เปรียบเทียบวิธี

	การวิเคราะห์กลุ่มแฝงที่แข็งแกร่ง (Robust Latent Class Analysis)	การวิเคราะห์องค์ประกอบเชิงสำรวจแบบคงทน
สาขาวิชา	สถิติศาสตร์	การวัดทางจิตวิทยา
ตระกูล	Latent structure	Latent structure
ปีกำเนิด	2000s	2000–2003
ผู้ริเริ่ม	Building on Hennig (2004) and Vermunt & Magidson (2004)	Pison, Rousseeuw, Filzmoser, and Croux; Yuan and Bentler (parallel streams)
ประเภท	Robust latent variable / mixture model	Latent variable / dimension reduction (robust)
แหล่งต้นตำรับ	Hennig, C. (2004). Breakdown points for maximum likelihood estimators of location-scale mixtures. Annals of Statistics, 32(4), 1313–1340.	Yuan, K.-H., & Bentler, P. M. (2000). Robust mean and covariance structure analysis through iteratively reweighted least squares. Psychometrika, 65(1), 43–58.
ชื่อเรียกอื่น	robust LCA, outlier-resistant latent class analysis, trimmed-likelihood latent class analysis	robust EFA, robust factor analysis, outlier-resistant factor analysis, EFA with robust estimation
ที่เกี่ยวข้อง	6	4
สรุป	Robust latent class analysis (robust LCA) extends the standard latent class model by incorporating outlier-resistant estimation techniques — such as trimmed likelihood, M-estimation, or downweighting — so that atypical response patterns do not distort the recovered class structure or class membership probabilities.	Robust exploratory factor analysis discovers the latent factor structure of a set of items using estimation methods that are resistant to outliers and violations of multivariate normality. It applies the same measurement model as standard EFA but replaces classical covariance estimation with robust counterparts — such as minimum covariance determinant or iteratively reweighted least squares — so that a small fraction of atypical cases cannot distort the recovered factor loadings.