Download - 7. ANALISIS FAKTOR.pdf
Analisis Peubah Ganda
Analisis Faktor
LOGO
Analisis Faktor
HAZMIRA YOZZA
JUR. MATEMATIKA FMIPA UNAND
Kompetensi
Menjelaskan tujuan Analisis Faktor
Menjelaskan perbedaan Analisis Faktor dengan AKU
Company Logowww.themegallery.com
Menganalisis data dengan menggunakan analisis
faktor sampai menginterpretasikan hasil analisis faktor
Menggunakan salah satu paket program statistika untuk
menganalisis data dengan analisis faktor
Analisis Faktor : Pendahuluan
� Banyak digunakan di bidang psikologi dan ilmu-ilmu sosial
� Ide dasar dikemukan oleh Francis Galton
� Dikembangkan oleh Charles Spearman, untuk menemukan satu peubah baru (atau lebih) yang dianggap mempengaruhi berbagai kemampuan seseorang (kemampuan
Company Logowww.themegallery.com
kemampuan seseorang (kemampuan matematika, kemampuan verbal, memori, dan lain-lain). Peubah baru = faktor
Mirip dengan AKU
Kegunaan
�Mengekstrak variabel latent dari indikator atau mereduksi observable variable menjadi var baru yg jumlahnya lebih sedikit
Company Logowww.themegallery.com
AF Konfirmatori
• Didahului oleh penduga-an awal mengenai
AF Eksploratif
• Tanpa adanya dugaan awal mengenai struktur hub.
An.Faktor
Company Logowww.themegallery.com
AF-Q
Sama dg An.Ger
AF-R
Mirip dg AKU
an awal mengenai struktur hub. antar var
• Dugaan diuji
mengenai struktur hub. antar var
• Struktur hub diberikan data
Kesamaan
• Tujuan sama : menemukan peubah baru yang
banyaknya lebih sedikit dari banyaknya peubah
asal, namun dapat digunakan untuk
mendeskripsikan peubah asal
AKU : Peubah baru = Komponen Utama
Analisis Faktor Eksploratif-R vs AKU
Company Logowww.themegallery.com
AKU : Peubah baru = Komponen Utama
AF : Peubah baru = faktor
• Variable-directed technique : semua peubah
berkedudukan sama
Analisis Faktor Eksploratif-R vs AKU
Perbedaan
• AKU tidak didasarkan pada model statistika
AF didasarkan pada model statistika
• AKU lebih bertujuan menjelaskan peubah
AF lebih bertujuan untuk menjelaskan struktur
keragaman dari peubah-peubah asal.
Company Logowww.themegallery.com
keragaman dari peubah-peubah asal.
Input Data
Dilakukan pengamatan/pengukuran p peubah (X1, X2, …, Xp)
terhadap n objek pengamatan
Diperoleh data :
Objek X1 X2 … Xp
1 x x … x
Company Logowww.themegallery.com
1 x11 x21 … xp1
2 x12 x22 … xp2
3 x13 x23 … xp3
: : : :
n x1n x2n … xpn
Catatan : Input data sama dengan data AKU
Biasanya data dibakukan
Model Analisis Faktor
• Bila dimiliki peubah X1, …, Xp, diasumsikan bahwa
terdapat satu (atau lebih) peubah lain (disebut faktor)
yang berpengaruh terhadap peubah asal
• Terdapat 2 jenis faktor
1. Faktor bersama (F): berpengaruh thd semua X
2. Faktor Spesifik (ε) : berpengaruh pada satu X tertentu
Company Logowww.themegallery.com
112121111... ε++++=
mmFlFlFlX
2. Faktor Spesifik (ε) : berpengaruh pada satu X tertentu
222221212... ε++++=
mmFlFlFlX
pmpmpppFlFlFlX ε++++= ...
2211
:
ljk dinamakan loading faktor ke-k terhadap peubah asal ke-j
menunjukkan seberapa besar pengaruh faktor ke-k terhadap peubah ke-j
Model Analisis Faktor
pjFlFlFlXjmjmjjj
,...,2,1...2211
=++++= ε
Asumsi :
1. Faktor spesifik bebas terhadap faktor bersama; Cov(Fk,εj)=0
2. Faktor spesifik saling bebas sesamanya dan menyebar
menurut sebaran normal ganda.
Company Logowww.themegallery.com
menurut sebaran normal ganda.
3. Faktor bersama saling bebas sesamanya dan menyebar
menurut sebaran normal ganda dengan E(Fi) = 0 dan
Var(Fi) =1
(Akibat 2 dan 3, X1,…,Xp juga memiliki sebaran normal ganda)
Beberapa asumsi dilonggarkan
Model Analisis Faktor (dalam catatan matriks)
εLFX +=
dengan :
( )p
TXX ,...,
1=X ( )
p
Tεε ,...,
1=ε( )
m
TFF ,...,
1=F
=m
m
m
lll
lll
lll
...
...
...
33231
22221
11211
L
Company Logowww.themegallery.com
Asumsi :
1. X~MVN(0,I)
2. .
=
pmpp
m
lll
lll
...
...
21
33231
MOMM
L
Ψε =
=
pψ
ψ
ψ
L
MOMM
L
L
00
00
00
)( 2
1
Var
Model ragam Analisis Faktor
εLFX +=
ΨLL
ΨLFL
εLFX
+=
+=
+=
T
TVar )(
)()()( VarVarVar
m
∑
Dibaca Psi
Company Logowww.themegallery.com
'
1
''),( jj
m
k
kjjkjj rllXX == ∑=
Cov
j
m
k
jkj lX ψ+= ∑=1
2)(VarRagam spesifik
Komunalitas (hj); mengukur proporsi keragaman peubah Xi yang dapat
dijelaskan oleh m faktor bersama
Prosedur Analisis Faktor
Tahap 1 Tahap 2 Tahap 3
Company Logowww.themegallery.com
Penentuan
loading
faktor
Rotasi
faktorPenentuan
Skori
faktor
Tahap 1 : Penentuan loading faktor
Metode
1. Metode Komponen Utama
2. Metode Kemungkinan Maksimum → terbaik
3. Metode Faktor Utama
Company Logowww.themegallery.com
Metode Komponen Utama untuk menentukan Loading Faktor
� Sama dengan Analisis Komponen Utama
• Tentukan semua komponen utama
Y1 = a11X1 + a12 X2 +…+ a1p Xp
Y2 = a21X1 + a22 X2 +…+ a2p Xp
:
Company Logowww.themegallery.com
:
Yp = ap1X1 + ap2 X2 + …+app Xp (Cat:Data Baku)
• Pilih komponen utama
Y1 = a11X1 + a12 X2 +…+ a1p Xp
Y2 = a21X1 + a22 X2 +…+ a2p Xp
:
Yk = ak1X1 + ak2 X2 + …+akp Xp (Cat:Data Baku)
Y1 = a11X1 + a12 X2 +…+ a1p Xp
Y2 = a21X1 + a22 X2 +…+ a2p Xp
:
Yk = ak1X1 + ak2 X2 + …+akp Xp
X1 = a11Y1 + a21Y2 +…+ ak1 Yk
X = a Y + a Y +…+ a Y
Var(Yi) = λ
i &Var(F
i) = 1
Jadi, agar mjd faktor, mk
Metode Komponen Utama untuk menentukan Loading Faktor
Company Logowww.themegallery.com
X2 = a12Y1 + a22Y2 +…+ ak2 Yk
:
Xp = a1pY1 + a2pY2 + …+akp Yk
Jadi, agar mjd faktor, mk
ii
i
iFYi
YFi λ
λ=⇒=
kkpkppip
kkki
kkki
FaFaFaX
FaFaFaX
FaFaFaX
λλλ
λλλ
λλλ
+++=
+++=
+++=
L
M
L
L
22211
222221122
122121111
kkpkppip
kkki
kkki
FaFaFaX
FaFaFaX
FaFaFaX
λλλ
λλλ
λλλ
+++=
+++=
+++=
L
M
L
L
22211
222221122
122121111
kk FlFlFlX +++= L12211111
jkkjk al λ=
Metode Komponen Utama untuk menentukan Loading Faktor
Company Logowww.themegallery.com
kkpppp
kk
kk
FlFlFlX
FlFlFlX
FlFlFlX
+++=
+++=
+++=
L
M
L
L
2211
22221122
12211111
=
kkaaaL ˆˆˆˆˆˆˆ
2211λλλ L
Matriks loading faktor
Tahap 2 : Rotasi Faktor
� Interpretasi faktor dilakukan melalui loading faktor
ljk > 0.5 → Faktor ke-k berpengaruh thd peubah-j
Faktor diberi label/nama sesuai dengan peubah yang dipengaruhinya
� Sering terjadi, suatu peubah dipengaruhi oleh lebih dari 1 faktor sehingga sulit diintrepretasikan
Company Logowww.themegallery.com
dari 1 faktor sehingga sulit diintrepretasikan
� Lakukan rotasi faktor agar faktor mudah diinterpretasikan dan struktur menjadi lebih sederhana
� L*=LT; T = matriks rotasi
Rotasi Oblique
• Menghasilkan faktor yang berkorelasi (tdk saling bebas)
• T tidak orthogonal
• Oblimin, Promax,
Rotasi Faktor
Rotasi Orthogonal
• Menghasilkan faktor yang saling bebas
• T orthogonal
• Varimax, Equimax,
Company Logowww.themegallery.com
• Oblimin, Promax, Orthoblique
• Varimax, Equimax, Quartimax
Rotasi Varimax (Normalisasi Varimax Kaiser)
Dipilih yang dapat memaksimumkan :
( ) ( ) jjkjk
m
k
p
ji
jk
p
ji
jk hccpccp
V /~
/~~1 **
1
2
2*4* =
−= ∑ ∑∑
= ==
dg
Skor Faktor
ZLLLFT 1)( −
=
SKOR FAKTOR
Company Logowww.themegallery.com
Input Data
5.935 14.2 2.265 2.27 2.91
1.523 13.1 0.597 0.75 2.62
2.599 12.7 1.237 1.11 1.72
4.009 15.2 1.649 0.81 3.02
4.687 14.7 2.312 2.50 2.22
8.044 15.6 3.641 4.51 2.36
Pop School Employ Health Home
Company Logowww.themegallery.com
8.044 15.6 3.641 4.51 2.36
2.766 13.3 1.244 1.03 1.97
6.538 17.0 2.618 2.39 1.85
6.451 12.9 3.147 5.52 2.01
3.314 12.2 1.606 2.18 1.82
3.777 13.0 2.119 2.83 1.80
1.530 13.8 0.798 0.84 4.25
2.768 13.6 1.336 1.75 2.64
6.585 14.9 2.763 1.91 3.17
Data baku
Z1 Z2 Z3 Z4 Z5
0.77656 0.13969 0.34948 0.07024 0.64167
-1.34923 -0.68771 -1.51462 -1.01286 0.23334
-0.83079 -0.98858 -0.79938 -0.75634 -1.03392
-0.15143 0.89187 -0.33894 -0.97011 0.79656
0.17524 0.51578 0.40200 0.23413 -0.32989
1.79271 1.19275 1.88725 1.66639 -0.13276
Company Logowww.themegallery.com
1.79271 1.19275 1.88725 1.66639 -0.13276
-0.75033 -0.53727 -0.79156 -0.81334 -0.68190
1.06709 2.24580 0.74398 0.15575 -0.85087
1.02517 -0.83815 1.33517 2.38608 -0.62558
-0.48629 -1.36468 -0.38700 0.00611 -0.89311
-0.26321 -0.76293 0.18631 0.46928 -0.92127
-1.34586 -0.16118 -1.28999 -0.94873 2.52847
-0.74937 -0.31162 -0.68874 -0.30030 0.26150
1.08974 0.66622 0.90603 -0.18628 1.00777
Matriks Korelasi
X1 X2 X3 X4 X5
X1 1.00000
X2 0.61019 1.00000
X3 0.97073 0.49430 1.00000
X4 0.73998 0.09539 0.84796 1.00000
Company Logowww.themegallery.com
X4 0.73998 0.09539 0.84796 1.00000
X5 -0.17196 0.18593 -0.24916 -0.35800 1.00000
MTB>Corr ‘x1’-’x5’ m2
Akar karakteristik, vektor Karakteristik dan
loading faktor
a1 a2 a3 a4 a5
Z1 -0.558359 -0.131393 0.007946 0.550553 -0.606465
Z2 -0.313283 -0.628873 -0.549031 -0.452654 0.006565
Z3 0.568258 -0.004262 0.117280 0.268116 0.769041
Z4 -0.486625 0.309561 0.454924 -0.647982 -0.201326
Z5 0.174266 -0.701006 0.691225 0.015107 0.014203
λ1 λ2 λ3 λ4 λ5
3.02890 1.29114 0.57246 0.09540 0.01211
Company Logowww.themegallery.com
3.02890 1.29114 0.57246 0.09540 0.01211
l1 l2 l3 l4 l5
Z1 -0.97175 -0.14930 0.00601 0.170047 -0.06674
Z2 -0.54523 -0.71458 -0.41540 -0.13981 0.00072
Z3 -0.98898 -0.00484 0.08874 0.082812 0.08464
Z4 -0.84691 0.35175 0.34420 -0.20014 -0.02216
Z5 0.30329 -0.79654 0.52299 0.00467 0.00156
jkkjk al λ=Catatan :
Penentuan banyak faktor&model faktor
λ1 λ2 λ3 λ4 λ5
λ 3.02890 1.29114 0.57246 0.09540 0.01211
% 0.60578 0.25823 0.11449 0.01908 0.00242
%kum 0.60578 0.86401 0.97850 0.99758 1.00000
l1 l2 l3 l4 L5
Z1 -0.97175 -0.14930 0.00601 0.170047 -0.06674
Z2 -0.54523 -0.71458 -0.41540 -0.13981 0.00072
-0.98898 -0.00484 0.08874 0.082812 0.08464
Company Logowww.themegallery.com
Z3 -0.98898 -0.00484 0.08874 0.082812 0.08464
Z4 -0.84691 0.35175 0.34420 -0.20014 -0.02216
Z5 0.30329 -0.79654 0.52299 0.00467 0.00156Perlu rotasi
121114930.097175.0 ε+−−= FFZ
221271458.054523.0 ε+−−= FFZ
321300484.098898.0 ε+−−= FFZ
421435175.084691.0 ε++−= FFZ
521579654.030329.0 ε+−= FFZ
Komunalitas dan ragam spesifik
l1 l2 hi ψi
Z1 -0.97175 -0.14930 0.966593 0.033407
Z2 -0.54523 -0.71458 0.807895 0.192105
Z3 -0.98898 -0.00484 0.978105 0.021895
Company Logowww.themegallery.com
Z4 -0.84691 0.35175 0.84098 0.15902
Z5 0.30329 -0.79654 0.726461 0.273539
Sekitar 96.66% keragaman X1 dapat dijelaskan oleh dua faktor
bersama, F1 dan F2
Analisis
Faktor
LOGO
Faktordengan MINITAB
Stat>Multivariate>Factor Analysis
Isikan nama peubahIsikan banyak faktor yang
akan dibentuk
Pilih metode pendugaan
loading faktor
Pilih metode rotasi loading
faktor
Company Logowww.themegallery.com
faktor
Pilih jika ingin
membentuk grafik scree
plot, plot 2 faktor
pertama, dll
Pilih jika ingin meng-
atur hasil analisis yg
akan ditampilkan
Pilih jika ingin agar hasil
analisis disimpan di
kolom atau matriks
Sub menu OPTION
Tentukan sumber dari
matriks
a. Langsung dr peubah
b. Dr. matriks, tuliskan
matriksnya (tdk dpt hit skor
faktor)
Pilih utk menggunakan
loading yg tlh dihit sblnya,
Company Logowww.themegallery.com
Pilih jenis matriks akan
yang digunakan sbg dasar
pembentukan faktor
Matriks covariance tdk dpt dipilih jk
menggunakan met Max.Likelihood
loading yg tlh dihit sblnya,
kmd tentukan kolom
yang memuat loading tsb
(1 kolom utk setiap faktor
yang akan dihitung)
Pilih jk tdk ada output yg
ditampilkan
Pilih jk ingin menampilkan
loading saja
Pilih jk ingin menampilkan
loading + skor faktor
Sub menu RESULT
Company Logowww.themegallery.com
Pilih jk ingin menampilkan
loading + skor faktor + iterasi
pendugaan ML
Beri tanda cek utk
mengurutkan loading
faktor
Cek dan masukkan nilainya. Loading
kurang dari nilai ini akan ditampilkan
sbg 0.
Sub menu GRAPHS
Menampilkan scree plot
Menampilkan diagram
pencar antara skor F-1dan
skor F-2
Company Logowww.themegallery.com
Menampilkan plot
loading untuk F-1 dan F2
Hasil analisis biplot
Sub menu STORAGE
Isikan kolom-kolom untuk menyimpan
loading faktor (1 kolom ~ 1 faktor)Isikan kolom-kolom
untuk menyimpan
koefisien faktor (1 kolom
1 faktor)
Isikan kolom-kolom
untuk menyimpan skor
(1 kolom 1 faktor)
Company Logowww.themegallery.com
Isikan kolom (hanya 1 kolom) untuk
menyimpan akar karakteristik
(1 kolom 1 faktor)
Isikan matriks untuk
menyimpan matriks
rotasi
Isikan matriks untuk
menyimpan sisaan
Output
Factor Analysis: Pop, School, Employ, Health, Home
Principal Component Factor Analysis of the Correlation Matrix
Unrotated Factor Loadings and Communalities
Variable Factor1 Factor2 Communality
Pop 0.972 0.149 0.967
Company Logowww.themegallery.com
Pop 0.972 0.149 0.967
School 0.545 0.715 0.808
Employ 0.989 0.005 0.978
Health 0.847 -0.352 0.841
Home -0.303 0.797 0.726
Variance 3.0289 1.2911 4.3200
% Var 0.606 0.258 0.864
Output
Rotated Factor Loadings and Communalities
Varimax Rotation
Variable Factor1 Factor2 Communality
Pop 0.979 0.085 0.967
School 0.591 0.677 0.808
Employ 0.987 -0.060 0.978
Health 0.822 -0.406 0.841
Company Logowww.themegallery.com
Health 0.822 -0.406 0.841
Home -0.251 0.815 0.726
Variance 3.0215 1.2986 4.3200
% Var 0.604 0.260 0.864
Output
Factor Score Coefficients
Variable Factor1 Factor2
Pop 0.328 0.094
School 0.216 0.541
Employ 0.326 -0.018
Health 0.261 -0.290
Company Logowww.themegallery.com
Health 0.261 -0.290
Home -0.060 0.622
Analisis
Faktor
LOGO
Faktordengan SPSS
Output
Company Logowww.themegallery.com
Company Logowww.themegallery.com
PILIHAN METODE
Principal Components Analysis;
Unweighted Least-Squares Method.
Generalized Least-Squares Method;
Maximum-Likelihood Method.
Principal Axis Factoring; Alpha; Image
Factoring.
Pilih matriks sbg dasar analisis
Company Logowww.themegallery.com
Menentukan banyaknya faktor yang
akan dibentuk
Menentukan maksimum banyak
iterasi yang akan dilakukan
Sub menu : Rotation
Untuk menentukan metode rotasi faktor
Company Logowww.themegallery.com
Sub menu : Factor Scores
Klik jika ingin
menyimpan skor
faktor sbg peubah
Pilih metode
penentuan skor
faktor
Company Logowww.themegallery.com
Klik jika ingin
menampilkan
matriks skor faktor
faktor
Pilih metode penanganan
data hilang
Pilih format tampilan
koefisien
Company Logowww.themegallery.com
koefisien
•Diurutkan
•Hanya yang lebih dari
suatu nilai tertentu saja
Output
Correlation Matrix a
1.000 .610 .971 .740 -.172
.610 1.000 .494 .095 .186
.971 .494 1.000 .848 -.249
.740 .095 .848 1.000 -.358
-.172 .186 -.249 -.358 1.000
.010 .000 .001 .278
.010 .036 .373 .262
.000 .036 .000 .195
.001 .373 .000 .104
.278 .262 .195 .104
POP
SCHOOL
EMPLOY
HEALTH
HOME
POP
SCHOOL
EMPLOY
HEALTH
HOME
Correlation
Sig. (1-tailed)
POP SCHOOL EMPLOY HEALTH HOME
Company Logowww.themegallery.com
.278 .262 .195 .104
Determinant = .003a.
Inverse of Correlation Matrix
33.661 -2.827 -36.853 6.406 -.575
-2.827 3.017 -.907 2.429 -.404
-36.853 -.907 49.714 -14.421 1.056
6.406 2.429 -14.421 8.262 .015
-.575 -.404 1.056 .015 1.244
POP
SCHOOL
EMPLOY
HEALTH
HOME
POP SCHOOL EMPLOY HEALTH HOME
Inverse of Correlation Matrix
33.661 -2.827 -36.853 6.406 -.575
-2.827 3.017 -.907 2.429 -.404
-36.853 -.907 49.714 -14.421 1.056
6.406 2.429 -14.421 8.262 .015
POP
SCHOOL
EMPLOY
HEALTH
POP SCHOOL EMPLOY HEALTH HOME
Company Logowww.themegallery.com
6.406 2.429 -14.421 8.262 .015
-.575 -.404 1.056 .015 1.244
HEALTH
HOME
KMO and Bartlett's Test
.625
62.552
10
.000
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Approx. Chi-Square
df
Sig.
Bartlett's Test of
Sphericity
Anti-image Matrices
Company Logowww.themegallery.com
Anti-image Matrices
.030 -.028 -.022 .023 -.014
-.028 .331 -.006 .097 -.107
-.022 -.006 .020 -.035 .017
.023 .097 -.035 .121 .001
-.014 -.107 .017 .001 .804
.644a -.281 -.901 .384 -.089
-.281 .644a -.074 .486 -.208
-.901 -.074 .595a -.712 .134
.384 .486 -.712 .612a .005
-.089 -.208 .134 .005 .786a
POP
SCHOOL
EMPLOY
HEALTH
HOME
POP
SCHOOL
EMPLOY
HEALTH
HOME
Anti-image Covariance
Anti-image Correlation
POP SCHOOL EMPLOY HEALTH HOME
Measures of Sampling Adequacy(MSA)a.
Communalities
1.000 .967
1.000 .808
1.000 .978
1.000 .841
1.000 .726
POP
SCHOOL
EMPLOY
HEALTH
HOME
Initial Extraction
Extraction Method: Principal Component Analysis.
Total Variance Explained
Company Logowww.themegallery.com
Total Variance Explained
3.029 60.578 60.578 3.029 60.578 60.578 3.021 60.430 60.430
1.291 25.823 86.401 1.291 25.823 86.401 1.299 25.971 86.401
.572 11.449 97.850
.095 1.908 99.758
.012 .242 100.000
Component
1
2
3
4
5
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Company Logowww.themegallery.com
Component Matrix a
.989 .005
.972 .149
.847 -.352
-.303 .797
.545 .715
EMPLOY
POP
HEALTH
HOME
SCHOOL
1 2
Component
Extraction Method: Principal Component Analysis.
2 components extracted.a.
Company Logowww.themegallery.com
Reproduced Correlations
.967b .637 .962 .770 -.176
.637 .808b .543 .210 .404
.962 .543 .978b .836 -.296
.770 .210 .836 .841b -.537
-.176 .404 -.296 -.537 .726b
-.026 .009 -.030 .004
-.026 -.048 -.115 -.218
.009 -.048 .012 .047
-.030 -.115 .012 .179
.004 -.218 .047 .179
POP
SCHOOL
EMPLOY
HEALTH
HOME
POP
SCHOOL
EMPLOY
HEALTH
HOME
Reproduced Correlation
Residual a
POP SCHOOL EMPLOY HEALTH HOME
Extraction Method: Principal Component Analysis.
Residuals are computed between observed and reproduced correlations. There are 3 (30.0%)
nonredundant residuals with absolute values greater than 0.05.
a.
Reproduced communalitiesb.
Rotated Component Matrix a
.987 -.060
.979 .085
.822 -.406
-.251 .815
.591 .677
EMPLOY
POP
HEALTH
HOME
SCHOOL
1 2
Component
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Rotation converged in 3 iterations.a.
Component Transformation Matrix
.998 -.065
.065 .998
Component
1
2
1 2
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Company Logowww.themegallery.com
Rotation converged in 3 iterations.a.
Component Score Coefficient Matrix
.328 .094
.216 .541
.326 -.018
.261 -.290
-.060 .622
POP
SCHOOL
EMPLOY
HEALTH
HOME
1 2
Component
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Component Scores.
Component Score Covariance Matrix
1.000 .000
.000 1.000
Component
1
2
1 2
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Component Scores.
LOGO
www.themegallery.com