เปรียบเทียบวิธี

	การวิเคราะห์องค์ประกอบหลัก	การสร้างแบบจำลองสมการโครงสร้าง (SEM)
สาขาวิชา	การเรียนรู้ของเครื่อง	สถิติศาสตร์
ตระกูล	Machine learning	Latent structure
ปีกำเนิด	2002	1970
ผู้ริเริ่ม	Jolliffe, I.T. (textbook); Pearson & Hotelling (origins)	Karl Jöreskog (LISREL framework, 1970s)
ประเภท	Unsupervised dimensionality reduction	Latent variable / causal modeling
แหล่งต้นตำรับ	Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer.	Hair, J. F., Black, W. C., Babin, B. J. & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning. ISBN: 978-1473756540
ชื่อเรียกอื่น	Temel Bileşenler Analizi (PCA), PCA, principal components analysis, Karhunen-Loève transform	Yapısal Eşitlik Modellemesi (SEM), structural equation modelling, covariance structure analysis, latent variable modeling
ที่เกี่ยวข้อง	3	5
สรุป	Principal Component Analysis (PCA) is an unsupervised dimensionality-reduction method — given its modern textbook treatment by Ian Jolliffe (2002) — that compresses high-dimensional data into fewer dimensions while preserving the maximum possible variance. It re-expresses correlated variables as a small set of uncorrelated principal components ordered by how much of the data's variation each one captures.	Structural equation modeling is a multivariate statistical framework that simultaneously estimates a measurement model — relating observed indicators to latent constructs — and a structural model specifying directional or reciprocal relationships among those constructs. Rooted in the LISREL tradition developed by Karl Jöreskog in the 1970s, SEM is the standard tool for testing complex theoretical models in the social, behavioural, and management sciences.