65565 Binary Options

10 beste Online-TV-Streaming-Dienste: die sind am besten für Sie Innerhalb der letzten Jahre war es eine neue Explosion von TV in unserem Leben. Vorher waren wir zufrieden, nach einem von den Sendern diktierten Zeitplan fernzusehen, aber die Dinge haben sich seither weiterentwickelt. Wir haben jetzt eine riesige Palette von Dienstleistungen, die uns unsere Fix der Programme und Filme jederzeit und durch eine Vielzahl von Geräten. Nicht mehr sind wir auf das Wohnzimmer beschränkt das Internet lässt uns fernsehen überall im Haus, während tragbare Media-Geräte wie Smartphones und Tablets halten uns unterhalten in Bewegung ndash einige sogar mit Downloads. Viewing Gewohnheiten havent ziemlich Schritt gehalten mit technologischen Fortschritt, so dass, obwohl die Menge an Zeit verbringen wir fernsehen wächst jedes Jahr, waren noch ein langer Weg von befreien unsere Häuser des großen TV. Mit steigender Anzahl von Diensten und der Anzahl der Möglichkeiten, auf die wir zugreifen können, wird die Zukunft des Fernsehens immer mehr verwirrt und verwirrend. Welchen Dienst vertrauen Sie, um Ihre Programme zu liefern Sie brauchen wirklich catch-up TV Sie kaufen Ihre Filme über Ihre TV-Anbieter oder sollten Sie Stream online Möchten Sie fernsehen auf einem Laptop, Telefon, Tablet oder TV Most Wichtig, wie viel sollten Sie für alles bezahlen Beantwortung dieser Fragen ist keine leichte Aufgabe, und die Dienstleister Verschrottung für die Weltherrschaft nicht helfen entweder. Von Netflix, Amazon und Hulu zu YouTube, iTunes und Google, waren hier, um durch den Jargon zu schneiden und Ihnen sagen, was einen zweiten Blick wert ist. Nun erste Blick auf die traditionellen Content-Provider wie Time Warner Cable und Comcast bieten, und was sie tun, um Schritt zu halten mit einer sich ständig weiterentwickelnden Industrie. Nun auch Bilanz ziehen, was die Fülle von Online-Diensten, Apps und neue Plattformen wie Sling TV bieten, um zu sehen, wenn sie mit den großen Kanonen konkurrieren können ndash sogar Intel kommt mit etwas bald. Während Google TV sammelt auch Tempo auf ein paar LG-TVs im Jahr 2015. Sind Sie bereit, Kabel zu töten und Schritt in die Welt der Streaming Wählen Sie Ihr Gift aus der Liste der Dienste unten. 1. Netflix Wenn youre ein Kenner von Filmen und / oder TV, theres nur ein Spiel in der Stadt ndash Netflix. Es ist, eindeutig, der größte Streaming-Service hier in den Staaten, trotz nicht immer Lagerung seiner digitalen Regale mit Must-have neue Filme und TV, sagte, das ist die Heftklammer Streamer müssen Sie besitzen, wenn Sie jemals auf das Schneiden der Schnur planen. Die meisten Smart TVs haben Netflix-Anwendungen und der Suche nach einem Streaming-Box, ohne es das Äquivalent der Suche nach einer Nadel in einem Heuhaufen ist. Die Qualität der Filme und TV wir versucht ndash meist gestreamt in Super HD ndash auf TV und auf Tabletten ist exquisit. Das Problem des Inhalts ist am dringendsten für Netflix, die neue Mitglieder 8,99 pro Monat für unbegrenzte Streaming-Gebühren, bietet aber keine Downloads. Versuchen, einen Film zu finden, den Sie wirklich sehen möchten, und das ist weniger als ein paar Jahre alt (und oft Jahrzehnte) ist schwierig, aber Netflix ist bemüht, seine Marke ndash und seinen Ruf als der Ort für gehen, wenn youre in Fernsehdramen, anstatt Filme (obwohl es Ansprüche 6.000) ndash durch das Bewirten exklusives Erscheinen wie Haus der Karten und Orange ist das neue Schwarze. House of Cards wurde Anfang 2013 auf Netflix ausgestrahlt und der CEO ist bestrebt, die Branche zu erschüttern. Viel Glück für ihn ndash die Verfügbarkeit der neuesten Inhalte ist wirklich die einzige Beschwerde, die wir über diese sonst herrlichen Service haben. Netflix läuft auf einem PC und Mac, Apple TV. Xbox One, PS4, Amazon Fire TV (und Amazon Fire TV Stick), Android-Handys und Tablets, Windows Phones, iOS-Geräte, Internet-fähige Fernseher und Blu-ray-Player und Streaming-Player von Philips. Roku und Western Digital. Dont vergessen Sie können auch Netflix eine Spin mit der 1-monatigen kostenlosen Testversion zu sehen, ob ihr Geld wert ist. 2. Amazon Prime Instant Video Amazon und Netflix, zwei Seiten einer Medaille. Normalerweise dort theres ein, theres das andere und das Sprechen ein besser als das andere ist Art von wie Sprichwort Gelee ist besser als Marmelade. Das ist nicht zu sagen theyre identisch - sie sind sicherlich nicht - aber die Unterschiede sind wenige und weit zwischen. Erstens, Prime Instant Video ist für PC und Mac, die Kindle Fire HD, iPad, Xbox One, PS4, Internet-fähige Fernseher und Blu-ray-Player, Sonys Home Cinema System, Sonys Network Media Player und unzählige andere kleinere Geräte, die werden Gehen unerwähnt. Wie Netflix hat Amazon seinen eigenen Satz ursprünglicher Reihe - Transparent, Alpha-Haus und Mozart im Dschungel unter anderem - aber, allgemein gesprochen, empfangen sie nicht die gleiche Fanfare wie ihre Netflix-gezüchteten Brüder. Die beiden großen Unterschiede zwischen den Diensten sind die Tatsache, dass der Zugang zu Prime Instant Video standardmäßig mit einem Abonnement für Amazon Prime erhältlich ist und Amazon zwei proprietäre Set-Top-Boxen, den Amazon Fire TV und Amazon Fire TV Stick hat. Die 99/39 Streamer arent die einzigen angeschlossenen Geräte mit Zugang zu Amazon offensichtlich, aber Engulfing selbst in die Amazonas-Ökosphäre erheblich verbessert Ihre Chancen, sich in Instant Video verlieben. Amazon CEO Jeff Bezos und seine Crew in Weiß verbrachte angeblich 1,6 Milliarden auf den Dienst im vergangenen Jahr, und während das ist weit mehr als jedes andere Unternehmen auf der Liste - YouTube ausgeschlossen - es fällt nur ein Haaren von der satte 3,6 Milliarden Netflix in seine eingeweicht Service im Jahr 2014. Soweit seine Kosten, wird ein Abonnement für Amazon Prime laufen Sie 99 pro Jahr - nur 3 mehr als ein Jahr Abo für Netflix, und wie Netflix, Prime Instant Video bietet auch eine 30-Tage kostenlose Testversion, so dass Sie nicht Müssen Pony bis jedes Geld, wenn Sie zum ersten Mal starten. 3. Hulu und Hulu Plus Wenn Sie uns in den 90er Jahren erzählt haben, dass ein Video-Streaming-Dienst namens Hulu der beste Weg wäre, Shows wie The Simpsons, Saturday Night Live und South Park im 21. Jahrhundert zu sehen, hätten wir gedacht, dass Y2K erfolgreich war In der Korruption des menschlichen Bewusstseins. Doch hier sind wir im Jahr 2015 und die Douglas Adams-klingenden Hulu ist in der Tat der beste Weg, um unsere Lieblings-Shows von NBC, FOX und Comedy Central zu sehen. Hulu kommt in zwei Geschmacksrichtungen: die kostenlose, ad-gestützte Hulu und mehr, aber teuer, Hulu Plus. Erstere funktioniert gut und lohnt sich die Eintrittskosten. Sicher, theres drei Minuten der Werbung alle 10 Minuten, aber seine nichts youre nicht verwendet, um aus traditionellen Kabel. Auf der Homepage finden Sie markierte Shows auf der Grundlage Ihrer früheren Besuche auf der Website sowie kuratierte Inhalte aus Hulu HQ. Dazu gehören Spiel-Trailer, neue Film-Trailer, beliebte Clips aus den letzten Wochen neue Episoden sowie ein paar thematische Playlists. Das Problem mit Hulus Freemium-Modell ist, dass es nur auf Desktops und Laptops funktioniert, wenn Sie es unterwegs über ein Smartphone, Tablet oder Gaming-Gerät zugreifen möchten, müssen Sie Pony-up 7,99 pro Monat für Hulu Plus. Nicht nur erhalten Sie Zugang zu Hulu auf jedem Gerät, aber youll erhalten auch Zugang zu volle Jahreszeiten von Shows statt der letzten vier oder fünf Episoden, sowie eine Fülle von älteren Inhalten. Das größte Problem mit Hulu ist, dass es Benutzer führen Kopf zuerst in die paywall, halten Sie von dem Inhalt youre am ehesten zu zahlen. Manche nennen dieses gute Geschäft. Manche nennen es Erpressung. Wo immer Sie auf dem Thema stehen, die Tatsache, dass Sie so viel freie Inhalte im Voraus erhalten bedeutet, dass das alte Sprichwort von Ihnen bekommen, was Sie bezahlen, gilt definitiv nicht gelten hier. 4. YouTube Fragen Sie jemanden, was sie denken, war die größte Internet-Revolution des 21. Jahrhunderts und sie wahrscheinlich sagen, es war YouTube. Und mit gutem Grund - die User-generated Video-Blogging-Website hat die Online-Landschaft für immer verändert. Es läßt jedermann, gleichwohl bekannt sie sind (oder nicht), was auch immer die Qualität ihres Inhalts und wohin sie hageln, ihre seltsamen und wundervollen videos für jedermann auf der ganzen Welt laden, um an ihrer Bequemlichkeit zu beobachten. Die Schönheit von YouTube ist, dass sie im Handumdrehen die Rundfunkmacht von den Grossen übernommen und sie direkt in unsere Hände gelegt hat. OK, so dass es vielleicht nicht aufgehört haben Menschen, die eine hochwertige, professionell produzierte Produktion in ihren Wohnzimmer-TVs sehen wollen, aber es ist ein Einblick, wie TV in Zukunft produziert werden könnte. Nach allem mit YouTube benötigen Sie nicht ein großes Budget ndash oder sogar irgendein Budget an allen ndash, um Ihre eigene Fernsehserie zu produzieren und eine massive folgenden herzustellen. YouTube können Sie auch High-Definition-Inhalte bis hin zu den mächtigen 4K zu teilen, und die Website hat sogar begonnen Experimentieren mit 3D-Anzeige. Der Service ist nicht nur gewidmet Amateur-Video-Blogger und Filmemacher entweder - es hat auch einen Abschnitt, wo Sie können TV-Clips von Shows wie Last Week Tonight mit John Oliver und The Jimmy Fallon Show, sowie eine Vielzahl von Filmen und Live-TV-Veranstaltungen . Obwohl seine in einem Nachteil in Bezug auf die Menge der relevanten Inhalte, die sie über diese Kanäle bieten kann, ist YouTubes Key-Stärke seine Fähigkeit, etwas, das Sie interessiert, um schnell und einfach interessiert zu finden. Wenn YouTubes begrenzt TV-Auswahl nicht bieten, was youre suchen, sind die Chancen youll in der Lage sein, es anderswo auf der Website zu finden - schließlich seine Benutzer hochladen atemberaubende acht Jahre Wert des Inhalts jeden Tag. YouTube hat universelle Anklang, und seine keine Überraschung, dass Sie auf seine Video-Sharing-Ressource fast überall zugreifen können, egal, was das Gerät youre verwenden. Es gibt Anwendungen für fast jedes mobile Gerät, Media-Player und Smart-TV, aber die einzigartige Sache über YouTube ist die Art und Weise, wie sein Inhalt von Benutzern gemeinsam genutzt wird. Die Website ist ein soziales Kraftwerk, mit rund 17 Millionen Menschen teilen ihre Videos mit einem begleitenden sozialen Netzwerk wie Facebook oder Twitter. Obgleich es wie eine Entschuldigung für eine deiner Freunde klingt, Sie mit noch einem anderen Video eines Hundes zu belästigen, der durch eine Katze oder einen Tanzenpapagei geschlagen wird, ist das Gefühl wichtig: wenn alle die Programme teilten, die sie Phasen oder über Fang - Up mit ihren Online-Mitarbeiter, ihre Betrachtung Zahlen würde zweifellos dramatisch zu erhöhen. Die neuesten HTML5-Versionen von YouTube-Apps auf allen Geräten ermöglichen das sichere Durchsuchen von Videos auf einem Gerät (z. B. einem Smartphone oder Tablet), fügen Sie es in die spätere Liste Ihrer Uhr und die sofort verfügbaren auf einem anderen Gerät (einschließlich einer intelligenten TV-YouTube-App, Die YouTube-App auf einer TiVo-Box, Spielekonsole, Tablet oder Smartphone). HBO Go More wie HBO-Do-Not-Pass-Go-Ohne-ein-Kabel-Abonnement, amiright Aber nein, ernst, um in die Mitglied-nur Club, dass HBO Go youre wirklich brauchen, um die Login-Informationen benötigen Von einem zahlenden Kabelteilnehmer hellip mindestens bis HBO schließlich durch mit seinem Versprechen eines eigenständigen strömenden Services durchmacht. Das heißt, Kreditaufnahme Mom und Dads Konto ist nicht das Ende der Welt, und sobald Sie alles aus der Saison 1, Folge 1 von Game of Thrones, um die neueste Episode von Silicon Valley wird bei Ihrer Binge-watching Verfügung zu tun. Neben den neuen Shows findet man auch Haufen von großen Budgetfilmen, neu und alt, und den Stall von HBO-Klassikern wie The Sopranos, Deadwood, Oz, True Blood, Sex in der City, Rom und dem Pazifik. Der Dienst bekommt nicht so viele Updates wie sagen, Netflix, Hulu oder Amazon zu tun, aber Episoden werden in der Regel innerhalb von Stunden von ihnen lüften auf Kabel hinzugefügt. HBO ist ein bisschen mehr selektiv, über welches Gerät es Schnittstellen mit Netflix und YouTube, aber so weit finden Sie es auf Amazon Fire TV, Android / iOS, Apple TV, Chromecast, Roku, PlayStation 3, Xbox 360, Xbox One und die Ganze Linie von Samsung Smart TVs. PS4s HBO Go App ist immer noch MIA im Moment, aber seine nicht unangemessen zu erwarten Next-Gen-Sony-Fans, um ihre TV-MA zu beheben später in diesem Jahr. Da der Dienst ist nicht universell verfügbar und ist völlig abhängig von mit einem Kabel-und HBO-Abonnements - oder wissen, jemand, der tut - seine schwer zu geben ihm eine Top-Bewertung. Es ist nicht, dass seine Service-Qualität sub-par (es ist nicht), aber bis die Welt kann seine HBO-Fix, ohne Beschuss für den Rest des Kabels gut nur zu sehen, Daenerys übernehmen die Iron Throne auf jemand elses dime. Aktuelle Seite: Besten TV-Streaming-Dienst - 1-5 Related newsCode ein Netzwerk-Paket Sniffer in Python für Linux Basic Sniffer Sniffers sind Programme, die erfassen / sniff / erkennen Netzwerkverkehr Paket von Paket und analysieren sie aus verschiedenen Gründen. Häufig auf dem Gebiet der Netzwerksicherheit eingesetzt. Wireshark ist ein sehr häufiger Paket-Sniffer / Protokoll-Analysator. Paketschnüffler können auch in Python geschrieben werden. In diesem Artikel werden wir ein paar einfache Sniffers in Python für die Linux-Plattform zu schreiben. Linux, weil, obwohl python ist ein tragbares, die Programme nicht laufen oder geben ähnliche Ergebnisse auf Windows zum Beispiel. Dies ist auf einen Unterschied in der Implementierung der Socket-API zurückzuführen. Sniffers, die hier gezeigt werden, verwenden keine Extrabibliotheken wie libpcap. Sie verwenden nur rohe Steckdosen. So können Sie beginnen, sie zu codieren Die grundlegendste Form eines Sniffer würde dies mit Root-Rechten oder sudo auf Ubuntu ausführen: Der obige Sniffer funktioniert nach dem Prinzip, dass ein Raw-Socket alle (seines Typs wie AFINET) eingehenden Daten empfangen kann Unter Linux. Die Ausgabe könnte so aussehen: Das obige ist ein Dump der Netzwerkpakete in hex. Sie können mit der Entpackungsfunktion analysiert werden. Das Sniffed-Paket analysieren Hier ist der Code sniff und analysiert ein TCP-Paket Der obige Code bricht das Paket in IP Header TCP Header Data. Die Entpackungsfunktion wird verwendet, um das Paket zu brechen. Dokumentation Die Ausgabe des Codes sollte folgendermaßen aussehen: Laut RFC 791 sieht ein IP-Header so aus: Wenn die IHL 5 ist, beträgt die Gesamtgröße 20 Byte, daher ist Optionspadding nicht vorhanden. Bei TCP-Paketen ist das Protokoll 6. Quelladresse ist die Quell-IPv4-Adresse im Langformat. Als nächstes kommt der TCP-Header: und die Waage nach dem TCP-Header ist der Datenteil. Die C-Version des Codes ist hier. Die PHP-Version des Codes ist hier. Für die UDP und ICMP muss die Deklaration sein: s socket. socket (socket. Finet, socket. SOCKRAW, socket. IPPROTOTCP) (Socket. FINET, socket. SOCKRAW, socket. IPPROTOICMP) Vielleicht sind Sie versucht zu denken: s socket. socket (socket. AFINET, socket. SOCKRAW, Socket. IPPROTOIP), aber das funktioniert nicht. Da IPPROTOIP ist ein Dummy-Protokoll nicht eine echte. 2. Dieser Sniffer nimmt nur eingehende Pakete auf. 3. Dieser Sniffer liefert nur IP-Frames. Was bedeutet, dass Ethernet-Header nicht verfügbar sind. Sniff alle Daten mit ethernet header Nun lassen Sie uns sehen, wie wir die oben genannten Nachteile zu überwinden. Die Lösungen sind ganz einfach. Muss geändert werden: Jetzt wird die gleiche Steckdose empfangen: 1. Alle eingehenden und ausgehenden Datenverkehr. 2. Alle Ethernet-Rahmen. Die alle Arten von IP-Paketen (TCP. UDP. ICMP) und sogar andere Arten von Paketen (wie ARP), wenn es irgendwelche. 3. Es wird auch die Ethernet-Header als Teil des empfangenen Pakets. Hier ist der Quellcode: Das oben genannte Programm muss mit Root-Rechten ausgeführt werden. Die Ausgabe sollte so etwas wie dies: Es analysiert die Ethernet-Header und auch die UDP-und ICMP-Header. Ethernet-Header sieht so aus: UDP-Header nach RFC 768: ICMP-Header nach RFC 792: Diese Art von Sniffer hängt nicht von externen Bibliotheken wie libpcap ab. Die C-Version dieses Codes ist hier. Was ist die Art der Steckdose erstellen Sie die folgenden Socket holt nur eingehende udp-Pakete. S socket. socket (socket. AFINET, socket. SOCKRAW, socket. IPPROTOUDP) wird der folgende Socket alle eingehenden und ausgehenden Pakete als rohe Ethernet - Frames abrufen. S socket. socket (socket. AFPACKET socket. SOCKRAW. socket. ntohs (0x0003)) David Luu 22. Februar 2013 um 12:42 Hilfreicher Beitrag. Was würden Sie empfehlen, wenn we8217d, um ausgehende Pakete zu Schnüffeln möchten Vielleicht müssen Sniffer auf einer Maschine, die als Router / Proxy, wo die Endpunkte von Interesse (zu schnüffeln) Daten über den zweiten Sniffer, dass sowohl eingehende und ausgehende Daten schnüffelt, Zusammen mit ethernet headers s socket. socket (socket. AFPACKET. sock. SOCKRAW. socket. ntohs (0x0003)) kapil am 23. Januar 2013 um 12:06 Uhr hehehhe8230. Man wats d need 2 schreiben solch ein riesiger code8230 u cud hav implementiert d die gleiche Sache in kaum 20-30 Zeilen Code mit dem SCAPY-Modul in python8230. ) Vielen Dank für das Drehbuch. Ich laufe dieses Sniffer-Skript und es funktioniert perfekt, aber der Datenanteil ist nicht viel formatiert. Einige nicht lesbare Zeichen werden angezeigt. Wie die folgenden Daten. 6FC81800000pagead2googlesyndicationcom000C0 00000c0pagead46l doubleclicknet0C000000f0JEB - Gibt es eine Möglichkeit, diese in unlesbaren Inhalt in lesbaren Text umzuwandeln. Silver Moon nicht lesbare Zeichen bedeuten, sie haben keine repräsentativen Ascii-Charakter. So dass sie nur als Codes. März 10, 2012 at 7:53 pmWillkommen für das Institut für Digitale Forschung und Bildung SAS-laryngische Faktoranalyse mit SAS PROC FACTOR Diese Seite wurde von der Consulting-Gruppe der Abteilung für Statistik und Scientific Computing an der University of Texas in Austin entwickelt. Wir danken ihnen für die Erlaubnis, sie über unsere Website zu verbreiten. 26. Juni 1995 Verwendungshinweis: Stat-53 Copyright 1995-1997, ACITS, die Universität von Texas bei Austin Statistical Services, 475-9372 Ursprünglich online verfügbar unter: ssc. utexas. edu/docs/stat53.html Diese Gebrauchsnot beschreibt, wie zu Eine Faktorenanalyse durchführen, und zwar eine explorative gemeinsame Faktorenanalyse unter Verwendung des SAS FACTOR-Verfahrens. Dieses Dokument besteht aus drei Abschnitten: Einführung, Gebrauchsmuster und ein anschauliches Beispiel. Im Abschnitt "Einführung" wird erläutert, welche Faktorenanalyse es ist und wann man sie verwenden sollte. Der nächste Abschnitt ist eine detaillierte Übersicht für die Durchführung einer Faktorenanalyse. Schließlich zeigt der letzte Abschnitt die Verwendung einer gemeinsamen Faktorenanalyse unter Verwendung tatsächlicher Daten. Die Faktoranalyse ist ein Oberbegriff für eine Familie von statistischen Techniken, die sich mit der Reduktion eines Satzes von beobachtbaren Variablen in Bezug auf eine kleine Anzahl von latenten Faktoren befasst. Es wurde in erster Linie für die Analyse von Beziehungen zwischen einer Reihe von messbaren Einheiten (wie Umfrage Elemente oder Testergebnisse) entwickelt. Die zugrundeliegende Annahme der Faktorenanalyse besteht darin, dass es eine Anzahl von nicht beobachteten latenten Variablen (oder Faktorenfaktoren) gibt, die die Korrelationen zwischen den beobachteten Variablen berücksichtigen, so dass, wenn die latenten Variablen partikuliert oder konstant gehalten werden, die partiellen Korrelationen zwischen den beobachteten Variablen alle werden Null. Mit anderen Worten bestimmen die latenten Faktoren die Werte der beobachteten Variablen. Jede beobachtete Variable (y) kann als gewichtetes Komposit eines Satzes von latenten Variablen (fs) ausgedrückt werden, wobei yi die i-te beobachtete Variable auf den Faktoren ist und ei der Rest von yi auf den Faktoren ist. Angesichts der Annahme, dass die Residuen über die beobachteten Variablen nicht korreliert sind, werden die Korrelationen zwischen den beobachteten Variablen durch die Faktoren berücksichtigt. Das folgende ist ein Beispiel für ein einfaches Pfaddiagramm für ein Faktorenanalysemodell. Dieses Diagramm ist eine schematische Darstellung der obigen Formel. F1 und F2 sind zwei gemeinsame Faktoren. Y1, Y2, Y3, Y4 und Y5 beobachtet Variablen, möglicherweise 5 Subtests oder Maßnahmen anderer Beobachtungen wie Reaktionen auf Elemente auf einer Umfrage. E1, e2, e3, e4 und e5 repräsentieren Residuen oder einzigartige Faktoren, die als unkorreliert angenommen werden. Jede Korrelation zwischen einem Paar der beobachteten Variablen kann anhand ihrer Beziehungen zu den latenten Variablen erklärt werden. Der primäre Zweck der Faktorenanalyse ist die Datenreduktion und die Verdichtung. Die Faktoranalyse ist vor allem in den Verhaltenswissenschaften weit verbreitet, um die Konstruktvalidität eines Tests oder einer Skala zu bewerten. Zum Beispiel entwickelte ein Psychologe eine neue Batterie von 15 Subtests, um drei verschiedene psychologische Konstrukte zu messen und wollte diese Batterie validieren. Eine Stichprobe von 300 Probanden wurde aus der Bevölkerung gezogen und auf der Batterie von 15 Subtests gemessen. Die 300 x 15 Datenmatrix wurde einem Faktorenanalyseverfahren unterzogen. Die Ausgabe von dieser Prozedur war eine 15 mal 3 Faktorbelastungsmatrix, die die Beziehungen zwischen den beobachteten Variablen (den 15 Subtests) und den 3 latenten Faktoren darstellte. Die Anzahl der extrahierten Faktoren und das Muster der Beziehungen zwischen den beobachteten Variablen und die Faktoren lieferten dem Forscher Informationen über die Konstruktvalidität der Testbatterie. Die Faktoranalyse als Oberbegriff umfasst die Hauptkomponentenanalyse. Während die beiden Techniken funktionell sehr ähnlich sind und für denselben Zweck (Datenreduktion) verwendet werden, sind sie hinsichtlich der zugrunde liegenden Annahmen recht unterschiedlich. Der Begriff commonquot in der gemeinsamen Faktorenanalyse beschreibt die Varianz, die analysiert wird. Es wird angenommen, dass die Varianz einer einzelnen Variablen in eine gemeinsame Varianz zerlegt werden kann, die von anderen Variablen, die in dem Modell enthalten sind, und einer einzigartigen Varianz, die für eine bestimmte Variable eindeutig ist und die Fehlerkomponente enthält, gemeinsam genutzt wird. Gemeinsame Faktorenanalyse (CFA) analysiert nur die gemeinsame Varianz der beobachteten Variablen Hauptkomponenten-Analyse berücksichtigt die gesamte Varianz und macht keinen Unterschied zwischen gemeinsamen und einzigartigen Varianz. Die Auswahl einer Technik über die andere basiert auf mehreren Kriterien. Zunächst einmal, was ist das Ziel der Analyse Gemeinsame Faktorenanalyse und Hauptkomponenten-Analyse sind in dem Sinne ähnlich, dass der Zweck von beiden ist es, die ursprünglichen Variablen in weniger zusammengesetzte Variablen, genannt Faktoren oder Hauptkomponenten zu reduzieren. Sie unterscheiden sich jedoch in dem Sinne, daß die erhaltenen zusammengesetzten Variablen unterschiedliche Zwecke erfüllen. In der gemeinsamen Faktorenanalyse wird eine kleine Anzahl von Faktoren extrahiert, um die Interkorrelationen unter den beobachteten Variablen zu berücksichtigen - um die latenten Dimensionen zu identifizieren, die erklären, warum die Variablen miteinander korreliert sind. Bei der Hauptkomponentenanalyse ist es das Ziel, den maximalen Anteil der im ursprünglichen Satz von Variablen vorhandenen Varianz mit einer minimalen Anzahl von zusammengesetzten Variablen, die als Hauptkomponenten bezeichnet werden, zu berücksichtigen. Zweitens, was sind die Annahmen über die Varianz in den ursprünglichen Variablen Wenn die beobachteten Variablen relativ fehlerfrei gemessen werden (z. B. Alter, Jahre der Bildung oder Anzahl der Familienmitglieder) oder wenn davon ausgegangen wird, dass der Fehler und spezifische Varianz einen kleinen Teil der Gesamtabweichung im ursprünglichen Satz der Variablen darstellt, dann ist die Hauptkomponentenanalyse angemessen. Wenn aber die beobachteten Variablen nur Indikatoren der zu messenden latenten Konstrukte sind (z. B. Testergebnisse oder Reaktionen auf Attitude Scales), oder wenn der Fehler (eindeutige) Varianz einen signifikanten Teil der Gesamtabweichung darstellt, dann ist die entsprechende Technik zu wählen Ist eine gemeinsame Faktorenanalyse. Da die beiden Methoden oft zu ähnlichen Ergebnissen führen, wird hier nur CFA dargestellt. Es ist nicht ungewöhnlich in sozialwissenschaftlichen Studien für einen Ermittler, eine Faktorenanalyse durchzuführen, nur weil einige multivariate Daten zufällig zur Verfügung stehen. Der Forscher sucht einfach nach Beziehungen zwischen den Variablen ohne a priori Hypothese über die Beziehungen zwischen den Variablen. Mit der Verfügbarkeit leistungsstarker Computer und statistischer Pakete sind viele fortgeschrittene multivariate Techniken, einschließlich Faktorenanalyse, die einst auf eine spezielle Population für einen begrenzten Einsatz beschränkt waren, nun für viele Personen leicht zugänglich und daher potentiellen Missbrauchs unterworfen. Ein zentrales Thema, das die Nutzer der Faktorenanalyse eher übersehen, ist, dass die Qualität der Faktoranalyseforschung in erster Linie von der Qualität der Eingangsdaten abhängt, die der Analyse unterzogen wurden. Der Ausdruck "Garbage In, Garbage Outquot" passt für die Faktorenanalyse gut. Mehrere wichtige Fragen sollten von einem Forscher betrachtet werden, der Eingabedaten für eine Faktorenanalyse aufbereitet. Erstens, welche Variablen in die Analyse einbezogen werden sollten Faktoranalyse soll erklären, warum bestimmte Variablen korreliert sind. Darüber hinaus betrifft die gemeinsame Faktorenanalyse nur den Teil der Gesamtvarianz, der von den im Modell enthaltenen Variablen geteilt wird. Daher sollten Sie keine Variablen einbeziehen, von denen angenommen wird, dass sie nicht aufeinander bezogen sind. Zweitens, wie viele Variablen enthalten sein sollten Faktoren sind nicht beobachtete latente Variablen, die aus einem Satz von beobachteten Variablen abgeleitet werden können. Daher können Faktoren nicht entstehen, wenn nicht eine ausreichende Anzahl von beobachteten Variablen vorhanden ist, die entlang des latenten Kontinuums variieren. Sie können keinen Faktor mit einer einzigen beobachteten Variablen definieren. Sie sollten ein Minimum von drei beobachteten Variablen für jeden Faktor erwartet zu entstehen. In der Thurstones-Terminologie werden die Faktoren, die durch nur eine oder zwei beobachtete Variablen definiert werden, als Quotsingletquot oder doppelte Doppelbrechungsfaktoren bezeichnet, die nicht wünschenswert sind. Guttman1 hat gezeigt, daß, wenn eine Korrelationsmatrix für eine gemeinsame Faktorenanalyse geeignet ist, R -1 (das Inverse einer Korrelationsmatrix) sich einer Diagonalmatrix nähert, wenn die Anzahl der Variablen zunimmt, während die Anzahl der Faktoren konstant bleibt. Kaiser und Rice2 schlugen ein Maß für die Stichprobenadäquanz vor, das angibt, wie nahe R -1 zu einer Diagonalmatrix ist. Drittens ist die Anzahl der Beobachtungen ausreichend, um zuverlässige Schätzungen der Korrelationen zwischen den Variablen zu liefern. Korrelationskoeffizienten neigen dazu, instabil zu sein und stark durch das Vorhandensein von Ausreißern beeinflusst zu werden, wenn die Stichprobengröße nicht groß ist. Es ist im Allgemeinen unklug, eine Faktorenanalyse auf einer Probe von weniger als 50 Beobachtungen durchzuführen. Darüber hinaus sollte die Stichprobengröße auch in Bezug auf die Anzahl der in der Analyse enthaltenen Variablen berücksichtigt werden. Verschiedene Faustregeln wurden vorgeschlagen, wobei die Mindestanzahl der Beobachtungen pro Variable von 5 bis 10 reicht. Zwar gibt es keine endgültige Antwort auf dieses Problem, jeder ist sich einig, dass je mehr Beobachtungen Sie haben, desto mehr Ihre Ergebnisse. Viertens ist die Korrelation ein gültiges Maß der Assoziation zwischen den zu analysierenden Variablen. Der Korrelationskoeffizient wird als Maß für die begriffliche Ähnlichkeit der Variablen verwendet. Wenn starke krummlinige Beziehungen zwischen den Variablen vorhanden sind, ist der Korrelationskoeffizient beispielsweise keine geeignete Maßnahme. In solchen Fällen sind die Ergebnisse einer Faktorenanalyse auf der Grundlage von Korrelationskoeffizienten ungültig. Die Variablen sollten auch die anderen für den Korrelationskoeffizienten erforderlichen Annahmen erfüllen. In Sozial - und Verhaltenswissenschaften haben wir jedoch selten Variablen, die diese Annahmen streng erfüllen. Ordinale und dichotome Variablen wurden einer Faktorenanalyse in den Sozial - und Verhaltenswissenschaften vorgelegt. Wenn die Verteilungen der Variablen stark nichtnormal sind, scheint die Faktorenanalyse robust gegenüber geringfügigen Verletzungen dieser Annahmen zu sein. Sobald die Eingangsdaten für die Analyse vorbereitet sind, ist es notwendig, eine Faktorisierungstechnik zu bestimmen, dh ein Verfahren zum Extrahieren von Faktoren. Insbesondere müssen Sie entscheiden, ob Sie Faktorenanalyse oder Hauptkomponentenanalyse durchführen wollen. Es ist ein Verfahren in SAS speziell für die Hauptkomponenten-Analyse (PROC PRINCOM), die durch ihre einzigartige Extraktionsmethode definiert ist. Auf der anderen Seite, wenn Sie sich für Faktorenanalyse entscheiden, dann müssen Sie eine Extraktionstechnik wählen. Es gibt eine Vielzahl von verschiedenen Methoden der Faktorentnahme in der PROC FACTOR-Prozedur in SAS: Hauptkomponente, Hauptfaktor, iterativem Hauptfaktor, ungewichteter Kleinstquadratfaktor, Maximum-Likelihood-Faktor, Alphafaktor, Bildanalyse und Harris-Komponentenanalyse . Die beiden am häufigsten eingesetzten Faktoranalysetechniken sind die Hauptkomponenten - und Hauptfaktorenanalyse. Wie oben diskutiert, ist PCA ganz anders als FA. Die verschiedenen FA-Techniken verwenden unterschiedliche Kriterien für die Extraktion von Faktoren. Diskussionen zur Auswahl verschiedener Methoden der Faktorentnahme sind in Loehlin3 zu finden. Wie bereits erwähnt, unterscheiden wir in der Hauptkomponentenanalyse nicht zwischen gemeinsamen und einzigartigen Teilen der Variation, die in einer Variablen vorhanden sind. Die Korrelation (Kovarianz) Matrix, mit 1,0s (Abweichungen) nach der Hauptdiagonale, wird einer Analyse unterzogen. Auf der anderen Seite beginnt eine gemeinsame Faktorenanalyse, indem die Diagonale der Korrelationsmatrix durch sogenannte Schätzungen (h 2) ersetzt wird. Die Gemeinsamkeitsschätzung für eine Variable ist die Schätzung des Anteils der Varianz der Variablen, die sowohl fehlerfrei ist als auch mit anderen Variablen in der Matrix geteilt wird. Da das Konzept der gemeinsamen Varianz hypothetisch ist, wissen wir nie genau vorher, welcher Anteil der Varianz häufig ist und welcher Anteil unter den Variablen einmalig ist. Daher müssen für eine Faktorenanalyse Schätzungen von Kommunalitäten erbracht werden. Diese Schätzungen können mit der Option PRIORS zur PROC FACTOR-Anweisung angegeben werden. Der einfachste Ansatz besteht darin, die größte absolute Korrelation für eine Variable mit einer beliebigen anderen Variablen als Kommunalschätzung für die Variable (PRIORSMAX) zu verwenden. Ein anspruchsvollerer Ansatz besteht darin, die quadrierte Mehrfachkorrelation (R 2) zwischen der Variable und allen anderen Variablen (PRIORSSMC) zu verwenden. Wenn die Anzahl der Variablen zunimmt, nimmt die Bedeutung der genauen vorherigen Schätzungen ab. Es gibt noch andere Methoden zur Schätzung der in SAS verfügbaren Gemeinden. Interessierte Leser sollten sich auf SAS manual4 beziehen. Es sollte eine Methode gewählt werden, da SAS standardmäßig alle vorherigen Gemeinsamkeiten auf 1,0 setzt, was der Anforderung einer Hauptkomponentenanalyse entspricht. Diese Standardeinstellung hat zu einem Missverständnis zwischen den Anfängern geführt, die sich nicht der Konsequenz der Über - sicht der Standardeinstellungen bewusst sind. Viele Forscher behaupten, eine gemeinsame Faktoranalyse durchgeführt zu haben, wenn tatsächlich eine Hauptkomponentenanalyse durchgeführt wurde. Die Bestimmung der optimalen Anzahl von Faktoren zu extrahieren ist keine einfache Aufgabe, da die Entscheidung letztendlich subjektiv ist. Es gibt mehrere Kriterien für die Anzahl der Faktoren, die extrahiert werden sollen, aber dies sind nur empirische Richtlinien und nicht eine exakte quantitative Lösung. In der Praxis verwenden die meisten Faktoranalytiker selten ein einziges Kriterium, um über die Anzahl der zu extrahierenden Faktoren zu entscheiden. Einige der am häufigsten verwendeten Richtlinien sind die Kaiser-Guttman-Regel, der Prozentsatz der Varianz, der Scree-Test, die Größe der Residuen und die Interpretierbarkeit. Die quoteigenvalues ​​mehr als onequot Regel wurde am häufigsten verwendet aufgrund seiner einfachen Art und Verfügbarkeit in verschiedenen Computer-Pakete. Sie besagt, daß die Anzahl der zu extrahierenden Faktoren gleich der Anzahl der Faktoren sein sollte, die einen Eigenwert (Varianz) größer als 1,0 haben. Der Grund für die Wahl dieses besonderen Wertes ist, dass ein Faktor eine Abweichung aufweisen muss, die mindestens so groß ist wie die einer einzigen standardisierten Originalvariable. Es sei daran erinnert, dass in der Hauptkomponentenanalyse 1s in der Hauptdiagonale der Korrelationsmatrix beibehalten wird, also für p normierte Variablen eine totale Varianz von p in Faktoren zerlegt wird. This rule, however, is more appropriate for PCA than FA, and it should be adjusted downward when the common factor model is chosen. In a common factor analysis, communality estimates are inserted in the main diagonal of the correlation matrix. Therefore, for p variables the variance to be decomposed into factors is less than p . It has been suggested that the latent root (eigenvalue) criterion should be lower and around the average of the initial communality estimates. The PROC FACTOR statement has the option MINEIGEN allowing you to specify the latent root cutoff value. For example, MINEIGEN1 requests SAS to retain the factors with eigenvaues greater than 1. Another criterion, related to the latent root criterion, is the percentage or proportion of the common variance (defined by the sum of communality estimates) that is explained by successive factors. For example, if you set the cutting line at 75 percent of the common variance (PROPORTION.75 or PERCENT75), then factors will be extracted until the sum of eigenvalues for the retained factors exceeds 75 percent of the common variance, defined as the sum of initial communality estimates. Sometimes plotting the eigenvalues against the corresponding factor numbers gives insight into the maximum number of factors to extract. The SCREE option in the PROC FACTOR statement produces a scree plot that illustrates the rate of change in the magnitude of the eigenvalues for the factors. The rate of decline tends to be fast for the first few factors but then levels off. The quotelbowquot, or the point at which the curve bends, is considered to indicate the maximum number of factors to extract. The figure below illustrates an example of a rather idealistic scree plot, where a clear elbow occurred at the fourth factor, which has an eigenvalue right around 1. Notice that the eigenvalues for the first few variables drop rapidly and after the fourth factor the decline in the eigenvalues gradually levels off. The scree plot suggests a maximum of four factors in this example. One less factor than the number at the elbow might be appropriate if you are concerned about getting an overly defined solution. However, many scree plots do not give such a clear indication of the number of factors. If the factors are doing a good job in explaining the correlations among the original variables, we expect the predicted correlation matrix R to closely approximate the input correlation matrix. In other words, we expect the residual matrix R - R to approximate a null matrix. The RESIDUAL (or RES) option in the PROC FACTOR statement prints the residual correlation matrix and the partial correlation matrix (correlation between variables after the factors are partialled out or statistically controlled). If the residual correlations or partial correlations are relatively large (gt 0.1), then either the factors are not doing a good job explaining the data or we may need to extract more factors to more closely explain the correlations. If maximum likelihood factors (METHODML) are extracted, then the output includes the Chi-square test for the significance of residuals after the extraction of the given factor. This test comprises two separate hypothesis tests. The first test, labeled, quotTest of H0: No common factorsquot tests the null hypothesis that no common factors can sufficiently explain the intercorrelations among the variables included in the analysis. You want this test to be statistically significant (p lt .05). A nonsignificant value for this test statistic suggests that your intercorrelations may not be strong enough to warrant performing a factor analysis since the results from such an analysis could probably not be replicated. The second Chi-square test statistic, labelled quotTest of H0: N factors are sufficientquot is the test of the null hypothesis that N common factors are sufficient to explain the intercorrelations among the variables, where N is the number of factors you specify with an NFACTORSN option in the PROC FACTOR statement. This test is useful for testing the hypothesis that a given number of factors are sufficient to account for your data in this instance your goal is a small chi-square value relative to its degrees of freedom. This outcome results in a large p-value (p gt .05). One downside of this test is that the Chi-square test is very sensitive to sample size: given large degrees of freedom, this test will normally reject the null hypothesis of the residual matrix being a null matrix, even when the factor analysis solution is very good. Therefore, be careful in interpreting this tests significance value. Some data sets do not lend themselves to good factor solutions, regardless of the number of factors extracted. Another very important but often overlooked criterion for determining the number of factors is the interpretability of the factors extracted. Factor solutions should be evaluated not only according to empirical criteria but also according to the criterion of quot theoretical meaningfulness. quot Extracting more factors will guarantee that the residual correlations get smaller and thus that the chi-square values get smaller relative to the number of degrees of freedom. However, noninterpretable factors may have little utility. That is, an interpretable three-factor solution may be more useful (not to mention more parsimonious) than a less interpretable four-factor solution with a better goodness-of-fit statistic. The problem of determining the number of factors is not a concern if the researcher has an a priori hypothesis about the number of factors to extract. That is, an a priori hypothesis can provide a criterion for the number of factors to be extracted. If a theory or previous research suggests a certain number of factors and the analyst wants to confirm the hypothesis or replicate the previous study, then a factor analysis with the prespecified number of factors can be run. The NFACTOR n (or N n ) option in PROC FACTOR extracts the user-supplied number of factors. Ultimately, the criterion for determining the number of factors should be the replicability of the solution. It is important to extract only factors that can be expected to replicate themselves when a new sample of subjects is employed. Once you decide on the number of factors to extract, the next logical step is to determine the method of rotation. The fundamental theorem of factor analysis is invariant within rotations. That is, the initial factor pattern matrix is not unique. We can get an infinite number of solutions, which produce the same correlation matrix, by rotating the reference axes of the factor solution to simplify the factor structure and to achieve a more meaningful and interpretable solution. The idea of simple structure has provided the most common basis for rotation, the goal being to rotate the factors simultaneously so as to have as many zero loadings on each factor as possible. The following figure is a simplified example of rotation, showing only one variable from a set of several variables. The variable V1 initially has factor loadings (correlations) of .7 and .6 on factor 1 and factor 2 respectively. However, after rotation the factor loadings have changed to .9 and .2 on the rotated factor 1 and factor 2 respectively, which is closer to a simple structure and easier to interpret. The simplest case of rotation is an orthogonal rotation in which the angle between the reference axes of factors are maintained at 90 degrees. More complicated forms of rotation allow the angle between the reference axes to be other than a right angle, i. e. factors are allowed to be correlated with each other. These types of rotational procedures are referred to as oblique rotations . Orthogonal rotation procedures are more commonly used than oblique rotation procedures. In some situations, theory may mandate that underlying latent constructs be uncorrelated with each other, and therefore oblique rotation procedures will not be appropriate. In other situations where the correlations between the underlying constructs are not assumed to be zero, oblique rotation procedures may yield simpler and more interpretable factor patterns. A number of orthogonal and oblique rotation procedures have been proposed. Each procedure has a slightly different simplicity function to be maximized. The ROTATE option in the PROC FACTOR statement supports five orthogonal rotation methods: EQUAMAX, ORTHOMAX, QUARTIMAX, PARSIMAX, and VARIMAX and two oblique rotation methods: PROCRUSTES and PROMAX. The VARIMAX method has been the most commonly used orthogonal rotation procedure. One part of the output from a factor analysis is a matrix of factor loadings. A factor loading or factor structure matrix is a n by m matrix of correlations between the original variables and their factors, where n is the number of variables and m is the number of retained factors. When an oblique rotation method is performed, the output also includes a factor pattern matrix . which is a matrix of standardized regression coefficients for each of the original variables on the rotated factors. The meaning of the rotated factors are inferred from the variables significantly loaded on their factors. A decision needs to be made regarding what constitutes a significant loading. A rule of thumb frequently used is that factor loadings greater than .30 in absolute value are considered to be significant. This criterion is just a guideline and may need to be adjusted. As the sample size and the number of variables increase, the criterion may need to be adjusted slightly downward it may need to be adjusted upward as the number of factors increases. The procedure described next outlines the steps of interpreting a factor matrix. 1. Identifying significant loadings: The analyst starts with the first variable (row) and examines the factor loadings horizontally from left to right, underlining them if they are significant. This process is repeated for all the other variables. You can instruct SAS to perform this step by using the FUZZ option in the PROC FACTOR statement. For instance, FUZZ.30 prints only the factor loadings greater than or equal to .30 in absolute value. Ideally, we expect a single significant loading for each variable on only one factor: across each row there is only one underlined factor loading. It is not uncommon, however, to observe split loadings . a variable which has multiple significant loadings. On the other hand, if there are variables that fail to load significantly on any factor, then the analyst should critically evaluate these variables and consider deriving a new factor solution after eliminating them. 2. Naming of Factors: Once all significant loadings are identified, the analyst attempts to assign some meaning to the factors based on the patterns of the factor loadings. To do this, the analyst examines the significant loadings for each factor (column). In general, the larger the absolute size of the factor loading for a variable, the more important the variable is in interpreting the factor. The sign of the loadings also needs to be considered in labeling the factors. It may be important to reverse the scoring of the negatively worded items in Likert-type instruments to prevent ambiguity. That is, in Likert-type instruments some items are often negatively worded so that high scores on these items actually reflect low degrees of the attitude or construct being measured. Remember that the factor loadings represent the correlation or linear association between a variable and the latent factor(s). Considering all the variables loading on a factor, including the size and sign of the loading, the investigator makes a determination as to what the underlying factor may represent. A factor is a latent continuum along which we can locate data points according to the varying amount of the construct that they possess. Factor scores can quantify individual cases on a latent continuum using a z-score scale which ranges from approximately -3.0 to 3.0. The FACTOR procedure can provide the estimated scoring coeffients which are then used in PROC SCORE to produce a matrix of estimated factor scores. You can then output these scores into a SAS dataset for further analysis. The following diagram illustrates a general decision process for factor analysis. This decision process is described here as a linear flow of events for the sake of simplicity. However, it would be more realistic to have a number of feedback loops included in the diagram. That is, depending on the result at a given stage, any previously made decision may need to be modified. Confirmatory factor analysis allows you to test very specific hypotheses regarding the number of factors, factor loadings, and factor intercorrelations. However, it is more complex to run than ordinary exploratory factor analysis, and a full discussion of it is beyond the scope of this document. Factor Analysis Decision Diagram Below is an illustrative example of the application of common factor analysis to clarify the topics described in the previous sections. Factor analysis has been widely used to examine the structure of tests or scales of various kinds, such as personality scales, attitude measures, and ability scales. The following example illustrates the application of common factor analysis to provide evidence of construct validity of the Wechsler Intelligence Scale for Children (WISC-III). The Wechsler Intelligence Scale for Children (WISC-III) was designed as a test of general intelligence to provide estimates of the intellectual abilities for children aged between 6 and 16. The WISC-III consists of 13 subtests, each measuring a different facet of intelligence. The matrix of intercorrelations among the 13 subtests, which served as the input data, was obtained from the manual5 and is shown in Table 2. Inspection of the correlation matrix shows that the correlations are substantial, indicating the presence of a substantial general factor. PROC FACTOR can handle input data consisting of either a correlation matrix or the raw data matrix used to produce the correlation matrix. The correlation matrix can be a SAS dataset generated from the PROC CORR procedure or can be a text file containing the lower triangle (including the main diagonal) of a correlation matrix. For our example, a text file of correlations is created and called WISC. DAT. The following SAS DATA step code defines the type of the input data file WISC. DAT as a correlation matrix, and labels its variables. The TYPECORR statement must be typed exactly as shown: The following SAS code calls the FACTOR procedure with some options. METHODP or METHODPRINCIPAL specifies the method for extracting factors to be the principal-axis factoring method. This option in conjunction with PRIORSSMC performs a principal factor analysis. The option ROTATEPROMAX performs an oblique rotation after an orthogonal VARIMAX rotation. It is specified here because the hypothetical constructs that constitute human intelligence, which WISC-III attempts to measure, are believed to be interrelated with each other. The CORR option requests the correlation matrix be printed, and the RES or RESIDUALS option requests that a residual correlation matrix be printed. The residual correlation matrix shows the difference between the observed correlation matrix and the predicted correlation matrix. If the retained factors are sufficient to explain the correlations among the observed variables, the residual correlation matrix is expected to approximate a null matrix (most values lt .10). Table 2 shows the prior communality estimates for 13 subtests used in this analysis. The squared multiple correlations (SMC), which are printed below, represent the proportion of variance of each of the 13 subtests shared by all remaining subtests. The subtest MAZES has the prior communality estimate of 0.132, which means that only 13 of the variance of the subtest MAZES is shared by all other subtests, indicating that this subtest measures a somewhat different construct than the other subtests. A small communality estimate might indicate that the variable or item may need to be modified or even dropped. The sum of all prior communality estimates, 5.505 in this example, is the estimate of the common variance among all subtests. This initial estimate of the common variance constitutes about 42 of the total variance present among all 13 subtests. Table 3 shows the factor numbers and corresponding eigenvalues. According to the Kaiser and Guttman rule, only one factor can be retained because only the first factor has an eigenvalue greater than one. However, as suggested in the previous section, this criterion may be applicable only to principal component analysis, not common factor analysis. Two factors can be retained if the average eigenvalue (0.423) instead of 1.0 is used as the criterion. The authors of WISC-III retained all factors with positive eigenvalues and thus retained the first four factors. The fifth and following factors have negative eigenvalues, which may not be intuitively appealing just as a negative variance is not. This oddity occurs only in common factor analysis due to the restriction that the sum of eigenvalues be set equal to the estimated common variance, not the total variance. The scree plot shown below seems to suggest the presence of a general factor as predicted from the inspection of the correlation matrix. A large first eigenvalue (5.11) and a much smaller second eigenvalue (0.68) suggests the presence of a dominant global factor. Stretching it to the limit, one might argue that a secondary elbow occurred at the fifth factor, implying a four-factor solution. That is equivalent to retaining all factors with positive eigenvalues. Research has suggested that the structure of the Wechslers intelligence scales are hierarchical. That is, at the top of the hierarchy all subtests converge to a single general factor, below which are several less general factors defined by clusters of subtests. A four-factor solution is more interesting and meaningful than a single factor solution to investigate the hierarchical structure of the WISC-III. The results presented in the following section will be based on a four-factor solution, which was obtained by repeating the analysis with the NFACTOR4 option specifying that the first four factors be retained. Table 4 above shows the initial unrotated factor structure matrix, which consists of the correlations between the 13 subtests and the four retained factors. The current estimate of the common variance is now 6.338, which is somewhat larger than the initial estimate of 5.505. The off-diagonal elements of the residual correlation matrix are all close to 0.01, indicating that the correlations among the 13 subtests can be reproduced fairly accurately from the retained factors. The root mean squared off-diagonal residual is 0.0178. The inspection of the partial correlation matrix yields similar results: the correlations among the 13 subtests after the retained factors are accounted for are all close to zero. The root mean squared partial correlation is 0.038, indicating that four latent factors can accurately account for the observed correlations among the 13 subtests. The table shown below is the factor structure matrix after the VARIMAX rotation. The correlations greater than 0.30 are underlined. There are some split loadings where a variable is significantly (gt 0.3) loaded on more than one factor. This matrix, however, is not interpreted because an oblique solution has been requested. Table 6 shown below is the factor structure matrix after the oblique PROMAX rotation, which allows the latent factors to be correlated with each other. The matrix of inter-factor correlations (Table 7) shows that the factors are substantially correlated with each other. The inter-factor correlations range between 0.44 and 0.65. If we submit these intercorrelated factors to new factor analysis, we might be able to obtain a single second-order factor, which could correspond to the general intelligence or g factor in previous research. One downside of an oblique rotation method is that if the correlations among the factors are substantial, then it is sometimes difficult to distinguish among factors by examining the factor loadings. In such situations, you should investigate the factor pattern matrix, which is a matrix of the standardized coefficients for the regression of the factors on the observed variables. Table 8 is the factor pattern matrix, which will be used to interpret the meaning of the factors. The values in this matrix are the standardized regression coefficients, which are functionally related to the part or semipartial correlation between a variable and the factor when other factors are held constant. Therefore, a value in this matrix represents the individual and nonredundant contribution that each factor is making to predict a subtest. The regression coefficients greater than 0.30 are underlined to assist the interpretation. The subtests significantly loaded on the first factor are Information, Similarity, Arithmetic, Vocabulary, and Comprehension subtests. These are the subtests that are orally presented and require verbal responses. Therefore, this factor may be named quotVerbal Comprehensionquot. The second factor is identified by the following subtests: Picture Completion, Picture Arrangement, Block Design, and Object Assembly. All of these subtests have a geometric or configural component in them: these subtests measure the skills that require the manual manipulation or organization of pictures, objects, blocks, and the like. Therefore, this factor may be named quotPerceptual Organization. quot The two subtests loaded on the third factors are Coding and Symbol Search subtests. Both subtests measure basically the speed of simple coding or searching process. Therefore, this factor can be named quotProcessing Speed. quot Finally, Arithmetic and Digit Span subtests identify the fourth factor. Both subtests deal with arithmetic problems or numbers so that this factor can be named quotNumerical Ability. quot The last two factors are doublets since they are identified by only two subtests each. Therefore, they are conceptually weak compared to the first two factors and more subtests may need to be added to these factors to make them conceptually sound. It is possible to estimate the factor scores, or a subjects relative standing on each of the factors, if the original subject-by-variable raw data matrix is available. To compute the factor scores for all subjects on all factors, use the following SAS code: where raw is the original data matrix, fact is the matrix of factor scoring coefficients, and scores is the matrix of factor scores for subjects. Guttman, L. (1953) quotImage Theory for the Structure of Quantitative Variablesquot, Psychometrica . 18, 277-296. Kaiser, H. F. and Rice, J. (1974) quotLittle Jiffy, Mark IVquot, Educational and Psychological Measurement . 34, 111-117. Loehlin, J. C. (1992) Latent Variable Models . Erlbaum Associates, Hillsdale NJ. SAS/STAT Users Guide, 1990, SAS Institute Inc. p. 785. Manual for the Wechsler Intelligence Scale for Children (WISC-III), New York, 1991. The content of this web site should not be construed as an endorsement of any particular web site, book, or software product by the University of California.