Factor analysis is a method of data

Factor analysis is a method of data reduction. It does this by seeking underlying unobservable (latent) variables that are reflected in the observed variables (manifest variables). There are many different methods that can be used to conduct a factor analysis (such as principal axis factor, maximum likelihood, generalized least squares, unweighted least squares), There are also many different types of rotations that can be done after the initial extraction of factors, including orthogonal rotations, such as varimax and equimax, which impose the restriction that the factors cannot be correlated, and oblique rotations, such as promax, which allow the factors to be correlated with one another. You also need to determine the number of factors that you want to extract. Given the number of factor analytic techniques and options, it is not surprising that different analysts could reach very different results analyzing the same data set. However, all analysts are looking for simple structure. Simple structure is pattern of results such that each variable loads highly onto one and only one factor.

Factor analysis is a technique that requires a large sample size. Factor analysis is based on the correlation matrix of the variables involved, and correlations usually need a large sample size before they stabilize. Tabachnick and Fidell (2001, page 588) cite Comrey and Lee's (1992) advise regarding sample size: 50 cases is very poor, 100 is poor, 200 is fair, 300 is good, 500 is very good, and 1000 or more is excellent. As a rule of thumb, a bare minimum of 10 observations per variable is necessary to avoid computational difficulties.

For the example below, we are going to do a rather "plain vanilla" factor analysis. We will use iterated principal axis factor with three factors as our method of extraction, a varimax rotation, and for comparison, we will also show the promax oblique solution. The determination of the number of factors to extract should be guided by theory, but also informed by running the analysis extracting different numbers of factors and seeing which number of factors yields the most interpretable results.

Αποτελέσματα (Ελληνικά) 1:

Παράγοντας ανάλυση είναι μια μέθοδος μείωσης των δεδομένων. Αυτό επιτυγχάνεται με την αναζητούν υποκείμενων μη παρατηρήσιμες (λανθάνουσα) μεταβλητές που αντικατοπτρίζονται με τις παρατηρούμενες μεταβλητές (manifest μεταβλητές). Υπάρχουν πολλές διαφορετικές μέθοδοι που μπορούν να χρησιμοποιηθούν για να διεξάγει μια ανάλυση παραγόντων (όπως παράγοντας του κύριου άξονα, μέγιστης πιθανοφάνειας, γενικευμένων ελαχίστων τετραγώνων, Αστάθμητος ελαχίστων τετραγώνων), υπάρχουν επίσης πολλοί διαφορετικοί τύποι των εναλλαγών που μπορεί να γίνει μετά την αρχική εξαγωγή παράγοντες, όπως ορθογώνιες περιστροφές, όπως varimax και equimax, που επιβάλλει τον περιορισμό ότι δεν μπορεί να συσχετιστεί οι παράγοντες , και λοξό εναλλαγών, τέτοια ως promax, που επιτρέπουν τα στοιχεία που πρέπει να συσχετιστεί με ένα άλλο. Θα πρέπει επίσης να προσδιορίσετε τον αριθμό των παραγόντων που θέλετε να εξαγάγετε. Δεδομένου του αριθμού των αναλυτικών τεχνικών παράγοντας και επιλογές, δεν είναι έκπληξη το γεγονός ότι οι διαφορετικοί αναλυτές μπορούσε να φθάσει πολύ διαφορετικά αποτελέσματα αναλύοντας το ίδιο σύνολο δεδομένων. Ωστόσο, όλες οι αναλυτές ψάχνουν για απλή δομή. Απλή δομή είναι μοτίβο των αποτελεσμάτων, τέτοιες ώστε κάθε μεταβλητή φορτώνει ιδιαίτερα επάνω σε μία και μόνο παράγοντα. Ανάλυση παραγόντων είναι μια τεχνική που απαιτεί ένα μεγάλο δείγμα μέγεθος. Ανάλυση παραγόντων είναι με βάση την μήτρα συσχέτισης των μεταβλητών που εμπλέκονται, και συσχετίσεις συνήθως χρειάζεται ένα μεγάλο δείγμα μέγεθος πριν αυτοί τη σταθεροποίηση. Tabachnick και Fidell (2001, σελίδα 588) αναφέρουν Comrey και καταφυγίων (1992) παρέχει συμβουλές σχετικά με το μέγεθος του δείγματος: 50 περιπτώσεις είναι πολύ κακή, 100 είναι κακή, 200 είναι δίκαιη, 300 είναι καλή, 500 είναι πολύ καλό και 1000 ή περισσότερα είναι εξαιρετική. Ως γενικός κανόνας, ένα ελάχιστο των 10 παρατηρήσεις ανά μεταβλητή είναι αναγκαίο να αποφευχθεί η υπολογιστική δυσκολίες.Για το παρακάτω παράδειγμα, θα κάνουμε μια μάλλον «plain vanilla"Παραγοντική ανάλυση. Θα χρησιμοποιήσουμε επαναλήφθείτε κύριου άξονα παράγοντας με τρεις παράγοντες ως μας μέθοδο της εκχύλισης, μια varimax περιστροφή, και για σύγκριση, θα δείξει επίσης η promax λοξό λύση. Ο προσδιορισμός του αριθμού των παραγόντων για την εξαγωγή πρέπει να καθοδηγείται από θεωρία, αλλά ενημέρωσε επίσης εκτελώντας την ανάλυση εξαγωγής διαφορετικούς αριθμούς των παραγόντων και βλέποντας ποιος αριθμός των περιεκτικοτήτων σε παράγοντες τα αποτελέσματα πιο ερμηνεύσιμη.

Αποτελέσματα (Ελληνικά) 2:

Ανάλυση Factor είναι μια μέθοδος μείωσης των δεδομένων. Αυτό επιτυγχάνεται με την αναζήτηση υποκείμενη μη παρατηρήσιμα (λανθάνουσα) μεταβλητές που αντικατοπτρίζονται στις παρατηρούμενες μεταβλητές (πρόδηλη μεταβλητές). Υπάρχουν πολλές διαφορετικές μέθοδοι που μπορούν να χρησιμοποιηθούν για τη διεξαγωγή μιας ανάλυσης παράγοντα (όπως κύριος παράγοντας άξονα μέγιστης πιθανοφάνειας, γενικευμένη ελαχίστων τετραγώνων, μη σταθμισμένο ελαχίστων τετραγώνων), Υπάρχουν επίσης πολλοί διαφορετικοί τύποι των περιστροφών που μπορεί να γίνει μετά την αρχική εκχύλιση του παράγοντες, συμπεριλαμβανομένων ορθογώνια περιστροφές, όπως Varimax και equimax, που επιβάλλουν τον περιορισμό ότι δεν μπορεί να συσχετιστεί οι παράγοντες, και πλάγια περιστροφές, όπως Promax, τα οποία επιτρέπουν οι παράγοντες που πρέπει να συσχετίζονται μεταξύ τους. Θα πρέπει επίσης να καθοριστεί ο αριθμός των παραγόντων που θέλετε να εξαγάγετε. Λαμβάνοντας υπόψη τον αριθμό του παράγοντα αναλυτικών τεχνικών και επιλογές, δεν προκαλεί έκπληξη το ότι διαφορετικοί αναλυτές θα μπορούσε να φθάσει πολύ διαφορετικά αποτελέσματα αναλύοντας το ίδιο σύνολο δεδομένων. Ωστόσο, όλοι οι αναλυτές αναζητούν απλή δομή. Απλή δομή είναι πρότυπο των αποτελεσμάτων, έτσι ώστε κάθε μεταβλητή φορτία ιδιαίτερα επάνω σε ένα και μόνο ένας παράγοντας. Παραγοντική ανάλυση είναι μία τεχνική που απαιτεί ένα μεγάλο μέγεθος δείγματος. Παραγοντική ανάλυση βασίζεται στην μήτρα συσχέτισης των μεταβλητών που εμπλέκονται, και οι συσχετίσεις συνήθως χρειάζονται ένα μεγάλο μέγεθος δείγματος πριν σταθεροποιηθεί. Tabachnick και Fidell (2001, σελίδα 588) αναφέρουν Comrey και Λι (1992) παρέχει συμβουλές σχετικά με το μέγεθος του δείγματος: 50 περιπτώσεις είναι πολύ κακή, 100 είναι κακή, 200 είναι δίκαιη, 300 είναι καλή, 500 είναι πολύ καλή, και 1000 ή περισσότερο είναι εξαιρετική . Ως γενικός κανόνας, ένα ελάχιστο των 10 παρατηρήσεων ανά μεταβλητή είναι απαραίτητη για την αποφυγή της υπολογιστικής δυσκολίες. Για το παρακάτω παράδειγμα, θέλουμε να κάνουμε μια μάλλον "plain vanilla" παραγοντική ανάλυση. Θα χρησιμοποιήσουμε επαναλαμβάνεται κύριος παράγοντας άξονα με τρεις παράγοντες όπως η μέθοδος μας εκχύλισης, μια περιστροφή Varimax, και για λόγους σύγκρισης, θα δείχνουν επίσης την Promax πλάγια λύση. Ο καθορισμός του αριθμού των παραγόντων για την εξαγωγή θα πρέπει να καθοδηγείται από τη θεωρία, αλλά και ενημερώθηκε από την εκτέλεση της ανάλυσης εξόρυξη διαφορετικό αριθμό παραγόντων και βλέποντας τα οποία διάφοροι παράγοντες αποδίδει τα πιο ερμηνεύσιμα αποτελέσματα.

Αποτελέσματα (Ελληνικά) 3:

παραγοντική ανάλυση δεδομένων είναι μια μείωση.Για την εξεύρεση πιθανών δεν μπορεί να είναι από την παρατήρηση των (δυνητικών) που παρατηρήθηκαν, αντικατοπτρίζεται στη μεταβλητή).Υπάρχουν πολλές διαφορετικές μέθοδοι μπορεί να χρησιμοποιηθεί για την ανάλυση (όπως τον άξονα παράγοντα, παράγοντα τη μέγιστη πιθανότητα, γενική μέθοδος των ελαχίστων τετραγώνων, τη στάθμιση των ελαχίστων τετραγώνων), υπάρχουν πολλά διαφορετικά είδη εκ περιτροπής μπορεί να προκαταρκτική μετά την ολοκλήρωση της εξόρυξης παράγοντες, συμπεριλαμβανομένης της εναλλαγής, όπως η διακύμανση και την επιβολή equimax παραγόντων, δεν με κλίση εκ περιτροπής, και, όπως η εναλλαγή από την άλλη, να παράγοντες που πρέπει να και μια συσχέτιση.Θα πρέπει να καθορίσει την ποσότητα θέλεις να αποσπάσουμε παράγοντες.Λαμβάνοντας υπόψη την τεχνική και την επιλογή της παραγοντικής ανάλυσης ποσότητα, δεν είναι παράξενο, διάφορους αναλυτές μπορεί να φτάσει σε πολύ διαφορετικά αποτελέσματα ίδια σύνολα δεδομένων.Ωστόσο, όλοι οι αναλυτές ψάχνουν για απλή δομή.Τα αποτελέσματα είναι απλή δομή λειτουργίας, ώστε κάθε μεταβλητή που φορτώνονται σε ένα και μόνο ένας παράγοντας.Η παραγοντική ανάλυση είναι μια τεχνολογία που χρειάζεται μια μεγάλη ποσότητα δείγματος.ανάλυση με βάση παράγοντες είναι μεταβλητές που σχετίζονται με τη σχέση μεταξύ των πινάκων αντιστοιχίας, και συνήθως χρειάζεται μια μεγάλη ποσότητα του δείγματος, τότε είναι σταθερή.Ο νικ και ο Φιντέλ 坦巴克 (2001588 σελίδες) Παραπομπές coriolis και λι (1992) πρόταση για το μέγεθος του δείγματος: 50 περιπτώσεις είναι πολύ φτωχοί, 100 είναι της φτώχειας είναι δίκαιη, 200, 300 είναι καλό, είναι πολύ καλό 500, 1000 ή πιο καλά.Ως γενικός κανόνας, έναν ελάχιστο 10 παρατηρήθηκαν μεταβλητές ελάχιστη τιμή είναι αναγκαίο προκειμένου να αποφευχθεί η δυσκολία υπολογισμού.Το παράδειγμα που ακολουθεί, θα κάνουμε μια πολύ "απλή βανίλια" παραγοντική ανάλυση.Θα με την επαναληπτική άξονα παράγοντα με τις μεθόδους μας προέρχονται από τρεις παράγοντες, μέγιστη απόκλιση εκ περιτροπής και σύγκριση, θα έχουμε επίσης η πλάγια λύσεις.μια σειρά παραγόντων για τον προσδιορισμό της εξαγωγής πρέπει να ακολουθούνται θεωρία, αλλά επίσης την εξαγωγή από την ανάλυση της λειτουργίας διαφορετικό αριθμό παραγόντων, ορισμένοι παράγοντες που μπορεί να εξηγήσει τα αποτελέσματα.