Bir açımlayıcı faktör analizi çözümünün döndürülmemesinin bir nedeni var mı?

Herhangi bir sebep var mıdır değil bir faktör analizi çözümü döndürmek?

Ortogonal çözümleri eğik çözümlerle karşılaştıran tartışmalar bulmak kolaydır ve sanırım tüm bunları tamamen anlıyorum. Ayrıca, ders kitaplarında bulabildiklerimden, yazarlar genellikle faktör analizi tahmin yöntemlerini açıklamaktan rotasyonun nasıl çalıştığını ve bazı farklı seçeneklerin ne olduğunu açıklamaya doğru giderler. Görmediğim şey, ilk etapta dönüp dönmeyeceğine dair bir tartışma.

Bir bonus olarak, eğer faktörleri tahmin etmek için birden fazla yöntem (örneğin, temel bileşen yöntemi ve maksimum olabilirlik yöntemi) için geçerli olacak herhangi bir tür rotasyona karşı bir argüman sağlayabiliyorsa, özellikle minnettar olurum.

factor-analysis factor-rotation

— psychometriko
kaynak

Eksenlerin dönmesi (faktörler), değişkenlerin ortak faktörler uzayında birbirlerine göre konumlandırılmasında hiçbir şeyi değiştirmez. Döndürme sadece faktörleri yorumlamaya yardımcı olan bu eksenlerdeki (yükler) koordinatlarını değiştirir; buradaki ideal "basit yapı" nın bir biçimidir. Döndürme yalnızca yorumlama içindir. Dik, eğik, yalnızca bu ekseni veya bu ekseni döndürebilir veya hiç döndüremezsiniz. Bunun faktör analizinizin matematiksel kalitesi ile ilgisi yoktur. Bu yüzden genellikle tartışmazlar whether or not to rotate in the first place.

— ttnphns

Doğru, bunu anlıyorum. Bir çözümü döndürmek için kesinlikle birçok iyi neden vardır. Ama dönmeye karşı herhangi bir argüman olup olmadığını soruyorum .

— psychometriko

Yanıtlar:

Evet, faktör analizinde rotasyondan çekilmek için bir neden olabilir . Bu sebep aslında PCA'daki temel bileşenleri neden döndürmediğimize benzer (yani, esas olarak boyutsallık azalması için kullandığımızda ve gizli özellikleri modellemek için değil).

Ekstraksiyondan sonra, faktörler (veya bileşenler) dikey ve genellikle varyanslarının azalan düzeninde (yüklemelerin sütun toplamı karesi ) çıkarılır . Birinci faktör böyledir. Genç faktörler, ilkinin açıklanamayacaklarını istatistiksel olarak açıklar. Genellikle bu faktör tüm değişkenlere oldukça fazla yüklenir ve bu, değişkenler arasındaki arka plan korelasyonundan sorumlu olduğu anlamına gelir. Bu tür 1. faktöre bazen genel faktör veya g faktörü denir . Psikometride pozitif korelasyonların geçerli olmasından sorumlu kabul edilir . $^1$

Bu faktörü göz ardı etmek yerine araştırmak ve basit yapının arkasında çözülmesine izin vermek istiyorsanız, çıkarılan faktörleri döndürmeyin. Genel faktörün etkisini korelasyonlardan kısmi olarak çıkarabilir ve kalan korelasyonları faktör analizine devam edebilirsiniz.

Bir yandan ekstraksiyon faktörü / bileşen çözeltisi ile rotasyonundan sonra (ortogonal veya eğik) bu çözüm arasındaki fark, diğer taraftan - ekstre edilmişyüklemematrisi bazı metotları için dik (veya neredeyse dik) olması çıkarma) sütunlar: diyagonaldir; diğer bir deyişle, yükler "temel eksen yapısı" nda bulunur. Döndürmeden sonra - varimax gibi faktörlerin / bileşenlerin dikliğini koruyan bir dönüş bile -yüklerin dikliğikaybolur: "basit yapı" için "temel eksen yapısı" terk edilir. Ana eksen yapısı, faktörler / bileşenler arasında "daha temel" veya "daha az temel" olarak sıralanmasına izin verir $^1$ $\bf A$ $\bf A'A$ bütün döndürülmüş faktör / bileşenlerinin basit yapısı eşit önemi varsayılır ise,) hepsinden önemlisi genel bileşeni olma - mantıksal anlamda, rotasyon sonra bunları seçemezsiniz: hepsi kabul (Pt 2burada). Resme bakınburadadönme öncesi ve varimax rotasyonu sonra loadings görüntülendiği. $\bf A$

— ttnphns
kaynak

Reise, Moore ve Haviland (2010) son cümlenizdeki fikri biraz derinlemesine tartışmaktadır. Reise (2012) , bifaktör analizinin gecikmiş bir geri dönüş yaptığını ileri sürmektedir . Kesinlikle daha önce kendim bilseydim!

— Nick Stauner

Ve bu faktörlerin en azdan en az sapmaya doğru sıralanması, bu genellikle farklı faktör çıkarma yöntemleri için olur mu? Ana eksen faktoringi, maksimum olasılık vb. Gibi mi?

— psychometriko

@psychometriko, Şey, p ile her zaman böyle. eksen. Diğer yöntemlerle, sipariş kullandığınız yazılıma / pakete bağlı olabilir. Ne yapmamı öneririm - 1) siparişin en yüksek varyanstan en düşük varyansa olduğundan emin olmak için 2) varyans her önceki faktör için maksimize edilir - ekstraksiyondan sonra yükleme matrisinin PCA'sını yapın! (Bu PCA'yı elbette merkezleme / normalleştirme olmadan yapın.)

— ttnphns

Bunun size yardımcı olabileceğini düşünüyorum: https://www.utdallas.edu/~herve/Abdi-rotations-pretty.pdf

Saygılarımızla,

— jjgibaja
kaynak

Bu belge, çoğu ders kitabının tam olarak söylediğini yapıyor: faktör analizinin nasıl çalıştığını açıklayın, ardından hemen bir çözümü neden döndürmenin bir açıklamasına ve bunu yapmanın farklı yöntemlerine gidin. Özellikle bir çözümü döndürmeye karşı bir argüman olup olmadığı ile ilgileniyorum . Bir şey eksik olmadıkça yazarın bu olasılığı ele aldığına inanmıyorum.

— psychometriko

Siteye hoş geldiniz, @jigbaja. Bu gerçekten OP'nin sorusuna bir cevap değil. Daha çok bir yorum. Lütfen cevap vermek için yalnızca "Yanıtınız" alanını kullanın. Sinir bozucu olduğunu biliyorum, ancak itibarınız> 50 olduğunda herhangi bir yere yorum yapabileceksiniz. Alternatif olarak, daha fazla yanıt almak için genişletmeye çalışabilirsiniz. Burada yeni olduğunuz için yeni kullanıcılar için bilgiler içeren tur sayfamızı okumak isteyebilirsiniz .

— gung - Monica'yı eski

Faktör rotasyonu, bir özdeğer baskınsa sonuçları gizleme eğilimindedir. İlk özdeğerin diğerlerinden çok daha büyük olduğu bir durum var. Çoğu döndürme yöntemi, varyansı faktörler arasında daha eşit bir şekilde dağıtma eğilimindedir. Bu, varyansın çoğunun altında yatan tek bir neden olabileceği gerçeğini gizleyebilir.

— Bir Sis

Döndürme belirtmediğinizde tüm FA yazılımları aynı şekilde davranmaz. Örneğin, umxEFA R paketi ilk faktörü birinci değişkenle hizalar. Bir özdeğer baskın olduğunda ve hiçbir rotasyon seçeneği olmadığında quartimax rotasyonunun en iyi olduğunu buldum. Haklı mıyım yoksa genel bir faktör olduğunda daha iyi bir rotasyon yöntemi var mı?

— Bir Sis