Next Eigenvalue Sufficiency Test (NEST; Achim, 2017) is a recently proposed method to determine the number of factors in exploratory factor analysis (EFA). NEST sequentially tests the null-hypothesis that k factors are sufficient to model correlations among observed variables. Another recent approach to detect factors is exploratory graph analysis (EGA; Golino & Epskamp, 2017), which rules the number of factors equal to the number of nonoverlapping communities in a graphical network model of observed correlations. We applied NEST and EGA to data sets under simulated factor models with known numbers of factors and scored their accuracy in retrieving this number. Specifically, we aimed to investigate the effects of cross-loadings on the performance of NEST and EGA. In the first study, we show that NEST and EGA performed less accurately in the presence of cross-loadings on two factors compared with factor models without cross-loadings: We observed that EGA was more sensitive to cross-loadings than NEST. In the second study, we compared NEST and EGA under simulated circumplex models in which variables showed cross-loadings on two factors. Study 2 magnified the differences between NEST and EGA in that NEST was generally able to detect factors in circumplex models while EGA preferred solutions that did not match the factors in circumplex models. In total, our studies indicate that the assumed correspondence between factors and nonoverlapping communities does not hold in the presence of substantial cross-loadings. We conclude that NEST is more in line with the concept of factors in factor models than EGA.

中文翻译：

---

重新评估确定因素数量的创新方法：探索性图分析和下一个特征值充分性检验的基于模拟的比较。

Next Eigenvalue Sufficiency Test (NEST; Achim, 2017) 是最近提出的一种确定探索性因子分析 (EFA) 中因子数量的方法。NEST 依次测试 k 因子足以对观察到的变量之间的相关性进行建模的零假设。最近检测因子的另一种方法是探索性图分析 (EGA; Golino & Epskamp, 2017)，它规定因子的数量等于观察到的相关性的图形网络模型中非重叠社区的数量。我们将 NEST 和 EGA 应用于具有已知因子数量的模拟因子模型下的数据集，并在检索该数字时对它们的准确性进行评分。具体来说，我们旨在研究交叉加载对 NEST 和 EGA 性能的影响。在第一项研究中，我们表明，与没有交叉加载的因子模型相比，在两个因子存在交叉加载的情况下，NEST 和 EGA 的表现不太准确：我们观察到 EGA 比 NEST 对交叉加载更敏感。在第二项研究中，我们在模拟环状模型下比较了 NEST 和 EGA，其中变量显示两个因素的交叉负荷。研究 2 放大了 NEST 和 EGA 之间的差异，因为 NEST 通常能够检测环模型中的因子，而 EGA 首选与环模型中的因子不匹配的解决方案。总的来说，我们的研究表明，假设因素与非重叠社区之间的对应关系在存在大量交叉加载的情况下并不成立。我们得出结论，NEST 比 EGA 更符合因子模型中的因子概念。我们观察到 EGA 对交叉加载比 NEST 更敏感。在第二项研究中，我们在模拟环状模型下比较了 NEST 和 EGA，其中变量显示两个因素的交叉负荷。研究 2 放大了 NEST 和 EGA 之间的差异，因为 NEST 通常能够检测环模型中的因子，而 EGA 首选与环模型中的因子不匹配的解决方案。总的来说，我们的研究表明，假设因素与非重叠社区之间的对应关系在存在大量交叉加载的情况下并不成立。我们得出结论，NEST 比 EGA 更符合因子模型中的因子概念。我们观察到 EGA 对交叉加载比 NEST 更敏感。在第二项研究中，我们在模拟环状模型下比较了 NEST 和 EGA，其中变量显示两个因素的交叉负荷。研究 2 放大了 NEST 和 EGA 之间的差异，因为 NEST 通常能够检测环模型中的因子，而 EGA 首选与环模型中的因子不匹配的解决方案。总的来说，我们的研究表明，假设因素与非重叠社区之间的对应关系在存在大量交叉加载的情况下并不成立。我们得出结论，NEST 比 EGA 更符合因子模型中的因子概念。研究 2 放大了 NEST 和 EGA 之间的差异，因为 NEST 通常能够检测环模型中的因子，而 EGA 首选与环模型中的因子不匹配的解决方案。总的来说，我们的研究表明，假设因素与非重叠社区之间的对应关系在存在大量交叉加载的情况下并不成立。我们得出结论，NEST 比 EGA 更符合因子模型中的因子概念。研究 2 放大了 NEST 和 EGA 之间的差异，因为 NEST 通常能够检测环模型中的因子，而 EGA 首选与环模型中的因子不匹配的解决方案。总的来说，我们的研究表明，假设因素与非重叠社区之间的对应关系在存在大量交叉加载的情况下并不成立。我们得出结论，NEST 比 EGA 更符合因子模型中的因子概念。