探索性因素分析ppt課件-wenkub.com
2025-04-27 18:21 本頁面
【正文】 每一個變項的映像分?jǐn)?shù)係以多元迴歸的方法來計算，映像分?jǐn)?shù)的共變矩陣被進(jìn)行 PCAn 類似 PCA，能夠產(chǎn)生單一的數(shù)學(xué)解，對角線與 FA相同，為共同性n 因素負(fù)荷量不是相關(guān)係數(shù)，而是變項與因素的共變 7不同的萃取方法二n 最大概似因素萃取 (maximum likelihood factor extraction)n 以因素負(fù)荷量的母數(shù)估計數(shù)為主要目的n 計算樣本求得之觀察矩陣能夠反應(yīng)母體的最大機(jī)率之負(fù)荷量n 因素可進(jìn)行顯著性考驗，適用於驗證性分析n 也即是求取變項與因素間的最大典型相關(guān)n 無加權(quán)最小平方法 (unweighted least squares factoring)n 求取觀察與重製矩陣的殘差的最小平方值n 只有非對角線上的數(shù)據(jù)被納入分析n 共同性是分析完成之後才進(jìn)行計算n 一般加權(quán)最小平方法 (generalized weighted least squares factoring)n 在無加權(quán)平方法下，增加權(quán)數(shù)的考量 (以共同性加權(quán) )n 有較大的共同變異的變項被較大的加權(quán)n Alpha法 (alpha factoring)n 處理共同因素的信度，提高因素的類化性（ generalizability）n 共同性的估計是在使因素的 alpha信度達(dá)到最大8Rotation 轉(zhuǎn)軸n 轉(zhuǎn)軸的時機(jī)n 依目的：得到最佳的結(jié)構(gòu)，或保留因素的原始面貌n 利用因素散佈圖協(xié)助判斷：觀察變項應(yīng)在各軸上：接近各軸，遠(yuǎn)離原點，形成群落n Orthogonal rotation(直交轉(zhuǎn)軸 )n Varimax:使負(fù)荷量的變異數(shù)在因素內(nèi)最大（ Г =1）n Quartimax :使負(fù)荷量的變異數(shù)在變項內(nèi)最大（ Г =0）n Equamax :綜合前兩者，使負(fù)荷量的變異數(shù)在因素內(nèi)與變項內(nèi)同時最大（ Г =.5）n Г（ gamma）指標(biāo) :表示簡化的程度： 0表變項最簡化， 1表因素最簡化， .5表兩者各半n Oblique rotation(斜交轉(zhuǎn)軸 )n 允許因素間具有相關(guān)之轉(zhuǎn)軸n 因素間最大的相關(guān)由 δ （ delta）決定， 負(fù)的 δ 越小，表示月接近直交， δ =4為直交， δ 接近 1時，因素間的相關(guān)可能最高n Direct o
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1