คำถามติดแท็ก factor-analysis

ระบบเชิงเส้นของสมการเป็นที่แพร่หลายในสถิติการคำนวณ ระบบพิเศษหนึ่งที่ฉันได้พบ (เช่นในการวิเคราะห์ปัจจัย) คือระบบ A x = bAx=bAx=b ที่ นี่คือเมทริกซ์แนวทแยงที่มีเส้นทแยงมุมบวกอย่างเคร่งครัดคือ (กับ ) สมมาตรเมทริกซ์กึ่งแน่นอนกึ่งบวกแน่นอนและเป็นเมทริกซ์โดยพลการ เราถูกขอให้แก้ไขระบบเส้นตรงในแนวทแยง (ง่าย) ที่ได้รับการรบกวนโดยเมทริกซ์ระดับต่ำ วิธีที่ไร้เดียงสาในการแก้ปัญหาดังกล่าวข้างต้นคือการกลับโดยใช้สูตรของฟอร์ด อย่างไรก็ตามนั่นไม่ถูกต้องเนื่องจาก Cholesky และ QR factorizations สามารถเร่งแก้ปัญหาของระบบเชิงเส้น (และสมการปกติ) ได้อย่างรวดเร็ว ฉันเพิ่งมาถึง D n × n Ω เมตร× มม« n B n × เมตรA = D + B Ω BTA=D+BΩBTA=D+ B \Omega B^TDDDn × nn×nn\times nΩΩ\Omegam …

10 factor-analysis  matrix  computational-statistics  matrix-decomposition  matrix-inverse 

ฉันต้องเรียกใช้การวิเคราะห์ปัจจัยบนชุดข้อมูลที่สร้างขึ้นจากตัวแปร dichotomous (0 = ใช่, 1 = ไม่) และฉันไม่รู้ว่าฉันกำลังอยู่ในเส้นทางที่ถูกต้องหรือไม่ ใช้ฉันจะสร้างเมทริกซ์ความสัมพันธ์ซึ่งผมทำงานtetrachoric() fa(data,factors=1)ผลลัพธ์ค่อนข้างใกล้เคียงกับผลลัพธ์ที่ฉันได้รับเมื่อใช้MixFactorแต่ไม่เหมือนกัน ไม่เป็นไรหรือคุณจะแนะนำขั้นตอนอื่นหรือไม่ เหตุใดจึงfa()ทำงานและfactanal()สร้างข้อผิดพลาด ( Fehler in solve.default(cv) : System ist für den Rechner singulär: reziproke Konditionszahl = 4.22612e-18)

10 r  factor-analysis  psychometrics  binary-data 

ฉันกำลังพยายามใช้อัลกอริทึม EM สำหรับรูปแบบการวิเคราะห์ปัจจัยต่อไปนี้ WJ= μ + B aJ+ eJสำหรับj = 1 , … , nWj=μ+Baj+ejforj=1,…,nW_j = \mu+B a_j+e_j \quad\text{for}\quad j=1,\ldots,n ที่คือ P-มิติเวกเตอร์สุ่มเจเป็นเวกเตอร์ Q-มิติของตัวแปรแฝงและBเป็นเมทริกซ์ pxq ของพารามิเตอร์WJWjW_jaJaja_jBBB จากข้อสมมติฐานอื่น ๆ ที่ใช้สำหรับแบบจำลองฉันรู้ว่าโดยที่Dคือเมทริกซ์ความแปรปรวนร่วมแปรปรวนของข้อผิดพลาดe j , D = diag ( σ 2 1 , σ 2 2 , ... , σ 2 p )Wj∼N(μ,BB′+D)Wj∼N(μ,BB′+D)W_j\sim N(\mu, BB'+D)DDDejeje_jDDDσ21σ12\sigma_1^2σ22σ22\sigma_2^2σ2pσp2\sigma_p^2 …

10 factor-analysis  expectation-maximization 

ฉันเพิ่งเรียกใช้ FA โดยใช้การหมุนแบบเอียง (promax) และรายการให้ค่าการโหลดปัจจัย 1.041 ในปัจจัยเดียว (และปัจจัยการโหลดของ -.131, -.119 และ. 0.65 ในอีกปัจจัยที่ใช้เมทริกซ์รูปแบบ ) . และฉันไม่แน่ใจว่ามันหมายถึงอะไรฉันคิดว่ามันอาจจะอยู่ระหว่าง -1 ถึง 1 เท่านั้น มันเกิดจากการหมุนแบบเอียงหรือไม่? และสามารถโหลดเกิน 1 ด้วยปัจจัยมุมฉากได้หรือไม่

10 pca  factor-analysis  factor-rotation 

สมมติว่าฉันมีชุดข้อมูลที่มีคะแนนในรายการแบบสอบถามจำนวนมากซึ่งในทางทฤษฎีประกอบด้วยเครื่องชั่งจำนวนน้อยเช่นในการวิจัยทางจิตวิทยา ฉันรู้วิธีการทั่วไปที่นี่คือการตรวจสอบความน่าเชื่อถือของเครื่องชั่งโดยใช้อัลฟ่าของครอนบาคหรือสิ่งที่คล้ายกันจากนั้นรวมรายการในเครื่องชั่งเพื่อสร้างคะแนนมาตราส่วนและทำการวิเคราะห์ต่อไปจากที่นั่น แต่ยังมีการวิเคราะห์ปัจจัยซึ่งสามารถนำคะแนนรายการทั้งหมดของคุณมาเป็นข้อมูลป้อนเข้าและบอกให้คุณทราบว่าปัจจัยใดเป็นปัจจัยที่สอดคล้องกัน คุณสามารถรับรู้ว่าปัจจัยเหล่านี้แข็งแกร่งเพียงใดโดยดูที่การโหลดและชุมชนและอื่น ๆ สำหรับฉันแล้วมันดูเหมือนสิ่งที่เหมือนกันมีเพียงเชิงลึกเท่านั้น แม้ว่าความน่าเชื่อถือในเครื่องชั่งของคุณจะดี แต่ EFA อาจแก้ไขให้คุณได้ว่ารายการใดเหมาะสมกับเครื่องชั่งที่ดีกว่าใช่ไหม คุณอาจจะได้รับการโหลดข้ามและมันอาจสมเหตุสมผลกว่าที่จะใช้คะแนนปัจจัยที่ได้รับมากกว่าผลรวมของสเกลแบบง่าย หากฉันต้องการใช้เครื่องชั่งน้ำหนักเหล่านี้สำหรับการวิเคราะห์ในภายหลัง (เช่นการถดถอยหรือ ANOVA) ฉันควรรวมเครื่องชั่งตราบใดที่ความน่าเชื่อถือของพวกเขามีอยู่? หรือเป็นเหมือน CFA (การทดสอบเพื่อดูว่าเครื่องชั่งถือเป็นปัจจัยที่ดีหรือไม่ซึ่งดูเหมือนจะวัดในลักษณะเดียวกันกับ 'ความน่าเชื่อถือ') ฉันได้รับการสอนเกี่ยวกับวิธีการทั้งสองอย่างอิสระดังนั้นฉันจึงไม่ทราบว่าพวกเขาเกี่ยวข้องกันอย่างไรไม่ว่าพวกเขาจะสามารถใช้ร่วมกันได้หรืออย่างใดอย่างหนึ่งที่เหมาะสมกับบริบทใด มีต้นไม้ตัดสินใจสำหรับการปฏิบัติวิจัยที่ดีในกรณีนี้หรือไม่? สิ่งที่ต้องการ: เรียกใช้ CFA ตามรายการมาตราส่วนที่คาดการณ์ไว้ ถ้า CFA มีขนาดพอดีให้คำนวณคะแนนตัวประกอบและใช้สำหรับการวิเคราะห์ หาก CFA มีขนาดไม่พอดีให้เรียกใช้ EFA แทนและใช้วิธีการสำรวจ (หรือบางอย่าง) การวิเคราะห์ปัจจัยและการทดสอบความน่าเชื่อถือเป็นวิธีการแยกจากกันในเรื่องเดียวกันหรือฉันเข้าใจผิดบางแห่งหรือไม่?

9 factor-analysis  reliability  psychometrics  cronbachs-alpha  scale-construction 

ฉันกำลังสำรวจคุณสมบัติไซโครเมทของการวัดรายงานตนเอง 10 ข้อ ฉันมีประมาณ 400 รายในสองตัวอย่างอิสระ รายการจะแล้วเสร็จในสเกล Likert 4 จุด EFA สนับสนุนการแก้ปัญหาปัจจัยเดียวอย่างชัดเจน (เช่นค่าเริ่มต้นแรกที่มากกว่า 6 ค่าอื่น ๆ ทั้งหมดต่ำกว่า 1) และค่าอัลฟาของ Cronbach นั้นดี (เช่น. 90) ไม่มีรายการใดที่มีความสัมพันธ์กับผลรวมรายการต่ำ เดิมทีฉันต้องการทำ CFA (EFA เป็นเพียงการติดตามหลังจากที่ฉันเห็น CFA ไม่ดี) ทดสอบแบบจำลองปัจจัยเดียว สำหรับความประหลาดใจของฉันแบบสำหรับรุ่นนั้นค่อนข้างแย่: CFI=.91 TLI=.88 RMSEA=.13 ยิ่งไปกว่านั้นการโหลดสำหรับแต่ละรายการค่อนข้างดี (.65+) ผิดปกติSRMR=.05ซึ่งเป็นที่ยอมรับ / ดี ดัชนีการปรับเปลี่ยนแนะนำให้ฉันเชื่อมโยงข้อผิดพลาดทั่วทุกที่ หากมีเหตุผลที่ชัดเจนในการทำเช่น (บางรายการมีถ้อยคำที่คล้ายกันมาก) ฉันจะทำเช่นนี้; แม้กระนั้นมาตรการทั้งหมดจะถูกพูดในทำนองเดียวกันและความสัมพันธ์ข้อผิดพลาดทั้งหมดจะแปลกและเจ็บปวด ฉันไม่เคยเห็นกรณีเช่นนี้ มาตรการดังกล่าวมีความสอดคล้องกันภายในและประกอบด้วยปัจจัยหนึ่งใน EFA อย่างชัดเจน แต่แสดงให้เห็นถึงความพอดีใน …

9 factor-analysis  survey  psychometrics  psychology  confirmatory-factor 

ฉันต้องการทำการวิเคราะห์องค์ประกอบหลัก (การวิเคราะห์ปัจจัย) บน SPSS โดยใช้ตัวแปร 22 ตัว อย่างไรก็ตามตัวแปรบางตัวของฉันเบ้มาก (ความเบ้คำนวณจาก SPSS อยู่ในช่วง 2-80!) ดังนั้นนี่คือคำถามของฉัน: ฉันควรเก็บตัวแปรที่เอียงเหล่านั้นไว้หรือฉันสามารถเปลี่ยนตัวแปรในการวิเคราะห์องค์ประกอบหลักได้หรือไม่ ถ้าใช่ฉันจะตีความคะแนนตัวประกอบอย่างไร ฉันควรเปลี่ยนรูปแบบใด log10 หรือ ln เดิมที KMO ของฉัน (Kaiser – Meyer – Olkin) คือ 0.413 วรรณกรรมจำนวนมากแนะนำขั้นต่ำ 0.5 ฉันยังคงทำการวิเคราะห์ปัจจัยหรือฉันต้องลบตัวแปรเพื่อเพิ่ม KMO ของฉันเป็น 0.5 หรือไม่

9 pca  factor-analysis  dimensionality-reduction  skewness 

ผู้อ่านที่ไม่ระบุชื่อโพสต์คำถามต่อไปนี้ในบล็อกของฉัน บริบท: ผู้อ่านต้องการเรียกใช้การวิเคราะห์ปัจจัยบนเครื่องชั่งจากแบบสอบถาม - แต่ข้อมูลมาจากสามีและภรรยาคู่ คำถาม: การวิเคราะห์ตัวประกอบสามารถทำงานกับข้อมูล dyadic ได้หรือไม่? ถ้าเป็นเช่นนั้นได้อย่างไร สมมติฐานความเป็นอิสระจะเก็บไว้สำหรับการวิเคราะห์ปัจจัยหรือไม่?

9 factor-analysis  independence 

แพ็คเกจทางสถิติหลายอย่างเช่น SAS, SPSS และ R ช่วยให้คุณสามารถทำการหมุนตัวประกอบต่อไปนี้ PCA ทำไมการหมุนจึงจำเป็นหลังจาก PCA ทำไมคุณถึงใช้การหมุนแบบเอียงหลังจาก PCA เนื่องจากเป้าหมายของ PCA คือการสร้างมิติมุมฉาก

9 pca  factor-analysis  factor-rotation