya jika di East
England, di mana curah hujan di dataran rendah dan lingkungan hidrologis mempengaruhi
dinamika yang ada.
 Faktor 2 (ukuran hasin) memilih daerah drainase 1 dan 4, yaitu sungai Ty dan Twend, ini
adalah dasar yang sah di mana ukuran atau luasnya coorus cher behar Dari Tabel 5,11 kita
mungkin juga memperhatikan betapa buruknya dua yang terakhir jika terbelah pada faktor I.
Bahwa basis kecil Duddon dan Derwent sekarang mendapat skor negatif. Faktor 2 juga konsisten
dengan karakter faktor ini. Itu adalah satu lagi cekungan 1, bersama dengan 2 dan 3, yang
skornya menuju positif dan faktor tiga. Bazin 2 dan 3 masing-masing adalah wear dan tees; oleh
karena itu ketiga cekungan terikat di ne england, di mana kita harus mengasumsikan bahwa
karakteristik tanah dan porositas berkontribusi signifikan terhadap perilakunya. Jelas, penerapan
analisis faktor dapat membuka jalan menuju klasifikasi berdasarkan sejumlah kecil faktor yang
didefinisikan secara statistik, daripada sejumlah besar variabel individu.

Tabel 15.11 Skor Faktor Untuk Contoh Cekungan Drainase

Cekungan
Faktor 1 Faktor 2 Faktor 3
Drainase

1 -0.4652 0.7332 1.3254

2 -0.8055 0.1221 0.8080
3 -0.0925 0.0275 0.7947
4 -0.0411 1.0271 0.2875
5 -1.3708 -0.3121 0.4511
6 -1.2857 -0.6534 0.4392
7 -1.4121 -0.6776 0.2604
8 0.8191 0.1640 0.7443
9 1.4734 -0.8152 0.5916
10 1.8218 -1.0049 0.1645

Di sisa bagian ini perhatian akan difokuskan pada pentingnya pemetaan skor faktor,
dengan mengacu pada contoh kita sebelumnya tentang struktur sosial Exeter abad kesembilan
belas. Dengan cara yang sama bahwa kota-kota kontemporer telah diteliti dalam hal pola
sosialnya, menggunakan analisis faktor, demikian pula kota abad kesembilan belas. Alasan di
balik jenis analisis faktorial ini didasarkan pada perubahan sifat struktur sosial dan ruang sosio-
geografis seiring dengan perkembangan kota (Timms, 1971; Carter dan Wheatley, 1982).
Selanjutnya, didorong oleh karya Lawton dan Pooley (1975) sejumlah ahli geografi sejarah telah
melakukan analisis faktor kota-kota abad kesembilan belas (Johnson dan Pooley, 1982).
Pekerjaan semacam itu telah memberikan latar belakang yang cukup baik dan dalam konteks
penelitian inilah contoh kita dari Exter harus dilihat.

Data diekstraksi dari sampel 10 persen dari hasil sensus 1871 (Schofield, 1972), dan kami
telah memeriksa karakter dari tiga faktor utama yang akan diekstraksi dari penelitian (lihat Tabel
15.8). Dengan menggunakan skor faktor, kita dapat memeriksa ekspresi spasial dari dimensi atau
faktor sosial dan ekonomi ini, dalam upaya untuk menggambarkan dan memahami struktur
Exeter abad kesembilan belas. Untuk menghemat ruang, karena kami hanya tertarik pada
penggunaan skor faktor, hanya skor untuk faktor 1 yang akan dipetakan. Faktor pertama ini
berkaitan dengan komposisi keluarga dan struktur usia, dan juga memiliki hubungan yang kuat
dengan variabel yang mengukur status migran dan status ekonomi. Akibatnya, daerah-daerah di
kota yang mendapat skor tinggi pada faktor ini dicirikan oleh dominasi kaum muda, dewasa
lajang, penduduk kelahiran non-lokal dan sosial lebih tinggi dari rata-rata status. Pola apatial
yang khas sulit untuk dibedakan, tetapi skor tinggi pada faktor I mencakup bagian kota lama,
serta daerah pinggiran kota baru (Gambar 15.7 Lebih lanjut petieme nocid jelas dapat dilihat
kembali dengan memeriksa peta skor untuk dua lainnya. faktor dan mungkin juga dengan
menggunakan sub-area yang lebih kecil, pentingnya yang dibahas dalam bagian 15.8.

Gambar 15.7 Map Of Facto ‘Score’

15.8 MASALAH PADA APLIKASI ANALISIS FAKTOR

 Seperti kebanyakan teknik statistik multivariat lainnya yang diterapkan pada
protein geografis, analisis faktor telah menarik banyak kritik. Seperti yang telah kita lihat
di antara ahli statistik, analisis faktor sering diabaikan sebagai cara rumit untuk melakukan
sesuatu yang hanya bisa kasar, yaitu memilih kelompok variabel yang saling terkait (s.
1977). Dalam perdebatan ini orang-orang seperti itu menyukai kejelasan matematis dari
komponen-komponen utama. Namun, melawan kritik ok adalah pekerjaan analis pro-
faktor, yang karyanya terutama berakar dalam ilmu-ilmu sosial (Catel, 1978) Bagi orang-
orang ini keuntungan dari analisis faktor adalah adalah asumsi yang lebih realistis, dan
karena argumen-argumen itulah para ahli geografi mendukung pendekatan faktor.

Perdebatan antara analis pro dan anti-faktor ini telah mendorong beberapa ahli
geografi untuk mempertanyakan ketepatan teknik faktor (Clark er al., 1974). Dari diskusi
ini muncul dua isu utama. Yang pertama menyangkut bagaimana analisis faktor harus
digunakan oleh ahli geografi, masalah yang sebagian besar diciptakan oleh fleksibilitas
teknik. Fleksibilitas yang terkadang mendorong orang untuk menggunakan teknik ini tetapi
tanpa alasan yang jelas untuk melakukannya. Namun, dalam istilah dasar, kita dapat
mengatakan bahwa ahli geografi telah menggunakan analisis faktor dan komponen untuk
(1) mencoba membuat beberapa urutan ke dalam kelompok besar variabel, sebagai
perangkat deskriptif, (2) mengeksplorasi konstruksi hipotetis dan mengukur dimensi terkait
dalam set variabel, dan (3) menganalisis beban faktor pola, yang mungkin terkait dengan
analisis dimensi faktor. Penggunaan analisis faktor untuk tugas-tugas khusus ini sayangnya
lebih rumit dengan realisasi fakta bahwa ada berbagai macam teknik faktor (Johnston,
1978). Kesadaran akan teknik-teknik baru ini menimbulkan pertanyaan tentang mana yang
harus diterapkan pada masalah-masalah khusus, karena banyak yang menghasilkan hasil
yang sangat berbeda. Situasi yang membingungkan seperti itu kemungkinan akan berlanjut
sampai ahli geografi sepenuhnya mengeksplorasi keuntungan dan Simulasi dari model
faktor yang berbeda.

Terlepas dari masalah yang terkait dengan ketepatan teknik faktor, perhatian juga
harus diberikan pada masalah interpretasi, dan khususnya masalah interpretasi berlebihan.
Salah satu cara di mana masalah ini muncul berasal dari fakta bahwa beban faktor (yang
dengannya faktor-faktor tersebut ditafsirkan) adalah akar kuadrat dari proporsi variasi
standar dalam suatu variabel yang dapat diperhitungkan oleh faktor tersebut. Oleh karena
itu, korelasi sering kali tidak sesubstantif yang ditunjukkan oleh ukuran numeriknya.
Misalnya, pemuatan faktor (atau koefisien korelasi dari matriks korelasi) sebesar 10,65
menunjukkan hanya 42 persen persetujuan dalam distribusi bivariat dari dua item yang
terkait. Hal ini menyebabkan bahaya dalam mengidentifikasi suatu faktor, misalnya, oleh
dua variabel yang dengan sendirinya hanya sedikit terkait. Seperti yang diamati Meyer
(1971), semakin kecil korelasi yang menjadi dasar prosedur pemfaktoran, semakin besar
kemungkinan interpretasi yang berlebihan, bahkan meskipun beban yang tampaknya
tinggi.

Bagian dari masalah over-interpretasi, Johnston (1976) percaya, berasal dari

masalah tujuan yang tidak tepat. Mungkin juga, sebagai akibat dari penggunaan ortogonal
metode rotasi dan kegagalan untuk mendekati solusi ideal (ketika semua pembebanan baik
± 0,0 atau ± 1,0), diturunkan secara teknis. Pemilihan variabel dapat menyebabkan masalah
interpretasi yang berlebihan ketika perkiraan skor faktor terjadi. Skor dihasilkan dengan
mengalikan beban standar asli; dimana solusi faktor tidak mendekati solusi ideal, ada
kemungkinan bahwa skor faktor yang sama dapat diturunkan dari banyak kombinasi nilai
tinggi dan rendah untuk variabel individu Joshi (1972), dalam studi Katmundu,
menemukan bahwa beberapa variabel yang lebih kecil adalah memiliki pengaruh yang
lebih besar pada pola skor daripada pola skor yang 'lebih penting' yang dengannya dimensi
status sosial ekonominya diidentifikasi. Joshi kemudian menyarankan bahwa beban kecil
yang merepotkan harus dihilangkan sebelum menghitung skor; tetapi karena ini
memerlukan beberapa penilaian oleh analis mungkin terbukti sulit. Atau, Schmid dan
Tagashira menyarankan (1965) bahwa kami mencoba untuk bergerak lebih dekat ke
struktur sederhana (yaitu, solusi ideal) dengan menghilangkan variabel dari analisis kami,
mungkin mengikuti pemeriksaan stabilitas umum dari hasil. Masalah di atas sangat penting
karena penggunaan matriks faktor dalam studi bidang sosial.

Masalah lain dalam penggunaan metode faktorial di daerah perkotaan diakibatkan

oleh ketidaksesuaian antara distrik pencacahan (satuan yang biasa dalam studi Inggris) dan
kelompok sosial. Ini mungkin, karena lokasi perbatasan yang tidak menguntungkan,
memperkenalkan heterogenitas internal palsu ke dalam area. Lebih penting lagi, itu bisa
membiaskan korelasi yang menjadi dasar ekologi faktorial. Sampai batas tertentu contoh
kita tentang struktur sosial Exeter pada tahun 1871 mengalami masalah batas ini, di mana
kita berurusan dalam beberapa kasus dengan wilayah sensus yang cukup besar, yang berisi
berbagai kelompok sosial. Dalam hal ekologi faktorial daerah perkotaan, masalah-masalah
seperti itulah yang berkontribusi pada menurunnya penggunaan metode faktor, digantikan
oleh pendekatan yang kurang mekanistik (Herbert dan Thomas. 1982).

Namun demikian, terlepas dari masalah dan perubahan pentingnya di banyak

bidang penyelidikan geografis, analisis faktor masih tetap menjadi teknik yang berguna.
Fleksibilitas dan keragamannya, dengan penelitian lebih lanjut, merupakan alasan kuat
mengapa ahli geografi akan terus menerapkannya pada berbagai jenis masalah.

DAFTAR PUSTAKA