เปรียบเทียบวิธี

	การวิเคราะห์ปัจจัยแบบทนทาน	การวิเคราะห์องค์ประกอบหลัก
สาขาวิชา	สถิติศาสตร์	การเรียนรู้ของเครื่อง
ตระกูล	Regression model	Machine learning
ปีกำเนิด	2003	2002
ผู้ริเริ่ม	Pison, Rousseeuw, Filzmoser & Croux	Jolliffe, I.T. (textbook); Pearson & Hotelling (origins)
ประเภท	Robust latent-factor model	Unsupervised dimensionality reduction
แหล่งต้นตำรับ	Pison, G., Rousseeuw, P. J., Filzmoser, P., & Croux, C. (2003). Robust factor analysis. Journal of Multivariate Analysis, 84(1), 145-172.	Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer.
ชื่อเรียกอื่น	robust factor analysis, outlier-resistant factor analysis, MCD-based factor analysis, Robust Faktör Analizi	Temel Bileşenler Analizi (PCA), PCA, principal components analysis, Karhunen-Loève transform
ที่เกี่ยวข้อง	5	3
สรุป	Robust Factor Analysis recovers the latent factor structure of multivariate continuous data while resisting the distorting pull of outliers. Introduced by Pison, Rousseeuw, Filzmoser and Croux (2003), it replaces the classical sample covariance with a robust estimator such as the Minimum Covariance Determinant (MCD) or an S-estimator before extracting factors.	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.