.Factor analysis: The objective of

.Factor analysis: The objective of factor analysis is to reduce the number of p variables in a dataset into a smaller set of m < p variables. The m factors are usually unobservable factors that describe the correlation among the p variables. Factor analysis is closely related to principal components analysis (e.g., both rely on the correlation matrix), but, unlike principal components analysis, it is based on a specific statistical model [16]. Factor analysis was developed in the early 20th century by Karl Pearson and Charles Spearman with the intent to gain insight into psychometric measurements, in particular the directly unobservable variable intelligence [17]. Factor analysis should not be blindly applied to a dataset with several variables hoping that some underlying patterns would be uncovered; instead, a theoretical motivation should drive factor analysis applications.

Αποτελέσματα (Ελληνικά) 1:

. Παραγοντική ανάλυση: ανάλυση παραγόντων αποσκοπεί να μειώσει τον αριθμό των μεταβλητών p σε ένα σύνολο δεδομένων σε ένα μικρότερο σύνολο m < p μεταβλητές. Οι παράγοντες m είναι συνήθως μη παρατηρήσιμες παράγοντες που περιγράφουν τη συσχέτιση μεταξύ των μεταβλητών p. Ανάλυση παραγόντων συνδέεται στενά με ανάλυση κυρίων συνιστωσών (π.χ., δύο στηρίζονται στη μήτρα συσχέτισης), αλλά, σε αντίθεση με ανάλυση κυρίων συνιστωσών, βασίζεται σε ένα συγκεκριμένο μοντέλο στατιστικής [16]. Ανάλυση παραγόντων αναπτύχθηκε στις αρχές του 20ου αιώνα από τον Karl Pearson και Charles Spearman με την πρόθεση να αποκτήσει ενόραση ψυχομετρικών μετρήσεων, ιδίως στα μη άμεσα παρατηρήσιμων μεταβλητών [17]. Ανάλυση παραγόντων δεν πρέπει να τυφλά εφαρμόζεται σε ένα σύνολο δεδομένων με πολλές μεταβλητές, ελπίζοντας ότι κάποια υποκείμενη μοτίβα θα ακάλυπτο? Αντ ' αυτού, μια θεωρητική κίνητρα πρέπει να οδηγείτε παράγοντας εφαρμογές ανάλυσης.

Αποτελέσματα (Ελληνικά) 2:

Ανάλυση .Factor: Ο στόχος της ανάλυσης παράγοντας είναι να μειωθεί ο αριθμός των μεταβλητών p σε ένα σύνολο δεδομένων σε ένα μικρότερο σύνολο m <p μεταβλητές. Οι παράγοντες m είναι συνήθως μη παρατηρήσιμες παράγοντες που περιγράφουν τη συσχέτιση μεταξύ των μεταβλητών p. παραγοντική ανάλυση είναι στενά συνδεδεμένη με ανάλυση κυρίων συνιστωσών (π.χ., τόσο βασίζονται στην μήτρα συσχέτισης), αλλά, σε αντίθεση με ανάλυση κυρίων συνιστωσών, που βασίζεται σε ένα συγκεκριμένο στατιστικό μοντέλο [16]. παραγοντική ανάλυση αναπτύχθηκε στις αρχές του 20ου αιώνα από τον Karl Pearson και Charles Spearman με την πρόθεση να αποκτήσουν γνώσεις σε ψυχομετρικές μετρήσεις, ιδίως η άμεση μη παρατηρήσιμη μεταβλητή νοημοσύνη [17]. παραγοντική ανάλυση δεν πρέπει να εφαρμόζεται στα τυφλά σε ένα σύνολο δεδομένων με πολλές μεταβλητές, ελπίζοντας ότι κάποια υποκείμενα πρότυπα θα αποκαλυφθεί? Αντ 'αυτού, μια θεωρητική κίνητρο θα πρέπει να οδηγούν εφαρμογές παραγοντική ανάλυση.

Αποτελέσματα (Ελληνικά) 3:

παραγοντική ανάλυση: παράγοντα ανάλυση αποσκοπεί σε ένα σύνολο δεδομένων από τη μείωση του αριθμού των p μεταβλητή σε ένα μικρότερο σύνολο m p μεταβλητές.M παράγοντες δεν είναι παρατηρήσιμα παράγοντες, την αντιστοιχία μεταξύ των μεταβλητών και p.παραγοντική ανάλυση είναι στενά συνδεδεμένη με την ΣΕΣΣ (για παράδειγμα, εξαρτώνται από πίνακα συσχέτισης), αλλά, είναι διαφορετική από την κύρια συνιστώσα της ανάλυσης, η οποία βασίζεται σε μια δεδομένη στατιστικό μοντέλο [16].Η παραγοντική ανάλυση είναι η πρόθεση και από 卡尔·皮尔逊 Τσαρλς σπίαρμαν, διορατικότητα ψυχολογικές μετρήσεις του εικοστού αιώνα και την έγκαιρη ανάπτυξη, ιδίως άμεσα παρατηρήσιμες μεταβλητές νοήμονα [17].παραγοντική ανάλυση δεν θα πρέπει να εφαρμόζεται σε σύνολα δεδομένων στα τυφλά πολλές μεταβλητές, με την ελπίδα ότι θα βρεθεί κάποια πιθανά μοντέλα, όχι θεωρητικά κίνητρα πρέπει να τους παράγοντες που οδηγούν την εφαρμογή της.