《探索性因素分析》ppt課件-全文預(yù)覽
【正文】 析n 殘差類似於各變項(xiàng)間的相關(guān)在移除了因素的影響後的淨(jìng)相關(guān)n 檢驗(yàn)不同因素?cái)?shù)目下，殘差矩陣中的數(shù)值，高於 .05或 .10以上者過多，表示可能在其他因素n 因素負(fù)荷量檢驗(yàn)n 單一觀察變項(xiàng)的因素並不恰當(dāng)n 二個(gè)觀察變項(xiàng)的因素在兩變項(xiàng)相關(guān)高（ r.7），與其他變項(xiàng)相關(guān)低時(shí)，為合理。5因素分析的類型n 不同萃取方法皆產(chǎn)生直交的成分或因素來(lái)反應(yīng)觀察相關(guān)矩陣 Rn 不同點(diǎn)在於抽取的標(biāo)準(zhǔn)不同，例如最大變異、最小殘差等n 當(dāng)樣本數(shù)大、觀察變項(xiàng)數(shù)目多或共同性估計(jì)相近時(shí)，各方法差異不大n 因素分析結(jié)果是否穩(wěn)定不是決定於萃取的方法而是變項(xiàng)間的關(guān)係n 方法目的n PCA：?jiǎn)渭兊幕?jiǎn)測(cè)量（得到成分 ponents）n FA：尋找測(cè)量題目背後的結(jié)構(gòu)與理論意涵，並利用這些潛在結(jié)構(gòu)進(jìn)行分析應(yīng)用（得到因素factors ）n 萃取過程n 差異在於兩者對(duì)於觀察相關(guān)矩陣的處理方式n 也就是處理變異數(shù)上的差異n PCA analyzes variance: 觀察變項(xiàng)的所有變異量均被分析（觀察相關(guān)係數(shù)矩陣中對(duì)角線總和）n FA analyzes covariance: 僅有共同變異量（ shared variance）被分析（觀察相關(guān)係數(shù)矩陣中對(duì)角線以共同性來(lái)取代）n 萃取結(jié)果n PCA：n 以最少的直交成分來(lái)解釋最大的變項(xiàng)變異量n 具有單一的數(shù)學(xué)解n FA：n 以最少的直交因素來(lái)反應(yīng)相關(guān)矩陣n 具有不同的最佳解 6不同的萃取方法一n 主成分法 (Principal ponents)n 目的在使每一個(gè)成分能夠代表最大的觀察變異量n 第一個(gè)主成分為觀察變項(xiàng)的線性整合，能夠反應(yīng)最大的變異量，依序發(fā)展各主成分n 可以得到最大的解釋變異量n 主要因素法 (principal factors)n 以共同性為分析的對(duì)象n 因素的抽取以疊代程序來(lái)進(jìn)行，起始值為 SMC（ squared multiple correlations），反覆帶入共同性直到無(wú)改善n 能夠產(chǎn)生最理想的重製矩陣n 映像因素萃取 (image factor extraction)n 各觀察變項(xiàng)的變異量為其他變項(xiàng)的投射。探索性因素分析：主成分分析與因素分析1相關(guān)矩陣n Observed co
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1