 Principle component analysis is a statistical technique that is related to factor analysis and commonly confused with the factor analysis. What principal component analysis does, it tries to summarize the variables in the smaller set of weighted sums of the variables called components. It said that more data reduction technique is concerned about how can we reduce the number of variables without deleting information from the data. Se ei ymmärtää kysymyksiä, mitä indikatorit ovat ymmärtävästi, ei ymmärtävästi. Se ei ole erittäin käyttävä teknistä, jossa on ymmärtävä ymmärtävä, koska suurin komponentin analysointi on kaikki variaatteet dataa. Suurin faktoria analysointi on vain ymmärtävä ymmärtävä. Se tarkoittaa, että suurin komponentin analysointi on myös ymmärtävä, ymmärtävä ymmärtävä ymmärtävä ja estimated analysointi on vain ymmärtävä. Se ei ole erittäin käyttävä, jotta se on silti, että yaa-sivain erittäin ymmärtävä ymmärtävä, jota ymmärtää. Onnsa täysin näkökulmista, eikä se olla sivainnassa. Se ei ole erittäin erittäin erittäin heiä, se ei ole erittäin erittäin erittäin eräntävä, laajemminti, niin laajemminti on yksinkertaisesti yksinkertaisesti. Tällä hetkellä, jos ajattelemme semmoinen harman yksinkertaisesta testaamista, kun yksinkertaisesti kannattaa sanoa yksinkertaisesta dataa, ja se olisi yksinkertaisesta yksinkertaisesta problemaamista. Aaminen- ja komponentan analysointi, yksinkertaisesta yksinkertaisesta analysointi, se ei ole enää yksinkertaisesta yksinkertaisesta yksinkertais Whats in common method, even if you actually do. It's not a've substituted for a factor analysis, it's not a factor analysis technique, and it's a data summary technique instead. So why do people use principle component analysis? The reason is that when you use SPSS and you do a factor analysis from the menu, you get a dialog that looks like that, Как se oltu. when you check on the factor extraction button here it gives you different factor analysis techniques, so you can estimate the factor model in different ways. The default is to do a principal component analysis. And that's not the factor analysis technique. There are others whether you use principal axis factor in maximum likelihood or minimum residual it doesn't matter, because they all estimate the factor analysis model. Principle component analysis is not the factor analysis model, because it doesn't discover underlying dimensions, instead it summarizes the data. There are really no good reasons to use principle component analysis in social science research, because a factor analysis can be used to summarize data. So if you just want to summarize your indicators with a smaller number of summed variables, weighted sums, then factor analysis and principle component analysis will give you pretty similar solutions. If you want to assess whether underlying dimension explains the data, then factor analysis will give you the correct solution under certain assumptions principle component analysis will not. So it's a good rule never to use principle component analysis in your own research, and if you see someone using a principle component analysis or not reporting which factor analysis technique they applied and using SPSS, then it's a good idea to question the author's choices.