Bei der Analyse von Umfragen mit vielen Fragen erschweren die komplexen Korrelationen zwischen den Items die Priorisierung der Items nach der Analyse. Diese Studie schlägt eine Methode zur Auswahl wichtiger Items mithilfe von zusammengesetzten Faktorladungen vor, um dieser Herausforderung zu begegnen. Mehrere ergebnisbezogene Items werden mittels Hauptkomponentenanalyse zusammengefasst, wobei die erste Hauptkomponente (ZY1) als Ergebnisvariable dient. Da viele kausale Fragen vorliegen, werden diese anhand ihrer Korrelationsstruktur mittels Clusteranalyse gruppiert. Anschließend extrahiert eine multiple Regressionsanalyse zur Variablenauswahl mit ZY1 als abhängiger Variable und den Hauptkomponenten jeder Gruppe als unabhängigen Variablen die Hauptkomponenten, die einen signifikanten Einfluss auf die Ergebnisvariable haben. Es ist jedoch nicht möglich, die Hauptkomponenten selbst direkt zu analysieren, und es ist schwierig, wichtige Items zu bestimmen, wenn mehrere Hauptkomponenten aus derselben Gruppe ausgewählt werden. Daher präsentiert diese Studie eine Methode zur Auswahl wichtiger Items mithilfe von zusammengesetzten Faktorladungen, die die Informationen der ausgewählten Hauptkomponenten integrieren. Alle in dieser Studie verwendeten Analysemethoden, einschließlich Hauptkomponentenanalyse, Clusteranalyse und multipler Regressionsanalyse, können mit JMP durchgeführt werden. Diese Methode kann als praktischer Ansatz zur Unterstützung der prioritätenorientierten Auswahl wichtiger Elemente in der Umfrageanalyse mit vielen Fragen verwendet werden.
