มีเหตุผลหรือไม่ที่จะปล่อยให้โซลูชันการวิเคราะห์ปัจจัยเชิงสำรวจไม่ได้รับการป้องกัน

มีเหตุผลใดบ้างที่จะไม่หมุนโซลูชันการวิเคราะห์ปัจจัยเชิงสำรวจ?

มันง่ายที่จะหาการสนทนาเปรียบเทียบการแก้ปัญหามุมฉากกับการแก้ปัญหาแบบเอียงและฉันคิดว่าฉันเข้าใจสิ่งทั้งหมดอย่างสมบูรณ์ นอกจากนี้จากสิ่งที่ฉันสามารถหาได้ในตำราเรียนผู้เขียนมักจะอธิบายวิธีการวิเคราะห์การวิเคราะห์ปัจจัยในการอธิบายวิธีการหมุนและตัวเลือกที่แตกต่างกัน สิ่งที่ฉันไม่ได้เห็นคือการสนทนาว่าจะหมุนในตอนแรกหรือไม่

ในฐานะโบนัสฉันขอขอบคุณเป็นพิเศษหากใคร ๆ ก็สามารถโต้เถียงกับการหมุนของประเภทใด ๆ ที่จะใช้ได้สำหรับหลายวิธีในการประเมินปัจจัย (เช่นวิธีส่วนประกอบหลักและวิธีโอกาสสูงสุด)

factor-analysis factor-rotation

— psychometriko
แหล่งที่มา

การหมุนของแกน (ปัจจัย) ไม่มีการเปลี่ยนแปลงใด ๆ ในการตีข่าวของตัวแปรที่เผชิญหน้ากันในพื้นที่ของปัจจัยทั่วไป การหมุนจะเปลี่ยนค่าพิกัดบนแกนเหล่านั้นเท่านั้น (การโหลด) ซึ่งช่วยในการตีความปัจจัย อุดมคติในที่นี้คือรูปแบบหนึ่งที่เรียกว่า "โครงสร้างอย่างง่าย" การหมุนเป็นเพียงการตีความ คุณสามารถหมุนมุมฉากหมุนเฉพาะแกนนี้หรือแกนหมุนหรือหมุนไม่ได้เลย ที่ไม่เกี่ยวข้องกับคุณภาพทางคณิตศาสตร์ของการวิเคราะห์ปัจจัยของคุณ นั่นเป็นเหตุผลที่พวกเขามักจะไม่พูดคุยwhether or not to rotate in the first placeกัน

— ttnphns

ใช่ฉันเข้าใจแล้ว มีเหตุผลที่ดีมากมายในการหมุนโซลูชัน แต่สิ่งที่ฉันถามว่ามีการโต้เถียงใด ๆกับการหมุนหรือไม่

— psychometriko

คำตอบ:

ใช่อาจมีเหตุผลที่จะถอนตัวจากการหมุนในการวิเคราะห์ปัจจัย เหตุผลนั้นคล้ายกับเหตุผลที่เรามักจะไม่หมุนส่วนประกอบหลักใน PCA (เช่นเมื่อเราใช้เป็นหลักในการลดขนาดและเพื่อไม่ให้มีลักษณะแบบแฝง)

หลังจากการแยกปัจจัย (หรือส่วนประกอบ) เป็น orthogonal และมักจะส่งออกตามลำดับจากความแปรปรวน (คอลัมน์ผลรวมของกำลังสองของการโหลด) ปัจจัยที่ 1 จึงครอบงำ ปัจจัยจูเนียร์ทางสถิติอธิบายสิ่งที่คนที่ 1 ไม่ได้อธิบาย บ่อยครั้งที่ปัจจัยโหลดค่อนข้างสูงในตัวแปรทั้งหมดและนั่นหมายความว่ามันมีหน้าที่รับผิดชอบความสัมพันธ์เบื้องหลังของตัวแปร ปัจจัยที่หนึ่งดังกล่าวบางครั้งเรียกว่าปัจจัยทั่วไปหรือ g-factor มันถือเป็นความรับผิดชอบสำหรับความจริงที่ว่าความสัมพันธ์เชิงบวกที่เหนือกว่าใน psychometrics $^1$

หากคุณสนใจที่จะสำรวจปัจจัยนั้นแทนที่จะเพิกเฉยและปล่อยให้มันละลายอยู่ข้างหลังโครงสร้างอย่างง่ายอย่าหมุนปัจจัยที่แยกออกมา คุณยังสามารถแยกแยะผลกระทบของปัจจัยทั่วไปจากความสัมพันธ์และดำเนินการวิเคราะห์ปัจจัยความสัมพันธ์ที่เหลือ

ความแตกต่างระหว่างปัจจัย / สกัดการแก้ปัญหาองค์ประกอบบนมือข้างหนึ่งและวิธีการแก้ปัญหาว่าหลังจากหมุน (มุมฉากหรือเอียง) บนมืออื่น ๆ ที่เป็นที่ - สกัดโหลดเมทริกซ์มีมุมฉาก (หรือเกือบตั้งฉากสำหรับวิธีการบางอย่าง การสกัด) คอลัมน์:เป็นแนวทะแยง กล่าวอีกนัยหนึ่งการบรรจุอยู่ใน "โครงสร้างแกนหลักการ" หลังจากการหมุน - แม้แต่การหมุนเพื่อรักษาความเป็นเอกพันธ์ของปัจจัย / ส่วนประกอบเช่น varimax - ความสูญเสียจากแรงโหลดจะหายไป: "โครงสร้างแกนแกน" ถูกทิ้งให้อยู่กับ "โครงสร้างที่เรียบง่าย" โครงสร้างแกนหลักช่วยให้สามารถแยกแยะระหว่างปัจจัย / ส่วนประกอบเป็น "หลักการเพิ่มเติม" หรือ "หลักการลดลง" $^1$ $\bf A$ $\bf A'A$ เป็นองค์ประกอบทั่วไปที่สุดของทั้งหมด) ในขณะที่โครงสร้างที่เรียบง่ายมีความสำคัญเท่าเทียมกันของปัจจัย / ส่วนประกอบทั้งหมดที่หมุนอยู่ - โดยการพูดอย่างมีเหตุผลคุณไม่สามารถเลือกได้หลังจากการหมุน: ยอมรับทั้งหมด (Pt 2ที่นี่) ดูภาพที่นี่แสดงการโหลดก่อนการหมุนและหลังการหมุน varimax $\bf A$

— ttnphns
แหล่งที่มา

Reise, Moore และ Haviland (2010)พูดคุยแนวคิดในประโยคสุดท้ายของคุณในเชิงลึก Reise (2012) ดูเหมือนว่าจะแนะนำว่าการวิเคราะห์ bifactor กำลังคัมแบ็กเกินกำหนด แน่นอนฉันหวังว่าฉันจะรู้เกี่ยวกับมันเร็วกว่าตัวเอง!

— Nick Stauner

และการเรียงลำดับของปัจจัยจากความแปรปรวนมากที่สุดไปจนถึงน้อยที่สุดสิ่งนี้มักเกิดขึ้นกับวิธีการแยกตัวประกอบที่ต่างกัน? เช่นแกนแฟคตอริ่งหลักโอกาสสูงสุด ฯลฯ ?

— psychometriko

@psychometriko ดีมันเป็นเช่นนั้นเสมอกับ p แกน. ด้วยวิธีอื่นการสั่งซื้ออาจขึ้นอยู่กับซอฟต์แวร์ / บรรจุภัณฑ์ที่คุณใช้ สิ่งที่ฉันแนะนำให้ทำ - เพื่อให้แน่ใจว่า 1) การสั่งซื้อมาจากความแปรปรวนสูงสุดถึงความแปรปรวนต่ำสุด 2) ความแปรปรวนสูงสุดสำหรับทุก ๆ ปัจจัยก่อนหน้านี้ - ทำ PCA ของเมทริกซ์การโหลดหลังจากการสกัด! (ทำ PCA นี้โดยไม่อยู่ตรงกลาง / ทำให้เป็นมาตรฐาน)

— ttnphns

ฉันคิดว่านี่อาจช่วยคุณได้: https://www.utdallas.edu/~herve/Abdi-rotations-pretty.pdf

ความนับถือ,

— jjgibaja
แหล่งที่มา

เอกสารนี้ทำในสิ่งที่ฉันบอกว่าตำราเรียนส่วนใหญ่ทำ: อธิบายว่าการวิเคราะห์ปัจจัยทำงานอย่างไรจากนั้นก็เข้าสู่คำอธิบายว่าทำไมต้องหมุนโซลูชันและวิธีการต่าง ๆ ในการทำเช่นนั้นทันที ฉันสนใจเป็นพิเศษว่าจะมีข้อโต้แย้งกับการหมุนแก้ปัญหาหรือไม่ ฉันไม่เชื่อว่าผู้แต่งจะจัดการเรื่องนี้ได้

— psychometriko

ยินดีต้อนรับสู่เว็บไซต์ @jigbaja นี่ไม่ใช่คำตอบสำหรับคำถามของ OP มันเป็นความคิดเห็นเพิ่มเติม โปรดใช้ฟิลด์ "คำตอบของคุณ" เพื่อให้คำตอบเท่านั้น ฉันรู้ว่ามันน่าผิดหวัง แต่คุณจะสามารถแสดงความคิดเห็นได้ทุกที่เมื่อชื่อเสียงของคุณ> 50 หรือคุณอาจลองขยายมันเพื่อให้ได้คำตอบมากขึ้น เนื่องจากคุณใหม่ที่นี่คุณอาจต้องการอ่านหน้าทัวร์ของเราซึ่งมีข้อมูลสำหรับผู้ใช้ใหม่

— gung - Reinstate Monica

การหมุนของปัจจัยมีแนวโน้มที่จะปิดบังผลลัพธ์หากค่าลักษณะเฉพาะหนึ่งอันมีค่า ฉันมีกรณีที่ค่าลักษณะเฉพาะแรกมีขนาดใหญ่กว่าส่วนที่เหลือ วิธีการหมุนส่วนใหญ่มีแนวโน้มที่จะกระจายความแปรปรวนอย่างเท่าเทียมกันระหว่างปัจจัยต่างๆ สิ่งนี้สามารถปิดบังความจริงที่ว่าอาจมีสาเหตุเพียงสาเหตุเดียวที่อยู่เบื้องหลังความแปรปรวนส่วนใหญ่

— มีหมอกใน

ไม่ใช่ซอฟต์แวร์ FA ทั้งหมดที่ทำงานเหมือนกันเมื่อคุณระบุว่าไม่มีการหมุน ตัวอย่างเช่นแพคเกจ R umxEFA จะจัดปัจจัยแรกกับตัวแปรแรก ฉันพบว่าการหมุน quartimax นั้นดีที่สุดเมื่อค่าไอเกนหนึ่งมีอิทธิพลเหนือและไม่มีการหมุนตัวเลือก ฉันถูกหรือมีวิธีการหมุนที่ดีกว่าเมื่อมีปัจจัยทั่วไปอย่างใดอย่างหนึ่งหรือไม่

— หมอก