Beoordelingen

Belangrijkste componenten en factoranalyse

Belangrijkste componenten en factoranalyse

Hoofdcomponentenanalyse (PCA) en factoranalyse (FA) zijn statistische technieken die worden gebruikt voor gegevensreductie of structuurdetectie. Deze twee methoden worden toegepast op een enkele set variabelen wanneer de onderzoeker geïnteresseerd is om te ontdekken welke variabelen in de set coherente subsets vormen die relatief onafhankelijk van elkaar zijn. Variabelen die met elkaar gecorreleerd zijn, maar grotendeels onafhankelijk zijn van andere sets variabelen, worden gecombineerd tot factoren. Met deze factoren kunt u het aantal variabelen in uw analyse condenseren door verschillende variabelen in één factor te combineren.

De specifieke doelen van PCA of FA zijn om patronen van correlaties tussen waargenomen variabelen samen te vatten, om een ​​groot aantal waargenomen variabelen te verminderen tot een kleiner aantal factoren, om een ​​regressievergelijking te bieden voor een onderliggend proces met behulp van waargenomen variabelen, of om een theorie over de aard van onderliggende processen.

Voorbeeld

Stel dat een onderzoeker bijvoorbeeld geïnteresseerd is in het bestuderen van de kenmerken van afgestudeerde studenten. De onderzoeker onderzoekt een groot aantal afgestudeerde studenten op persoonlijkheidskenmerken zoals motivatie, intellectueel vermogen, scholastische geschiedenis, familiegeschiedenis, gezondheid, fysieke kenmerken, enz. Elk van deze gebieden wordt gemeten met verschillende variabelen. De variabelen worden vervolgens afzonderlijk in de analyse ingevoerd en correlaties worden bestudeerd. De analyse onthult patronen van correlatie tussen de variabelen waarvan wordt gedacht dat ze de onderliggende processen weerspiegelen die het gedrag van de afgestudeerde studenten beïnvloeden. Verschillende variabelen uit de metingen van intellectuele vaardigheden combineren bijvoorbeeld met enkele variabelen uit de metingen van de scholastische geschiedenis om een ​​factor te vormen die intelligentie meet. Evenzo kunnen variabelen uit de persoonlijkheidsmetingen worden gecombineerd met sommige variabelen uit de motivatie en de scholastische geschiedenis om een ​​factor te vormen die de mate meet waarin een student bij voorkeur onafhankelijk werkt - een onafhankelijkheidsfactor.

Stappen van belangrijkste componentenanalyse en factoranalyse

Stappen in hoofdcomponentenanalyse en factoranalyse omvatten:

  • Selecteer en meet een set variabelen.
  • Bereid de correlatiematrix voor om PCA of FA uit te voeren.
  • Extraheer een set factoren uit de correlatiematrix.
  • Bepaal het aantal factoren.
  • Draai indien nodig de factoren om de interpreteerbaarheid te vergroten.
  • Interpreteer de resultaten.
  • Controleer de factorstructuur door de constructvaliditeit van de factoren vast te stellen.

Verschil tussen hoofdcomponentenanalyse en factoranalyse

Belangrijkste componentenanalyse en factoranalyse zijn vergelijkbaar omdat beide procedures worden gebruikt om de structuur van een set variabelen te vereenvoudigen. De analyses verschillen echter op verschillende belangrijke manieren:

  • In PCA worden de componenten berekend als lineaire combinaties van de originele variabelen. In FA worden de oorspronkelijke variabelen gedefinieerd als lineaire combinaties van de factoren.
  • In PCA is het doel om zoveel mogelijk van de totale variantie in de variabelen te verklaren. Het doel in FA is om de covarianties of correlaties tussen de variabelen te verklaren.
  • PCA wordt gebruikt om de gegevens in een kleiner aantal componenten te verminderen. FA wordt gebruikt om te begrijpen welke constructen ten grondslag liggen aan de gegevens.

Problemen met hoofdcomponentenanalyse en factoranalyse

Een probleem met PCA en FA is dat er geen criteriumvariabele is waartegen de oplossing kan worden getest. In andere statistische technieken zoals analyse van discriminante functies, logistieke regressie, profielanalyse en multivariate variantieanalyse, wordt de oplossing beoordeeld aan de hand van hoe goed deze het groepslidmaatschap voorspelt. In PCA en FA is er geen extern criterium zoals groepslidmaatschap waartegen de oplossing kan worden getest.

Het tweede probleem van PCA en FA is dat er na extractie een oneindig aantal rotaties beschikbaar is, die allemaal dezelfde hoeveelheid variantie vertegenwoordigen in de oorspronkelijke gegevens, maar met de factor iets anders gedefinieerd. De uiteindelijke keuze wordt aan de onderzoeker overgelaten op basis van hun beoordeling van de interpreteerbaarheid en het wetenschappelijk nut ervan. Onderzoekers verschillen vaak van mening over welke keuze de beste is.

Een derde probleem is dat FA vaak wordt gebruikt om slecht opgezet onderzoek te 'redden'. Als er geen andere statistische procedure geschikt of toepasbaar is, kunnen de gegevens op zijn minst door factoren worden geanalyseerd. Dit laat velen geloven dat de verschillende vormen van FA geassocieerd zijn met slordig onderzoek.


Bekijk de video: De 3 Belangrijkste Componenten Voor Jouw Business. PODCAST #051. Jia Ruan (Juli- 2021).