Faktör analizinde en iyi faktör ekstraksiyon yöntemleri

SPSS birkaç faktör çıkarma yöntemi sunar:

Temel bileşenler (hiç bir faktör analizi olmayan)
Ağırlıksız en küçük kareler
Genelleştirilmiş en küçük kareler
Maksimum Olabilirlik
Ana Eksen
Alfa faktoringi
Görüntü faktoring

İlk metodu gözardı ederek, faktör analizi değil (fakat temel bileşen analizi, PCA), bu yöntemlerden hangisi "en iyisi"? Farklı yöntemlerin göreceli avantajları nelerdir? Ve temel olarak, hangisini kullanacağımı nasıl seçerim?

Ek soru: 6 yöntemden de benzer sonuçlar alınmalı mı?

spss pca factor-analysis

— Placidia
kaynak

Hmm, benim ilk dürtü: Bu konuda bir wikipedia girişi yok mu? Olmazsa - mutlaka bir tane olmalı ...

— Gottfried Helms

Evet, bir wikipedia makalesi var. Veriler normal ise MLE'yi, aksi takdirde PAF kullandığını söylüyor. Değerler hakkında ya da diğer seçeneklerden pek bahsetmiyor. Her durumda, bu sitedeki üyelerin pratik deneyimlerine dayanarak bu konu hakkında ne düşündüklerini bilmek beni mutlu edecektir.

— Placidia

Kısa yapmak için. Son iki yöntemin her biri çok özel ve 2-5 sayılarından farklı. Bunların hepsine ortak faktör analizi denir ve gerçekten alternatif olarak görülür. Çoğu zaman, oldukça benzer sonuçlar verirler . Bunlar "ortaktır" çünkü klasik faktör modelini , ortak faktörleri + benzersiz faktör modelini temsil ediyorlar . Tipik olarak anket analizi / onaylamada kullanılan bu modeldir.

$^1$ SSCP önlemleri (ham sscp, kosinüs). Geri kalan üç yöntem yalnızca [SPSS'de; kovaryanslar diğer bazı uygulamalarda da analiz edilebilir]. Bu yöntem, toplulukların başlangıç tahminlerinin kalitesine bağlıdır (ve bunun dezavantajıdır). Genellikle kare çoklu korelasyon / kovaryans başlangıç değeri olarak kullanılır, ancak diğer tahminleri tercih edebilirsiniz (önceki araştırmalardan alınanlar dahil). Lütfen bunu daha fazlası için okuyun . Ana eksen faktoring hesaplamaları örneğini görmek, yorumlamak ve PCA hesaplamaları ile karşılaştırmak istiyorsanız, lütfen buraya bakın .

$^2$

$^3$ $^4$

Maksimum Olabilirlik (ML)Verilerin (korelasyonların) çok değişkenli normal dağılıma sahip nüfustan geldiğini varsayar (diğer yöntemler böyle bir varsayımda bulunmaz) ve bu nedenle korelasyon katsayılarının kalıntılarının normalde 0 civarında dağılması gerekir. Yüklemeler, yukarıdaki varsayım uyarınca ML yaklaşımı ile yinelenerek tahmin edilir. Korelasyonların tedavisi, Genelleştirilmiş en küçük kareler yönteminde olduğu gibi aynı şekilde bir teklik ile ağırlıklandırılır. Diğer yöntemler sadece örneği olduğu gibi analiz etse de, ML yöntemi popülasyonla ilgili bazı çıkarımlara izin verir, bazı uyum indeksleri ve güven aralıkları genellikle onunla birlikte hesaplanır [ne yazık ki, çoğu SPSS'de değil, insanlar SPSS için makrolar yazdı. o].

Kısaca tanımladığım tüm yöntemler doğrusal, sürekli gizli modeldir. "Doğrusal", örneğin sıra korelasyonlarının analiz edilmemesi gerektiğini belirtir. "Sürekli", örneğin ikili verilerin analiz edilmemesi gerektiğini belirtir (tetrakorik korelasyonlara dayalı IRT veya FA daha uygun olur).

$^1$ $\bf R$

$^2$ $\bf u^2$

$^3$ $\bf uR^{-1}u$ $\bf u^{-1}Ru^{-1}$

$^4$

— ttnphns
kaynak

Bence, daha fazla özellik belirtmeliyiz: Yöntemleri önceden belirlenmiş sayıda faktöre göre bir faktör çözümüne uydurmak için kullandığımızdan mı, yoksa faktör sayısının verilerden çıkması gerekip gerekmediğine göre (özdeğer, en akıllı, ...) . Anladığım kadarıyla, ML sadece bir dizi faktörü belirlerseniz duyarlıdır ve daha sonra bir faktör çözümü aranır ve hatta bir ki-kare testi yapılabilir. PCA, bazı kriterlere göre ki-kare testi olmadan, veri özelliklerinin dinamik olarak görünmesini sağlayan faktörlerin sayısını sağlar. PAF her iki şekilde de kullanılabilir.

— Gottfried Helms

@Gottfried, nasıl kullandığınıza katılmıyorum. Tüm FA yöntemleri etmenlerin sayısı gerektiren m bilinmelidir: Eğer modeli sığacak m belirttiğiniz. Sen karar vermek yardımcı olabilir çeşitli kriterler kullanabilir m , ama tüm bu faktör çıkarma yöntemlerinin kendilerini bir parçası değildir. Ki kare hariç, GLS ve ML yöntemleri ile hesaplanmıştır. Ayrıca, Pensilvanya yöntemiyle, siz (çok nadiren) önceden gerçek communalities biliyorsanız, yapabilirsiniz onları iyi doğru rehberlik edecek m . Fakat her durumda, onun, bir çıkarma algoritması değil, m'ye karar verir .

— ttnphns

Şimdi ne kullanmalıyız? Hangisi en iyisi?

— MrYouMath

En iyisi en çok sevdiğin şeydir. Siz seçersiniz, sonra gerekirse size neden uygun olduğunu açıklarsınız. Her yerde olduğu gibi.

— ttnphns

@ ttnphns, bir prensibi var when to use whichmı?

— kittygirl