Tunnuste vahel peaks olema märkimisväärseid lineaarseid seoseid (enne korrelatsioonianalüüsiga kontrollida) Andmeid valimis vähemalt 10x rohkem mõõdetud tunnuseid (valim võiks olla hinnanguliselt vähemalt 200) Olulised protsessid: Faktorite eraldamise meetod (kõige levinum on maximum likelyhood) Faktorite pööramine – täisnurkne (orthogonal) või kaldnurkne (oblique); parandab üldist faktorite seletusvõimet, kui on rohkem kui 1 faktor. o Täisnurkne pööramine – lineaarsed kombinatsioonid on alati 90° nurga all ning see eeldab, et faktorid ei ole omavahel korreleeritud o Kaldnurkne pööramine – ei kehti eelnevad eeldused; psühholoogias peamiselt kasutatav meetod! Faktorite arvu eraldamine
Kaldnurkse pööramise puhul on faktorite-vahelised korrelatsioonid lubatud ja iga faktorit võib pöörata erineval määral. Otsus kumba pööramist eelistada, peaks tuginema eelkõige teoreetilistele kaalutlustele. Kui me eeldame, et faktorid peaksid olema üksteisest sõltumatud, tuleks eelistada ortogonaalset pööramist (nt. varimax). Kui aga teooria ütleb, et faktorid on omavahel korreleeritud, on mõistlik valida kaldnurkne pööramine (nt. direct obliminal). Scores -> Saab teha iga faktori tulemustest uue veeru enda andmetesse. Hetkel me seda võimalust ei kasuta. Tulemused: a) Kommunaliteedid - kirjeldavad faktorite algtunnuste variatiivsuse ühist osa. Suur kommunaliteet näitab, et vaadeldav tunnus sobib faktorite leidmise protsessis hästi teiste vaadeldud tunnustega kokku. Communalities
annaabi.ee 
