因子分析の例

ある人事部長が、人事部が求職者ごとに測定する12の変数について説明する基本的な因子を特定したいと考えています。人事部の従業員は、1（低）～10（高）のスケールを使用し、さまざまな特性について各求職者を評定します。部長は50人の求職者の評定結果を収集します。

過去の分析では、4因子がデータ変動全体の大部分を占めていると判断しました。

結果を解釈する

Minitabは、分析の変数ごとに因子負荷量を計算します。負荷量は、因子が変数にどの程度影響するかを表します。大きな負荷量（正または負）は、因子が変数に強く影響していることを示します。小さい負荷量（正または負）は、変数に対する因子の影響が弱いことを示します。

無回転の因子負荷量表は解釈しにくいです。因子回転によって負荷量構造を単純化すると、因子負荷量を解釈しやすくなります。回転因子負荷量を使用して、管理者は次のように結論付けます。

会社への適合性（0.778）、仕事への適合性（0.844）、可能性（0.645）には、因子1に大きな正の負荷量があるので、因子は、この会社における従業員適合性と成長の可能性を説明します。
容姿（0.730）、好感度（0.615）、および自信（0.743）は、因子2で大きな正の負荷量を持つため、この因子には個人資質を説明します。
コミュニケーション能力（0.802）と協調性（0.889）は、因子3で大きな正の負荷量を持つため、この因子は作業スキルを説明します。
関心表明書（0.947）と履歴書（0.789）は、因子4で大きな正の負荷量を持つため、この因子は文章力を説明します。

4つの因子全体で、データ分散の0.754（75.4%）を説明します。

相関行列の最尤因子分析法

反復	関数値	ln (独自分散) での最大変更
1	1.59123	0.00000
2	1.46511	0.60457
3	1.44098	0.21665
4	1.42962	0.34068
5	1.41848	0.48747
6	1.41058	1.03753
7	1.40438	0.11625	E
8	1.40036	0.01625	E
9	1.39884	0.00802	E
10	1.39771	0.00752	E
11	1.39687	0.00650	E
12	1.39632	0.00643	E
13	1.39586	0.00462	E

バリマックス回転