คำถามติดแท็ก factor-analysis

ฉันกำลังอยู่ระหว่างการพัฒนาแบบสอบถามและฉันจะใช้หมายเลขที่กำหนดเองในตัวอย่างนี้เพื่ออธิบาย สำหรับบริบทฉันกำลังพัฒนาแบบสอบถามทางจิตวิทยาที่มีวัตถุประสงค์เพื่อประเมินรูปแบบความคิดที่ระบุโดยทั่วไปในบุคคลที่มีความวิตกกังวล รายการอาจมีลักษณะ "ฉันต้องตรวจสอบเตาอบซ้ำ ๆ เพราะฉันไม่แน่ใจว่าปิดแล้ว " ฉันมีคำถาม 20 ข้อ (Likert 5 จุด) ซึ่งอาจประกอบด้วยหนึ่งหรือสองปัจจัย (โปรดทราบว่าในความเป็นจริงฉันมีคำถาม 200 คำถามซึ่งประกอบด้วย 10 เกล็ดและแต่ละสเกลอาจประกอบด้วยสองปัจจัย) ฉันยินดีที่จะลบรายการครึ่งหนึ่งทิ้งคำถาม 10 ข้อโดยหนึ่งในสองปัจจัย ฉันคุ้นเคยกับการวิเคราะห์ปัจจัยเชิงสำรวจ (EFA) ความสอดคล้องภายใน (อัลฟาของครอนบาค) และเส้นโค้งลักษณะของรายการในทฤษฎีการตอบสนองข้อ (IRT) ฉันสามารถดูว่าฉันจะใช้วิธีการใดวิธีการหนึ่งต่อไปนี้เพื่อกำหนดว่ารายการใด "แย่ลง" ในระดับใด ๆ ฉันขอขอบคุณที่แต่ละวิธียังตอบคำถามที่แตกต่างกันถึงแม้ว่าพวกเขาอาจนำไปสู่ผลลัพธ์ที่คล้ายกันและฉันไม่แน่ใจว่า "คำถาม" อะไรสำคัญที่สุด ก่อนที่เราจะเริ่มให้แน่ใจว่าฉันรู้ว่าฉันกำลังทำอะไรกับแต่ละวิธีเหล่านี้เป็นรายบุคคล เมื่อใช้ EFA ฉันจะระบุจำนวนปัจจัยและลบรายการที่โหลดน้อยที่สุด (ให้พูด <.30) กับปัจจัยที่เกี่ยวข้องหรือโหลดข้ามอย่างมีนัยสำคัญในหลาย ๆ ปัจจัย โดยใช้ความสอดคล้องภายในฉันจะลบรายการที่มี "อัลฟาถ้ารายการถูกลบ" ที่แย่กว่านั้น ฉันสามารถทำได้โดยสมมติหนึ่งปัจจัยในระดับของฉันหรือทำหลังจาก EFA เริ่มต้นเพื่อระบุจำนวนของปัจจัยและเรียกใช้อัลฟาของฉันสำหรับแต่ละปัจจัย …

12 factor-analysis  reliability  psychometrics  latent-variable  validity 

ฉันต้องลดจำนวนของตัวแปรเพื่อดำเนินการวิเคราะห์กลุ่ม ตัวแปรของฉันมีความสัมพันธ์อย่างมากดังนั้นฉันจึงคิดว่าจะทำการวิเคราะห์ปัจจัย PCA (การวิเคราะห์องค์ประกอบหลัก) อย่างไรก็ตามถ้าฉันใช้คะแนนผลลัพธ์กลุ่มของฉันไม่ถูกต้อง (เทียบกับการจำแนกประเภทก่อนหน้านี้ในวรรณคดี) คำถาม: ฉันสามารถใช้เมทริกซ์การหมุนเพื่อเลือกตัวแปรที่มีโหลดมากที่สุดสำหรับแต่ละส่วนประกอบ / ตัวประกอบและใช้เฉพาะตัวแปรเหล่านี้สำหรับการจัดกลุ่มของฉันได้หรือไม่ การอ้างอิงบรรณานุกรมใด ๆ ก็จะมีประโยชน์เช่นกัน ปรับปรุง: clarifiations บาง: เป้าหมายของฉัน: ฉันต้องเรียกใช้การวิเคราะห์กลุ่มด้วยอัลกอริทึมแบบสองขั้นตอนโดย SPSS แต่ตัวแปรของฉันไม่ได้เป็นอิสระดังนั้นฉันจึงคิดถึงการทิ้งบางอย่าง ชุดข้อมูลของฉัน: ฉันทำงานกับพารามิเตอร์สเกลาร์ 15 รายการ (ตัวแปรของฉัน) จำนวน 100,000 ราย ตัวแปรบางตัวมีความสัมพันธ์กันอย่างมาก ( Pearson)>0.9>0.9>0.9 ข้อสงสัยของฉัน: เนื่องจากฉันต้องการเพียงตัวแปรอิสระฉันจึงคิดว่าจะทำการวิเคราะห์องค์ประกอบหลัก (ขออภัย: ฉันพูดถึงการวิเคราะห์ปัจจัยในคำถามเดิมของฉันผิดพลาด) และเลือกเฉพาะตัวแปรที่มีการโหลดมากที่สุดสำหรับแต่ละองค์ประกอบ ฉันรู้ว่ากระบวนการ PCA นำเสนอบางขั้นตอนโดยพลการ แต่ฉันพบว่าการเลือกนี้คล้ายกับ " วิธี B4 " ที่เสนอโดย IT Jolliffe (1972 & 2002) …

12 clustering  pca  feature-selection  factor-analysis 

ในการวิเคราะห์องค์ประกอบหลักองค์ประกอบหลักแรกคือทิศทางk orthogonal ที่มีความแปรปรวนสูงสุด กล่าวอีกนัยหนึ่งองค์ประกอบหลักตัวแรกถูกเลือกให้เป็นทิศทางของความแปรปรวนสูงสุดองค์ประกอบหลักที่สองถูกเลือกให้เป็นทิศทางมุมฉากไปยังทิศทางแรกกับความแปรปรวนสูงสุดและอื่น ๆkkkkkk มีการตีความที่คล้ายกันสำหรับการวิเคราะห์ปัจจัยหรือไม่ ตัวอย่างเช่นฉันคิดว่าปัจจัยแรกคือปัจจัยที่อธิบายองค์ประกอบนอกแนวทแยงของเมทริกซ์สหสัมพันธ์เดิมได้ดีที่สุด(ในแง่ของการพูดข้อผิดพลาดกำลังสองระหว่างเมทริกซ์สหสัมพันธ์เดิมและเมทริกซ์สหสัมพันธ์ที่กำหนดโดย ปัจจัย). นี่เป็นเรื่องจริง (หรือมีบางอย่างที่คล้ายกันที่เราสามารถพูดได้)?kkk

12 pca  factor-analysis 

มีวิธีหลักการในการประเมินคะแนนปัจจัยเมื่อคุณมีลำดับเลขชี้กำลังตัวแปรไม่ต่อเนื่อง ฉันมีลำดับ , ไม่ต่อเนื่องตัวแปร ถ้าฉันตั้งสมมติฐานว่าการตอบสนองแต่ละอย่างนั้นเป็นตัวแปรต่อเนื่องแบบกระจายปกติแล้วฉันสามารถคำนวณเมทริกซ์สหสัมพันธ์โพลิคานิกฉันสามารถเรียกใช้การวิเคราะห์ปัจจัยในเมทริกซ์นี้และรับการโหลดปัจจัยสำหรับแต่ละตัวแปรnnnn×nn×nn\times n ฉันจะรวมการโหลดตัวประกอบและตัวแปรเพื่อประเมินคะแนนตัวประกอบได้อย่างไร วิธีทั่วไปในการประมาณคะแนนจะปรากฏว่าต้องการให้ฉันปฏิบัติกับข้อมูลลำดับเป็นช่วงเวลา ฉันคิดว่าฉันอาจต้องขุดลึกลงไปในความกล้าหาญของความสัมพันธ์ polychoric เพื่อหาฟังก์ชั่นการเชื่อมโยง

12 factor-analysis  ordinal-data 

แพ็คเกจ MARSS ใน R เสนอฟังก์ชันสำหรับการวิเคราะห์ตัวประกอบแบบไดนามิก ในแพคเกจนี้ตัวแบบไดนามิกแฟคเตอร์ถูกเขียนเป็นรูปแบบพิเศษของแบบจำลองพื้นที่รัฐและพวกเขาคิดว่าแนวโน้มทั่วไปเป็นไปตามกระบวนการ AR (1) เนื่องจากฉันไม่คุ้นเคยกับสองวิธีนี้ฉันจึงมาพร้อมกับคำถามสองข้อ: การวิเคราะห์ปัจจัยแบบไดนามิกเป็นรูปแบบพิเศษของแบบจำลองพื้นที่ของรัฐหรือไม่ ความแตกต่างระหว่างสองวิธีคืออะไร? นอกจากนี้การวิเคราะห์ปัจจัยแบบไดนามิกไม่จำเป็นต้องถือว่าแนวโน้มทั่วไปเป็นกระบวนการ AR (1) มีแพ็คเกจใดบ้างที่อนุญาตให้มีแนวโน้มทั่วไปว่าเป็น ARIMA ตามฤดูกาล (หรือบางอย่าง) กระบวนการ?

12 r  time-series  forecasting  factor-analysis  state-space-models 

การวิเคราะห์ปัจจัยมีวิธีการหมุนหลายวิธีเช่น varimax, quartimax, equamax, promax, oblimin เป็นต้นฉันไม่สามารถหาข้อมูลใด ๆ ที่เกี่ยวข้องกับชื่อของพวกเขากับการกระทำทางคณิตศาสตร์หรือสถิติที่แท้จริง ทำไมถึงเรียกว่า "equa-max" หรือ "quarti-max" แกนหรือเมทริกซ์หมุนไปทางใดดังนั้นพวกเขาจึงมีชื่อเช่นนี้? น่าเสียดายที่พวกเขาส่วนใหญ่ถูกประดิษฐ์ขึ้นในปี 1950 - 1970 ดังนั้นฉันไม่สามารถติดต่อผู้เขียนได้

12 factor-analysis  terminology  factor-rotation 

ไม่เหมือนกับการวิเคราะห์องค์ประกอบหลักโซลูชันสำหรับการวิเคราะห์ปัจจัยไม่จำเป็นต้องซ้อนกัน นั่นคือการโหลด (ตัวอย่าง) สำหรับปัจจัยแรกไม่จำเป็นต้องเหมือนกันเมื่อมีการแยกเฉพาะปัจจัยแรกเทียบกับเมื่อสองปัจจัยแรกเป็น เมื่อคำนึงถึงสิ่งนั้นแล้วให้พิจารณากรณีที่คุณมีชุดของตัวแปรที่มีความสัมพันธ์อย่างมากและ (โดยความรู้เชิงทฤษฎีเกี่ยวกับเนื้อหา) ควรได้รับแรงผลักดันจากปัจจัยเดียว ลองนึกภาพว่าการวิเคราะห์ปัจจัยเชิงสำรวจ (ตามที่คุณต้องการตัวชี้วัด: การวิเคราะห์แบบขนาน, พล็อตหินกรวด, ค่าไอเกน> 1 ฯลฯ ) ขอแนะนำอย่างยิ่งว่ามีปัจจัย: ปัจจัยหลักที่มีขนาดใหญ่และปัจจัยรองขนาดเล็ก คุณมีความสนใจในการใช้ตัวแปรรายการและการแก้ปัญหาปัจจัยเพื่อประเมิน (เช่นรับคะแนนปัจจัย) ค่าของผู้เข้าร่วมสำหรับปัจจัยแรก ในสถานการณ์นี้มันจะดีกว่าหรือไม่:222 เหมาะสมกับรูปแบบปัจจัยที่จะดึงเพียงปัจจัยและได้รับคะแนนปัจจัย ( ฯลฯ ) หรือ111 พอดีกับแบบจำลองปัจจัยเพื่อแยกปัจจัยทั้งสองรับคะแนนปัจจัยสำหรับปัจจัยต่าง ๆ แต่ละทิ้ง / ละเว้นคะแนนสำหรับปัจจัยที่สอง? อะไรคือแนวปฏิบัติที่ดีกว่าทำไม? มีการวิจัยเกี่ยวกับปัญหานี้หรือไม่?

11 references  factor-analysis  psychometrics 

ฉันมีชุดข้อมูลที่ประกอบด้วยการสังเกต 717 ครั้ง (แถว) ซึ่งอธิบายด้วย 33 ตัวแปร (คอลัมน์) ข้อมูลได้มาตรฐานโดย z- คะแนนตัวแปรทั้งหมด ไม่มีตัวแปรสองตัวที่ขึ้นต่อกันแบบเชิงเส้น ( ) ฉันได้ลบตัวแปรทั้งหมดที่มีความแปรปรวนต่ำมาก (น้อยกว่า0.1 ) รูปด้านล่างแสดงเมทริกซ์สหสัมพันธ์ที่สอดคล้องกัน (เป็นค่าสัมบูรณ์)r=1r=1r=10.10.10.1 เมื่อฉันพยายามเรียกใช้การวิเคราะห์ปัจจัยที่ใช้factoranใน Matlab ดังนี้ [Loadings1,specVar1,T,stats] = factoran(Z2,1); ฉันได้รับข้อผิดพลาดต่อไปนี้: The data X must have a covariance matrix that is positive definite. คุณช่วยบอกฉันทีว่าปัญหาอยู่ที่ไหน มันเป็นเพราะการพึ่งพาซึ่งกันและกันต่ำในหมู่ตัวแปรที่ใช้? นอกจากนี้ฉันจะทำอะไรได้บ้าง เมทริกซ์ความสัมพันธ์ของฉัน:

11 matlab  factor-analysis  covariance  covariance-matrix 

ฉันต้องการตรวจสอบว่าฉันเข้าใจการวิเคราะห์ตัวประกอบ [คลาสสิคเชิงเส้น] (FA) โดยเฉพาะอย่างยิ่งสมมติฐานที่สร้างขึ้นก่อนหน้านี้ (และหลังจากนั้น) FA ข้อมูลบางส่วนควรมีความสัมพันธ์เริ่มแรกและมีความสัมพันธ์เชิงเส้นที่เป็นไปได้ระหว่างกัน หลังจากทำการวิเคราะห์ปัจจัยข้อมูลจะถูกกระจายตามปกติ (การกระจายตัวแบบ bivariate สำหรับแต่ละคู่) และไม่มีความสัมพันธ์ระหว่างปัจจัย (ทั่วไปและจำเพาะ) และไม่มีความสัมพันธ์ระหว่างตัวแปรจากปัจจัยหนึ่งและตัวแปรจากปัจจัยอื่น ๆ ถูกต้องหรือไม่

11 correlation  factor-analysis  assumptions  dimensionality-reduction 

ฉันสอนวิชาภูมิศาสตร์เศรษฐศาสตร์เบื้องต้น เพื่อช่วยให้นักเรียนของฉันพัฒนาความเข้าใจที่ดีขึ้นเกี่ยวกับประเภทของประเทศที่พบในเศรษฐกิจโลกร่วมสมัยและการชื่นชมเทคนิคการลดข้อมูลฉันต้องการสร้างงานที่ทำให้เกิดความแตกต่างของประเทศต่างๆ (เช่นรายได้สูง - มูลค่าเพิ่ม mfg อายุการใช้งานยาวนานรายได้สูงผู้ส่งออกทรัพยากรธรรมชาติอายุขัยกลางถึงสูงโดยเยอรมนีเป็นองค์ประกอบของประเภทแรกและเยเมนเป็นตัวอย่างของประเภทที่สอง) สิ่งนี้จะใช้ข้อมูล UNDP ที่เปิดเผยต่อสาธารณชน (ซึ่งหากฉันจำได้อย่างถูกต้องว่ามีข้อมูลทางสังคมและเศรษฐกิจในน้อยกว่า 200 ประเทศขออภัยด้วยไม่มีข้อมูลภูมิภาค) ก่อนที่จะมีการมอบหมายนี้จะเป็นอีกสิ่งหนึ่งที่ขอให้พวกเขา (ใช้ --- ส่วนใหญ่ช่วงเวลาหรือระดับอัตราส่วน --- ข้อมูล) เพื่อตรวจสอบความสัมพันธ์ระหว่างตัวแปรเดียวกันเหล่านี้ ความหวังของฉันคือพวกเขาจะพัฒนาสัญชาตญาณสำหรับชนิดของความสัมพันธ์ระหว่างตัวแปรต่าง ๆ (เช่นความสัมพันธ์เชิงบวกระหว่างอายุขัยและ [ตัวบ่งชี้ต่าง ๆ ของความมั่งคั่ง] ความสัมพันธ์เชิงบวกระหว่างความมั่งคั่งและความหลากหลายในการส่งออก) จากนั้นเมื่อใช้เทคนิคการลดข้อมูลส่วนประกอบหรือปัจจัยจะทำให้เกิดความรู้สึกหยั่งรู้ (เช่นปัจจัย / องค์ประกอบที่ 1 ให้ความสำคัญกับความมั่งคั่ง; ปัจจัย / องค์ประกอบที่ 2 ให้ความสำคัญกับการศึกษา) ระบุว่าสิ่งเหล่านี้เป็นนักเรียนปีที่สองถึงสี่ซึ่งบ่อยครั้งที่มีการเปิดรับความคิดในการวิเคราะห์มากกว่าปกติคุณจะแนะนำเทคนิคการลดข้อมูลใดที่เหมาะสมที่สุดสำหรับการมอบหมายครั้งที่สอง นี่คือข้อมูลประชากรสถิติเชิงอนุมาน (p-vlaues ฯลฯ ) จึงไม่จำเป็นจริงๆ

11 pca  factor-analysis  dimensionality-reduction 

ความแตกต่างระหว่างการหมุน varimax กับการหมุนแบบ oblimin ในการวิเคราะห์ปัจจัยคืออะไร? นอกจากนี้ฉันยังสับสนเกี่ยวกับความสัมพันธ์ระหว่างการวิเคราะห์องค์ประกอบหลักการหมุน varimax และการวิเคราะห์ปัจจัยเชิงสำรวจทั้งในเชิงทฤษฎีและใน SPSS พวกเขาเกี่ยวข้องกันอย่างไร

11 factor-analysis  rotation 

ฉันทำการวิจัยเกี่ยวกับเกมเพื่อการศึกษาและบางโครงการในปัจจุบันของฉันเกี่ยวข้องกับการใช้ข้อมูลจากBoardGameGeek (BGG) และVideoGameGeek (VGG) เพื่อตรวจสอบความสัมพันธ์ระหว่างองค์ประกอบการออกแบบของเกม (เช่น "ตั้งอยู่ในสงครามโลกครั้งที่สอง", "เกี่ยวข้องกับลูกเต๋ากลิ้ง" ) และการจัดอันดับผู้เล่นของเกมเหล่านั้น (เช่นคะแนนจาก 10) องค์ประกอบการออกแบบเหล่านี้แต่ละรายการสอดคล้องกับแท็กในระบบ BGG หรือ VGG ดังนั้นองค์ประกอบแต่ละรายการจึงเป็นตัวแปรแบบแยกส่วน เกมมี 1 สำหรับทุกแท็กที่มีอยู่ในฐานข้อมูลของมันและ 0 สำหรับทุกแท็กที่ไม่มีอยู่ มีแท็กเหล่านี้อยู่หลายสิบแท็กดังนั้นฉันต้องการใช้การวิเคราะห์ปัจจัยเชิงสำรวจ (EFA) เพื่อสร้าง "แนว" จำนวนที่จัดการได้ซึ่งจับรูปแบบในการออกแบบเกม ให้คำปรึกษากับแหล่งข้อมูลหลายแห่งฉันเข้าใจว่าเนื่องจากฉันทำงานกับตัวแปรแบบแบ่งขั้วฉันควรใช้ความสัมพันธ์แบบpolychoric ( tetrachoricโดยเฉพาะที่นี่) แทนที่จะเป็นแบบเพียร์สันเมื่อมากับปัจจัยของฉัน (มีตัวเลือกอื่น ๆ เช่นการวิเคราะห์ลักษณะแฝง ออกไปข้างนอก แต่นี่คือสิ่งที่ฉันกำลังสำรวจ) จากความอยากรู้ฉันได้รับปัจจัยสองชุดหนึ่งชุดโดยใช้สหสัมพันธ์ของเพียร์สันและอีกชุดหนึ่งที่ใช้สหสัมพันธ์พอลิคอซิค (ปัจจัยจำนวนเดียวกันในแต่ละครั้ง) ปัญหาของฉันคือปัจจัยที่คำนวณโดยใช้สหสัมพันธ์ของเพียร์สันทำให้เข้าใจได้ง่ายขึ้นและตีความได้ง่ายกว่าปัจจัยที่คำนวณโดยใช้สหสัมพันธ์ของพอลิคอริก กล่าวอีกนัยหนึ่ง "ประเภท" จากชุดแรกของปัจจัยทำให้เข้าใจง่ายและสอดคล้องกับความเข้าใจของฉันเกี่ยวกับวิธีการออกแบบเกมโดยทั่วไป นั่นไม่ใช่กรณีสำหรับปัจจัยชุดที่สอง ในอีกด้านหนึ่งฉันต้องการตรวจสอบให้แน่ใจว่าฉันทำตามข้อสันนิษฐานของการทดสอบที่ฉันใช้อยู่แม้ว่ามันจะทำให้ผลลัพธ์ของฉันออกมาสวยน้อยลง ในอีกด้านหนึ่งฉันรู้สึกว่าส่วนหนึ่งของเป้าหมายของการวิเคราะห์ปัจจัยและการสร้างแบบจำลอง (กว้างขึ้น) คือการหาสิ่งที่มีประโยชน์และข้อมูลที่เป็นประโยชน์มากขึ้นก็จะปรากฏขึ้นเมื่อฉัน "ผิดกฎ" จำเป็นต้องมีแบบจำลองที่มีประโยชน์เพียงพอที่จะเกินดุลที่ละเมิดสมมติฐานของการทดสอบนี้หรือไม่? อะไรคือผลที่ตามมาจากการใช้เพียร์สันสหสัมพันธ์แทนที่จะเป็นพอลิคอร์ติก?

10 r  categorical-data  factor-analysis  binary-data 

มีเหตุผลใดบ้างที่จะไม่หมุนโซลูชันการวิเคราะห์ปัจจัยเชิงสำรวจ? มันง่ายที่จะหาการสนทนาเปรียบเทียบการแก้ปัญหามุมฉากกับการแก้ปัญหาแบบเอียงและฉันคิดว่าฉันเข้าใจสิ่งทั้งหมดอย่างสมบูรณ์ นอกจากนี้จากสิ่งที่ฉันสามารถหาได้ในตำราเรียนผู้เขียนมักจะอธิบายวิธีการวิเคราะห์การวิเคราะห์ปัจจัยในการอธิบายวิธีการหมุนและตัวเลือกที่แตกต่างกัน สิ่งที่ฉันไม่ได้เห็นคือการสนทนาว่าจะหมุนในตอนแรกหรือไม่ ในฐานะโบนัสฉันขอขอบคุณเป็นพิเศษหากใคร ๆ ก็สามารถโต้เถียงกับการหมุนของประเภทใด ๆ ที่จะใช้ได้สำหรับหลายวิธีในการประเมินปัจจัย (เช่นวิธีส่วนประกอบหลักและวิธีโอกาสสูงสุด)

10 factor-analysis  factor-rotation 

ตัวอย่างง่ายๆสมมติว่ามีตัวแบบถดถอยเชิงเส้นสองแบบ รุ่นที่ 1 มีสามทำนาย, x1a, x2bและx2c แบบจำลอง 2 มีตัวทำนายสามตัวจากแบบจำลอง 1 และสองตัวทำนายเพิ่มเติมx2aและx2b มีสมการถดถอยที่ประชากรประชากรแปรปรวนอธิบายคือเป็น สำหรับรุ่นที่ 1 และρ 2 ( 2 )สำหรับรุ่น 2. แปรปรวนเพิ่มขึ้นอธิบายโดยรุ่น 2 ในประชากรที่อยู่Δ ρ 2 = ρ 2 ( 2 ) - ρ 2 ( 1 )ρ2(1)ρ(1)2\rho^2_{(1)}ρ2(2)ρ(2)2\rho^2_{(2)}Δρ2=ρ2(2)−ρ2(1)Δρ2=ρ(2)2−ρ(1)2\Delta\rho^2 = \rho^2_{(2)} - \rho^2_{(1)} ฉันสนใจในการได้รับข้อผิดพลาดมาตรฐานและช่วงความเชื่อมั่นสำหรับประมาณการของ 2 ในขณะที่ตัวอย่างเกี่ยวข้องกับตัวทำนาย 3 และ 2 ตามลำดับความสนใจงานวิจัยของฉันเกี่ยวข้องกับตัวทำนายจำนวนต่าง ๆ (เช่น …

10 regression  confidence-interval  estimation  r-squared  shrinkage  anova  t-test  references  tukey-hsd  machine-learning  boosting  r  clustering  fishers-exact  generalized-linear-model  model  probit  link-function  r  survival  probability  distributions  dice  logistic  lme4-nlme  glmm  meta-analysis  distributions  distributions  factor-analysis  r  anova  repeated-measures  post-hoc 

ฉันมีชุดตัวแปร 20 ตัวที่ฉันได้ทำการวิเคราะห์ปัจจัยใน SPSS สำหรับวัตถุประสงค์ของการวิจัยฉันต้องพัฒนา 6 ปัจจัย SPSS แสดงให้เห็นว่ามี 8 ตัวแปร (จาก 20) ที่ถูกโหลดด้วยน้ำหนักต่ำหรือถูกโหลดอย่างเท่าเทียมกันโดยปัจจัยหลายประการดังนั้นฉันจึงลบมันออก ตัวแปรที่เหลืออีก 12 ตัวถูกโหลดเป็นคู่ 2 ใน 6 ปัจจัยซึ่งเป็นโครงสร้างที่สมบูรณ์แบบ - อย่างที่ฉันต้องการ แต่ตอนนี้อาจารย์คนหนึ่งที่ทำงานกับฉันต้องการให้ฉันหาเหตุผลว่าทำไม (หรือภายใต้เงื่อนไขใด) มีความเหมาะสมที่จะเก็บเพียง 2รายการต่อปัจจัยหนึ่งเท่านั้นเนื่องจากเป็นที่ทราบกันโดยทั่วไปว่าการวิเคราะห์ปัจจัยมีประโยชน์กับผลลัพธ์ 3 รายการขึ้นไปที่โหลดต่อปัจจัย ใครช่วยฉันออกจากปัญหานี้โดยเฉพาะอย่างยิ่งกับการอ้างอิงที่เผยแพร่เช่นกัน?

10 spss  factor-analysis  references  assumptions