Faktör analizinde veya PCA'da yükleme ( bkz. 1 , bkz. 2 , bkz. 3 ), regresyon katsayısı, standartlaştırılmış (birim varyans) faktörler / bileşenlerle değişkenleri (öğeler) tahmin eden doğrusal bir kombinasyondaki ağırlıktır.
Yüklemenin aşılmasının nedenleri 1:
Sebep 1: analiz edilen kovaryans matrisi.
Analiz edilen standart değişkenler ise, yani, analiz korelasyon matrisine dayanıyordu , daha sonra ekstraksiyondan sonra veya ortogonal rotasyondan sonra (varimax gibi) - faktörler / bileşenler ilişkisiz kaldığında - yüklemeler de korelasyon katsayılarıdır. Doğrusal regresyon denkleminin özelliği budur: dikey standart öngörücülerle parametreler Pearson korelasyonlarına eşittir. Dolayısıyla, böyle bir durumda yükleme [-1, 1] 'in ötesinde olamaz.
Fakat eğer analizler sadece ortalanmış değişkenler ise, yani analiz kovaryans matrisine dayanıyordu , o zaman yüklemelerin [-1, 1] ile sınırlandırılması gerekmez, çünkü regresyon katsayıları böyle bir model ise korelasyon katsayılarına eşit olmak zorunda değildir. Aslında bunlar kovaryanslardır. Ham yükler olduğunu unutmayın. [-1, 1] bandından ayrılmamaları için yeniden ölçeklendirilen "1. paragrafta verdiğim bağlantılarda açıklanan" "yeniden ölçeklendirilmiş" veya "standartlaştırılmış" yüklemeler vardır.
Sebep 2: eğik dönüş. Promax veya oblimin gibi eğik rotasyondan sonra iki tip yüklememiz vardır : patern matrisi (regresyon katsayıları veya kendi başına yükler) ve yapı matrisi (korelasyon katsayıları). Yukarıda verilen nedenden dolayı birbirine eşit değildirler: korelasyonlu öngörücülerin regresyon katsayıları Pearson korelasyonlarından farklıdır. Böylece, bir desen yüklemesi kolaylıkla [-1, 1] 'in ötesine uzanabilir. Korelasyon matrisi analiz edilen matris olsa bile bunun doğru olduğunu unutmayın. Yani, faktörler / bileşenler eğik olduğunda.
Sebep 3 (nadir): Heywood davası. Heywood durumu ( pt 6 ), yinelemelerde yükleme teorik olarak izin verilen büyüklüğü aştığında faktör analizi algoritmalarında bir zorluktur - topluluk varyansın ötesine geçtiğinde ortaya çıkar. Heywood vakası nadir bir durumdur ve bazı veri kümelerinde genellikle istenen sayıda faktörü destekleyecek çok az değişken olduğunda görülür. Programlar Heywood vaka hatası olduğunu bildirir ve durdurur veya çözmeye çalışır.