Factor Analysis
- ผู้เสนอ
- Louis Leon Thurstone
- ปี
- 1931
- ประเภท
- Method
- กลุ่มวิธี
- dimension-reduction
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์องค์ประกอบ (factor analysis) เป็นเทคนิคทางสถิติสำหรับระบุมิติแฝง (ที่สังเกตไม่ได้) ที่อยู่เบื้องหลังตัวแปรที่สังเกตได้ พัฒนาโดย Louis Leon Thurstone ในทศวรรษ 1930 และจัดเป็นทางการโดย Jöreskog (1969) การวิเคราะห์องค์ประกอบเชิงสำรวจ (exploratory factor analysis: EFA) ค้นหาโครงสร้างองค์ประกอบที่ไม่ทราบมาก่อนจากข้อมูล ส่วนการวิเคราะห์องค์ประกอบเชิงยืนยัน (confirmatory factor analysis: CFA) ทดสอบความสัมพันธ์ตามสมมติฐานระหว่างตัวแปรที่สังเกตได้กับตัวแปรแฝง เป็นเครื่องมือจำเป็นในจิตมาตรวิทยา (การพัฒนาแบบทดสอบ) งานวิจัยเชิงองค์การ (การวัดโครงสร้าง เช่น รูปแบบภาวะผู้นำ) และชีวการแพทย์ (การระบุชนิดย่อยของโรค) การวิเคราะห์องค์ประกอบลดมิติของข้อมูลพร้อมเผยการจัดระเบียบเชิงแนวคิดในข้อมูลหลายตัวแปร
แนวคิดเบื้องหลังวิธีการ
ตัวแปรที่สังเกตได้ (ข้อคำถามในแบบสอบถาม ค่าที่วัดได้) มักเป็นการแสดงออกของโครงสร้างแฝงที่อยู่เบื้องหลัง (ความฉลาด ความรุนแรงของภาวะซึมเศร้า บรรยากาศองค์การ) ซึ่งวัดโดยตรงไม่ได้ การวิเคราะห์องค์ประกอบสมมติว่าสหสัมพันธ์ระหว่างตัวแปรที่สังเกตได้สะท้อนองค์ประกอบแฝงร่วม ในทางคณิตศาสตร์ แยกเมทริกซ์สหสัมพันธ์เป็นความแปรปรวนร่วม (อธิบายโดยองค์ประกอบ) และความแปรปรวนเฉพาะ (ความคลาดเคลื่อนและผลเฉพาะของข้อคำถาม) การวิเคราะห์องค์ประกอบเชิงสำรวจถามว่า โครงสร้างแฝงแบบใดอธิบายสหสัมพันธ์เหล่านี้ได้ดีที่สุด ส่วนการวิเคราะห์องค์ประกอบเชิงยืนยันถามว่า โครงสร้างที่เสนอตามทฤษฎีสอดคล้องกับข้อมูลหรือไม่ ทำให้นักวิจัยวัดแนวคิดเชิงนามธรรม ตรวจสอบความตรงของเครื่องมือประเมิน และเข้าใจการจัดระเบียบเชิงมิติในชุดข้อมูลที่ซับซ้อน
ประวัติศาสตร์
Charles Spearman (1904) นำเสนอการวิเคราะห์องค์ประกอบเพื่ออธิบายสหสัมพันธ์เชิงบวกระหว่างความสามารถทางสติปัญญา (ความฉลาดทั่วไป 'g') Louis Leon Thurstone (1931) ขยายไปสู่หลายองค์ประกอบและพัฒนาวิธีหมุนแกน (centroid, principal axes) การวิเคราะห์องค์ประกอบเชิงยืนยันและแบบจำลองสมการโครงสร้างของ Karl Jöreskog (1969) ปฏิวัติการทดสอบสมมติฐานในแบบจำลองตัวแปรแฝง เกณฑ์ของ Kaiser (Kaiser, 1960) ทำให้การสกัดองค์ประกอบด้วยค่าไอเกนเป็นมาตรฐาน พัฒนาการสมัยใหม่รวมถึงทฤษฎีการตอบสนองข้อสอบ (Rasch, 1960) วิธีการประมาณค่าแบบทนทาน (การประมาณแบบไม่ขึ้นกับการแจกแจง) และการวิเคราะห์องค์ประกอบหลายกลุ่ม/หลายระดับเพื่อเปรียบเทียบโครงสร้างข้ามประชากรหรือข้อมูลที่ซ้อนกัน
ควรใช้เมื่อใด
ใช้ EFA เมื่อสำรวจโครงสร้างเชิงมิติของโครงสร้างการวัดใหม่ ปรับปรุงมาตรวัด หรือทำความเข้าใจความสัมพันธ์ระหว่างตัวแปรที่สังเกตได้โดยไม่มีทฤษฎีล่วงหน้า การประเมินทางจิตวิทยา: การเลือกข้อคำถามสำหรับการคัดกรองภาวะซึมเศร้าฉบับใหม่ มาตรวัดการประเมินภาวะผู้นำ ชีวการแพทย์: ระบุชนิดย่อยของโรคจากสหสัมพันธ์ของอาการ ใช้ CFA เมื่อตรวจสอบความตรงของมาตรวัดที่พัฒนาไว้ก่อนหน้า ทดสอบแบบจำลองการวัดเชิงทฤษฎี หรือเปรียบเทียบโครงสร้างองค์ประกอบที่แข่งขันกัน พบบ่อยในจิตวิทยา: ยืนยันแบบจำลองมิติเดียวเทียบกับหลายมิติของโครงสร้าง ใช้ CFA เป็นส่วนแบบจำลองการวัดของแบบจำลองสมการโครงสร้างที่ใหญ่กว่าซึ่งเชื่อมตัวแปรแฝงกับผลลัพธ์ด้วย
ข้อจำกัดและข้อควรพิจารณา
- ผล EFA ขึ้นกับกลุ่มตัวอย่าง โครงสร้างองค์ประกอบอาจไม่ซ้ำเดิมในกลุ่มตัวอย่างใหม่ ควรตรวจสอบไขว้ผลการค้นพบเสมอ หรือใช้การวิเคราะห์องค์ประกอบเชิงยืนยันกับกลุ่มตัวอย่างอิสระ
- สมมติความสัมพันธ์เชิงเส้นระหว่างตัวแปรกับองค์ประกอบ ผลแบบไม่เป็นเชิงเส้นหรือผลเกณฑ์ตัดตรวจไม่พบ
- การตีความเป็นอัตวิสัย: โครงสร้างค่าไอเกนและการหมุนแกนที่คล้ายกันอาจให้การตีความต่างกัน คำตอบหลายแบบอาจสอดคล้องกับข้อมูลได้ดีพอกัน
- ต้องใช้กลุ่มตัวอย่างขนาดใหญ่เพื่อให้ค่าประมาณเสถียร: กฎทั่วไป n > 5 × จำนวนตัวแปร กลุ่มตัวอย่างขนาดเล็ก (n < 100) ให้องค์ประกอบที่ไม่เสถียรและทำซ้ำไม่ได้
- CFA สมมติว่าแบบจำลองการวัดถูกต้องล่วงหน้า หากโครงสร้างจริงต่างออกไป ดัชนีความสอดคล้องอาจตรวจไม่พบการกำหนดแบบจำลองผิดพลาด (ค่าต่ำสุดเฉพาะที่ แบบจำลองที่เทียบเท่ากัน)
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ลดมิติ: ตัวแปรที่สังเกตได้จำนวนมากถูกบีบอัดเป็นองค์ประกอบแฝงที่ตีความได้จำนวนน้อยลง ทำให้การวิเคราะห์และการสื่อสารง่ายขึ้น
- เผยโครงสร้างแฝง: ช่วยวัดแนวคิดเชิงนามธรรม (ความฉลาด บุคลิกภาพ วัฒนธรรมองค์การ) ที่สังเกตโดยตรงไม่ได้
- รากฐานทางสถิติสำหรับการพัฒนาแบบทดสอบ: สนับสนุนหลักฐานความตรงของการประเมินทางจิตวิทยาและการศึกษา CFA ตรวจสอบความตรงของแบบจำลองการวัดอย่างเป็นทางการ
- ยืดหยุ่น: รองรับข้อมูลทวิภาค เชิงอันดับ และต่อเนื่อง จัดการข้อมูลสูญหายด้วยภาวะความควรจะเป็นสูงสุดแบบข้อมูลเต็ม (FIML) ใน CFA
- ขยายไปสู่แบบจำลองที่ซับซ้อน: เป็นรากฐานของแบบจำลองสมการโครงสร้างที่เชื่อมตัวแปรแฝงกับผลลัพธ์ ทำให้ทดสอบการเป็นตัวแปรส่งผ่านและตัวแปรกำกับได้
การประยุกต์ใช้
- การพัฒนาแบบทดสอบทางจิตวิทยา: การสร้างและตรวจสอบความตรงของมาตรวัดทางคลินิก (ซึมเศร้า วิตกกังวล) แบบสำรวจบุคลิกภาพ (Big Five) และแบบทดสอบความสามารถทางสติปัญญา การสร้างหลักฐานความตรง
- การวิจัยเชิงองค์การ: การวัดโครงสร้าง เช่น ความพึงพอใจในงาน ความผูกพันต่อองค์การ รูปแบบภาวะผู้นำ การยืนยันธรรมชาติหลายมิติของแนวคิดที่ซับซ้อน
- การประเมินคุณภาพชีวิต: การลดข้อคำถามด้านสุขภาพจำนวนมากให้เป็นมิติที่ตีความได้ (การทำหน้าที่ทางกาย จิตใจ สังคม) เพื่อวัดผลลัพธ์
- การประเมินทางการศึกษา: การพัฒนาการประเมินหลักสูตร การสร้างความตรงของข้อสอบเข้ามหาวิทยาลัย การลดคลังข้อสอบโดยคงความครอบคลุมเชิงแนวคิด
- งานวิจัยชีวการแพทย์: การระบุลักษณะปรากฏของโรคที่แตกต่างจากสหสัมพันธ์ของอาการ/เครื่องหมายทางพันธุกรรม (endotype) การลดข้อมูลจีโนมมิติสูงให้เป็นมิติแฝงที่ตีความได้
วิธีการทำงาน
วิธีการทำงาน
ดำเนินการวิเคราะห์องค์ประกอบเชิงสำรวจหรือเชิงยืนยันโดยเก็บข้อมูลตัวแปรที่สังเกตได้หลายตัว (โดยทั่วไป >5 ตัว) จากกลุ่มตัวอย่างขนาดใหญ่เพียงพอ (กฎทั่วไป: n > 5 × จำนวนตัวแปร หรือขั้นต่ำสัมบูรณ์ n ≥ 100 โดยอุดมคติ n > 200) สำหรับ EFA: เก็บข้อมูลโดยไม่มีสมมติฐานล่วงหน้าเกี่ยวกับโครงสร้างองค์ประกอบ ตัวแปรควรมีสหสัมพันธ์กันพอสมควร (ตรวจเมทริกซ์สหสัมพันธ์ หากสหสัมพันธ์ทั้งหมด < 0.3 บ่งชี้ว่าไม่น่าจะมีองค์ประกอบ) ประเมินความเพียงพอของการสุ่มตัวอย่าง: การทดสอบ Kaiser-Meyer-Olkin (KMO) เปรียบเทียบขนาดของสหสัมพันธ์กับสหสัมพันธ์ย่อย KMO > 0.6 ยอมรับได้ > 0.7 ดี การทดสอบความเป็นทรงกลมของ Bartlett ควรมีนัยสำคัญ (p < 0.05) แสดงว่าสหสัมพันธ์ต่างจากเมทริกซ์เอกลักษณ์ สำหรับ CFA: กำหนดโครงสร้างองค์ประกอบตามสมมติฐานล่วงหน้าบนฐานทฤษฎีและงานวิจัยก่อนหน้า
สำหรับการวิเคราะห์องค์ประกอบเชิงสำรวจ: สกัดองค์ประกอบด้วยวิธี principal axis factoring (PAF) หรือภาวะความควรจะเป็นสูงสุด (ML) เกณฑ์ของ Kaiser: คงองค์ประกอบที่มีค่าไอเกนมากกว่า 1 กราฟสกรี (scree plot): พล็อตค่าไอเกนเรียงจากมากไปน้อย คงองค์ประกอบก่อนจุดหักศอก (ผลตอบแทนที่ลดลง) การวิเคราะห์แบบขนาน (parallel analysis): เปรียบเทียบค่าไอเกนกับค่าจากข้อมูลสุ่ม คงองค์ประกอบที่เกินเกณฑ์สุ่ม หมุนแกนองค์ประกอบ (varimax = แบบตั้งฉาก/ไม่สัมพันธ์กัน, oblimin = แบบเฉียง/สัมพันธ์กัน) เพื่อปรับปรุงความสามารถในการตีความและบรรลุโครงสร้างอย่างง่าย (ตัวแปรแต่ละตัวมีน้ำหนักสูงบนองค์ประกอบเดียว) รายงานค่าน้ำหนักองค์ประกอบ (สหสัมพันธ์ระหว่างตัวแปรกับองค์ประกอบ): โดยทั่วไป |ค่าน้ำหนัก| > 0.4 ถือว่าโดดเด่น ค่าน้ำหนัก > 0.7 แข็งแกร่ง คำนวณค่าคอมมูนาลิตี (communality): สัดส่วนของความแปรปรวนของตัวแปรแต่ละตัวที่อธิบายโดยองค์ประกอบ ค่าคอมมูนาลิตีต่ำ (<0.3) บ่งชี้ว่าตัวแปรนั้นเข้ากับแบบจำลองได้ไม่ดี สำหรับการวิเคราะห์องค์ประกอบเชิงยืนยัน: ประมาณแบบจำลองตามสมมติฐานด้วยซอฟต์แวร์แบบจำลองสมการโครงสร้าง (SEM) รายงานดัชนีความสอดคล้องของแบบจำลอง: CFI (Comparative Fit Index) > 0.95, TLI (Tucker-Lewis Index) > 0.95, RMSEA (Root Mean Square Error of Approximation) < 0.06, SRMR (Standardized Root Mean Square Residual) < 0.08 (Hu & Bentler, 1999)
ใน EFA ระบุองค์ประกอบแฝงโดยดูว่าตัวแปรใดมีน้ำหนักสูงบนองค์ประกอบแต่ละตัว ตีความองค์ประกอบเชิงแนวคิดตามเนื้อหาของตัวแปร เช่น หากข้อคำถามเกี่ยวกับความเศร้า ความสิ้นหวัง และการไม่รู้สึกเพลิดเพลิน (anhedonia) มีน้ำหนัก >0.6 บนองค์ประกอบเดียวกัน ให้ตั้งชื่อว่า 'ภาวะซึมเศร้า' รายงานความแปรปรวนที่อธิบายได้ของแต่ละองค์ประกอบ: ผลรวมของค่าน้ำหนักยกกำลังสองหารด้วยจำนวนตัวแปร × 100% ให้ความแปรปรวนต่อองค์ประกอบ ผลรวมข้ามองค์ประกอบบ่งชี้ความสอดคล้องโดยรวม ความเที่ยงภายในแต่ละองค์ประกอบ: คำนวณค่าสัมประสิทธิ์แอลฟาของครอนบาค (≥0.70 ยอมรับได้ ≥0.80 ดี) จากตัวแปรที่มีน้ำหนักบนองค์ประกอบนั้น ใน CFA ตรวจค่าน้ำหนักองค์ประกอบมาตรฐาน (ทั้งหมดควร > 0.4 โดยอุดมคติ > 0.6) ค่าน้ำหนักที่ไม่มีนัยสำคัญบ่งชี้ว่าข้อคำถามวัดโครงสร้างได้ไม่ดี ดัชนีความสอดคล้องของแบบจำลอง: เป็นไปตามเกณฑ์ทั้งหมด (CFI > 0.95, RMSEA < 0.06) สนับสนุนแบบจำลองที่เสนอ ดัชนีการปรับปรุงแบบจำลอง (modification indices) เสนอเส้นทางทางเลือก อย่างไรก็ตาม การปรับแบบจำลองตามข้อมูล (post-hoc) ทำให้ความตรงของแบบจำลองเสียหาย ควรใช้กลุ่มตัวอย่างสำหรับการตรวจสอบไขว้ (cross-validation) เพื่อทดสอบแบบจำลองที่ปรับแล้ว รายงานความแปรปรวนที่อธิบายโดยตัวแปรแฝงสำหรับตัวแปรที่สังเกตได้แต่ละตัว (R²)
ข้อผิดพลาดที่พบบ่อย
- EFA ที่ขับเคลื่อนด้วยข้อมูลกับกลุ่มตัวอย่างขนาดเล็ก: ฉวยโอกาสจากความบังเอิญ การทำซ้ำในกลุ่มตัวอย่างใหม่ไม่ดี ควรทำ EFA กับกลุ่มตัวอย่างเชิงสำรวจและตรวจสอบความตรงกับกลุ่มตัวอย่างที่กันไว้เสมอ
- การสกัดองค์ประกอบโดยอิงเกณฑ์ของ Kaiser (ค่าไอเกน > 1) เพียงอย่างเดียว กราฟสกรีและการวิเคราะห์แบบขนานให้แนวทางเพิ่มเติมและมักชี้ว่าควรมีองค์ประกอบน้อยกว่า
- การคงองค์ประกอบที่ตีความไม่ได้: หากองค์ประกอบใดตั้งชื่อเชิงแนวคิดไม่ได้หรือมีค่าน้ำหนักที่ไม่เกี่ยวข้องกันเชิงแนวคิด ควรพิจารณาตัดออกแทนการฝืนตีความ
- ข้อผิดพลาดในการกำหนดแบบจำลอง CFA: การกำหนดโครงสร้างองค์ประกอบไม่ถูกต้อง การละเว้นเส้นทางที่เกี่ยวข้องเชิงทฤษฎี หรือยอมให้ความคลาดเคลื่อนสัมพันธ์กันโดยไม่มีเหตุผลรองรับ ทำให้ความตรงเสียหาย
- การตีความขนาดค่าน้ำหนักองค์ประกอบผิด: ค่าน้ำหนักคือสหสัมพันธ์ ไม่ใช่สัมประสิทธิ์การถดถอย ค่าน้ำหนัก 0.5 อธิบายความแปรปรวนของตัวแปรได้เพียง 25% (R² = 0.5²)
- การใช้การหมุนแกนที่ไม่เหมาะสม: varimax (แบบตั้งฉาก) กำหนดให้องค์ประกอบไม่สัมพันธ์กัน ส่วน oblimin (แบบเฉียง) ยอมให้มีสหสัมพันธ์ ควรเลือกตามทฤษฎี การหมุนแบบตั้งฉากมักไม่สมจริง
คำถามที่พบบ่อย
การวิเคราะห์องค์ประกอบเชิงสำรวจกับเชิงยืนยันต่างกันอย่างไร?
การวิเคราะห์องค์ประกอบเชิงสำรวจ (EFA) ค้นหาโครงสร้างแฝงจากข้อมูลโดยไม่มีทฤษฎีล่วงหน้า ปล่อยให้ข้อมูลชี้ว่ามีกี่องค์ประกอบและตัวแปรใดมีน้ำหนักบนองค์ประกอบใด ใช้ EFA เมื่อศึกษาโครงสร้างหรือมาตรวัดใหม่ การวิเคราะห์องค์ประกอบเชิงยืนยัน (CFA) ทดสอบโครงสร้างองค์ประกอบตามสมมติฐานที่กำหนดก่อนการวิเคราะห์บนฐานทฤษฎีและงานวิจัยก่อนหน้า CFA ให้การทดสอบความสอดคล้องอย่างเป็นทางการและเข้มงวดกว่าทางสถิติ แนวปฏิบัติมาตรฐาน: ทำ EFA กับกลุ่มตัวอย่างฝึก (training sample) เพื่อเสนอแบบจำลอง แล้วตรวจสอบความตรงด้วย CFA กับกลุ่มตัวอย่างทดสอบอิสระ (หรือใช้การตรวจสอบไขว้) อย่าทำ EFA กับกลุ่มตัวอย่างเดียวกับที่ใช้ตรวจสอบความตรงด้วย CFA
ควรสกัดกี่องค์ประกอบ? กราฟสกรีบอกอะไร?
เกณฑ์หลายข้อชี้แนวทางการสกัดองค์ประกอบ (1) เกณฑ์ของ Kaiser (ค่าไอเกน > 1) เป็นแบบดั้งเดิมแต่มักเสนอองค์ประกอบมากเกินไป (2) กราฟสกรี: พล็อตค่าไอเกนเรียงจากมากไปน้อย คงองค์ประกอบก่อนจุดหักศอก (จุดที่ผลตอบแทนเริ่มลดลง) 'สกรี' คือความลาดหลังจุดหักศอก (3) การวิเคราะห์แบบขนาน: เปรียบเทียบค่าไอเกนเชิงประจักษ์กับค่าจากการสลับสุ่ม คงเฉพาะองค์ประกอบที่เกินเส้นฐานสุ่ม การวิเคราะห์แบบขนานเป็นวิธีที่ป้องกันข้อโต้แย้งได้ดีที่สุดทางสถิติ (4) ความสามารถในการตีความ: คงเฉพาะองค์ประกอบที่ตั้งชื่อเชิงแนวคิดและอธิบายได้ เกณฑ์ที่ต่างกันมักให้จำนวนต่างกัน ควรปรึกษาวิธีหลายแบบและทฤษฎี
ค่าน้ำหนักองค์ประกอบ 0.6 หมายความว่าอย่างไร และต่างจากสัมประสิทธิ์ความเที่ยงอย่างไร?
ค่าน้ำหนักองค์ประกอบ 0.6 คือสหสัมพันธ์ระหว่างตัวแปรที่สังเกตได้กับองค์ประกอบแฝง บ่งชี้ว่าตัวแปรนั้นมีส่วนในการวัดองค์ประกอบนั้น ค่าน้ำหนักยกกำลังสอง (0.6² = 0.36) คือสัดส่วนของความแปรปรวนของตัวแปรที่อธิบายโดยองค์ประกอบ ค่าน้ำหนัก > 0.4 ยอมรับได้ขั้นต่ำ > 0.6 แข็งแกร่ง สัมประสิทธิ์ความเที่ยง (แอลฟาของครอนบาค โดยทั่วไป ≥0.70) วัดความสอดคล้องภายใน คือระดับที่ตัวแปรหลายตัวซึ่งวัดโครงสร้างเดียวกันสัมพันธ์กัน ค่าน้ำหนักแสดงความสัมพันธ์กับองค์ประกอบแฝง ส่วนแอลฟาแสดงว่าตัวแปรร่วมกันวัดโครงสร้างเดียวได้อย่างสอดคล้องหรือไม่ ทั้งสองอย่างสำคัญ ค่าน้ำหนักสูงและแอลฟาสูงร่วมกันสนับสนุนมิติแฝงที่เป็นเนื้อเดียวกัน
จะจัดการกับตัวแปรที่มีค่าคอมมูนาลิตีต่ำอย่างไร?
ค่าคอมมูนาลิตีคือสัดส่วนของความแปรปรวนของตัวแปรที่อธิบายโดยองค์ประกอบทั้งหมด (ผลรวมของค่าน้ำหนักยกกำลังสองข้ามองค์ประกอบ) ค่าคอมมูนาลิตีต่ำ (<0.3) บ่งชี้ว่าตัวแปรถูกแทนด้วยองค์ประกอบได้ไม่ดี เพราะ (1) วัดโครงสร้างเฉพาะที่แบบจำลององค์ประกอบไม่ได้จับ (2) ไม่น่าเชื่อถือ/มีสัญญาณรบกวน หรือ (3) คำตอบองค์ประกอบไม่ถูกต้อง ทางเลือก: ตัดตัวแปรออก (ทำให้แบบจำลองง่ายขึ้นหากมีเหตุผลเชิงทฤษฎี) เพิ่มองค์ประกอบ (อาจเกิดการเข้ากับข้อมูลมากเกินไป) หรือตรวจสอบว่าตัวแปรนั้นเป็นส่วนหนึ่งของมาตรวัดจริงหรือไม่ ตรวจเนื้อหาข้อคำถามเสมอ บางครั้งค่าคอมมูนาลิตีต่ำสะท้อนข้อคำถามที่เขียนไม่ดีมากกว่าความไม่เข้ากันเชิงแนวคิด
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วJöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วKaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว