zie -->
https://wiki.uva.nl/methodologiewinkel/index.php/Principal_Component_Analysis_(PCA)
notities hieruit =
geen vaste assumpties om een PCA (factoranalyse) uit te voeren, wel als je analyses wilt uitvoeren dan;
an adequate sample size = een voldoende grote steekproef
"Een volgend deel van de output komt de KMO en Bartlett’s test en de Anti image matrix. Bij de KMO kan gekeken worden of de steekproefgrootte goed genoeg is voor de factoranalyse. In de diagonaal van de Anti-image matrices is de KMO voor individuele variabelen te zien. Wanneer een waarde onder de 0.5 is, kan die variabele beter uit de analyse verwijderd worden. De getallen die niet op de diagonaal liggen, zijn de partiële correlaties en die moeten zo klein mogelijk zijn" (bron).
"De Kaiser-Meyer-Olkin measure of sampling adequacy (KMO) is de ratio van de gekwadrateerde correlatie tussen variabelen en de gekwadrateerde partiële correlatie tussen variabelen. Het kan berekend worden voor een individu en voor meerdere variabelen. De KMO varieert tussen 0 en 1. Wanneer de waarde dicht bij 1 ligt, is een factoranalyse geschikt en betrouwbaar. Een waarde onder de 0.5 is onacceptabel." (bron).
Voorbeeld van een beschrijving uit een methodeparagraaf
"Vervolgens is de Kaiser-Meyer-Olkin measure of sampling adequacy (KMO) gebruikt om te bepalen of de data geschikt is voor factor analyse (Field, 2009). Volgens Field (2009) is een waarde tussen .5 en .7 matig, tussen .7 en .8 is goed, tussen .8 en .9 is zeer goed en hoger dan .9 is uitmuntend." (bron)
Analyze > Dimension Reduction > Factor