วิธีการสกัดปัจจัยที่ดีที่สุดในการวิเคราะห์ปัจจัย

SPSS เสนอวิธีการสกัดปัจจัยหลายวิธี:

องค์ประกอบหลัก (ซึ่งไม่ใช่การวิเคราะห์ปัจจัยทั้งหมด)
ไม่ยกกำลังสองน้อยที่สุด
ทั่วไปกำลังสองน้อยที่สุด
โอกาสสูงสุด
แกนหลัก
แฟคตอริ่ง
ภาพแฟ

ไม่สนใจวิธีแรกซึ่งไม่ใช่การวิเคราะห์ปัจจัย (แต่การวิเคราะห์องค์ประกอบหลักคือ PCA) วิธีใดที่ "ดีที่สุด" อะไรคือข้อดีข้อได้เปรียบของวิธีการที่แตกต่างกันอย่างไร โดยพื้นฐานแล้วฉันจะเลือกใช้อันไหนดี?

คำถามเพิ่มเติม: ควรได้รับผลลัพธ์ที่คล้ายกันจากทั้ง 6 วิธี?

spss pca factor-analysis

— Placidia
แหล่งที่มา

อืมแรงกระตุ้นครั้งแรกของฉัน: ไม่มีรายการวิกิพีเดียเกี่ยวกับเรื่องนี้? ถ้าไม่ - แน่นอนควรมีอยู่หนึ่ง ...

— หมวก Gottfried

ใช่มีบทความวิกิพีเดีย มันบอกว่าจะใช้ MLE ถ้าข้อมูลเป็นปกติและ PAF เป็นอย่างอื่น มันไม่ได้พูดอะไรมากเกี่ยวกับข้อดีหรืออย่างอื่นของตัวเลือกอื่น ๆ ไม่ว่าในกรณีใดฉันยินดีที่จะทราบว่าสมาชิกของไซต์นี้คิดอย่างไรเกี่ยวกับปัญหานี้ตามประสบการณ์การใช้งานจริง

— Placidia

เพื่อให้มันสั้น ทั้งสองวิธีสุดท้ายมีความพิเศษมากและแตกต่างจากตัวเลข 2-5 พวกเขาทั้งหมดเรียกว่าการวิเคราะห์ปัจจัยทั่วไปและถูกมองว่าเป็นทางเลือก ส่วนใหญ่พวกเขาให้ผลลัพธ์ที่คล้ายกันมาก พวกเขาเป็น "คนธรรมดา" เพราะพวกเขาเป็นตัวแทนรุ่นคลาสสิกปัจจัยที่ปัจจัยร่วมกัน + ไม่ซ้ำรูปแบบปัจจัย มันเป็นรูปแบบนี้ซึ่งมักจะใช้ในการวิเคราะห์แบบสอบถาม / การตรวจสอบ

$^1$ มาตรการ SSCP (raw sscp, cosines) วิธีการที่เหลืออีกสามวิธีจะดำเนินการด้วยความสัมพันธ์เท่านั้น สามารถวิเคราะห์ความแปรปรวนร่วมในการใช้งานอื่น ๆ ] วิธีนี้ขึ้นอยู่กับคุณภาพของการประมาณการเริ่มต้นของชุมชน (และเป็นข้อเสียของมัน) โดยปกติจะใช้ความสัมพันธ์หลายตัวแปรร่วมกัน / ความแปรปรวนร่วมเป็นค่าเริ่มต้น แต่คุณอาจต้องการค่าประมาณอื่น ๆ (รวมถึงค่าที่ได้จากการวิจัยก่อนหน้านี้) โปรดอ่านนี้มานาน หากคุณต้องการดูตัวอย่างของการคำนวณเงินต้นแกนแฟแสดงความคิดเห็นและเปรียบเทียบกับการคำนวณ PCA, กรุณามองในที่นี่

$^2$

$^3$ $^4$

โอกาสสูงสุด (ML)สมมติว่าข้อมูล (ความสัมพันธ์) มาจากประชากรที่มีการแจกแจงปกติหลายตัวแปร (วิธีอื่น ๆ ที่ไม่มีสมมติฐานเช่นนี้) และด้วยเหตุนี้ค่าคงที่ของสัมประสิทธิ์สหสัมพันธ์จะต้องกระจายตามปกติประมาณ 0 การโหลดมีการประเมินซ้ำโดยวิธี ML ภายใต้สมมติฐานข้างต้น การรักษาความสัมพันธ์นั้นจะถูกถ่วงน้ำหนักโดย uniqness ในแบบเดียวกับวิธีการทั่วไปกำลังสองน้อยที่สุด ในขณะที่วิธีอื่น ๆ เพียงแค่วิเคราะห์ตัวอย่างตามที่เป็นอยู่วิธีการ ML ช่วยให้การอนุมานเกี่ยวกับประชากรจำนวนดัชนีที่พอดีและช่วงความเชื่อมั่นมักจะคำนวณพร้อมกับมัน [น่าเสียดายที่ส่วนใหญ่ไม่ได้อยู่ใน SPSS แม้ว่าคนเขียนแมโครสำหรับ SPSS มัน].

วิธีการทั้งหมดที่ฉันอธิบายสั้น ๆ คือแบบจำลองเชิงเส้นตรงและแบบต่อเนื่อง "เชิงเส้น" แสดงถึงความสัมพันธ์อันดับที่ไม่ควรวิเคราะห์ "ต่อเนื่อง" หมายความว่าข้อมูลไบนารีตัวอย่างเช่นไม่ควรวิเคราะห์ (IRT หรือ FA ตามความสัมพันธ์ tetrachoric จะเหมาะสมกว่า)

$^1$ $\bf R$

$^2$ $\bf u^2$

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

$^4$

— ttnphns
แหล่งที่มา

ฉันคิดว่าเราควรเพิ่มมุมมองเพิ่มเติม: ไม่ว่าเราจะใช้วิธีการแก้ปัญหาปัจจัยให้ตรงกับจำนวนของปัจจัยที่กำหนดไว้ล่วงหน้าหรือว่าจำนวนของปัจจัยควรเกิดจากข้อมูลหรือไม่โดยเกณฑ์บางอย่าง (eigenvalue, screetest, ... ) . ดังที่ฉันเข้าใจ ML นั้นมีความหมายเฉพาะถ้าคุณระบุจำนวนปัจจัยล่วงหน้าจากนั้นจะหาวิธีแก้ปัญหาและแม้แต่การทดสอบไคสแควร์ก็เป็นไปได้ PCA ช่วยให้จำนวนปัจจัยปรากฏแบบไดนามิกโดยคุณสมบัติของข้อมูลตามเกณฑ์ที่กำหนดไม่มีการทดสอบไคสแควร์ PAF สามารถใช้ได้ทั้งสองวิธี

— หมวกกันน็อกกอตฟริด

@ กอทฟริดฉันไม่เห็นด้วยกับวิธีที่คุณวางไว้ ทุกวิธีการเอฟเอต้องใช้จำนวนของปัจจัยเมตรเป็นที่รู้จัก: คุณเหมาะสมกับรูปแบบสำหรับเมตรคุณระบุ คุณสามารถใช้เกณฑ์ต่าง ๆ ซึ่งอาจช่วยในการตัดสินใจเกี่ยวกับmแต่สิ่งเหล่านี้ไม่ได้เป็นส่วนหนึ่งของวิธีการสกัดปัจจัยด้วยตนเอง ด้วยข้อยกเว้นของไคสแควร์ที่คำนวณพร้อมกับวิธีการ GLS และ ML นอกจากนี้ยังมีวิธีการ PA, ถ้าคุณรู้จริง communalities ล่วงหน้า (ซึ่งไม่ค่อย) คุณสามารถทำให้พวกเขาจะแนะนำให้คุณไปสู่สิ่งที่ดีที่สุดเมตร แต่ในกรณีที่คุณไม่ได้ขั้นตอนวิธีการสกัดของตนตัดสินใจเมตร

— ttnphns

ตอนนี้เราควรใช้อะไรดี อันไหนดีที่สุด?

— MrYouMath

สิ่งที่ดีที่สุดคือสิ่งที่คุณชอบที่สุด คุณเลือกแล้วถ้าจำเป็นคุณต้องอธิบายว่าทำไมมันถึงเหมาะกับคุณ เหมือนทุกที่

— ttnphns

@ ttnphns มีหลักการwhen to use whichหรือไม่?

— kittygirl