मैंने सिर्फ एक तिरछा घुमाव (प्रोमैक्स) का उपयोग करके एफए चलाया है और एक आइटम ने एक कारक पर 1.041 का एक कारक लोडिंग प्राप्त किया है, (और पैटर्न मैट्रिक्स का उपयोग करके अन्य कारकों पर -1.131, और -19 और .065 का कारक लोडिंग ) । और मुझे यकीन नहीं है कि इसका क्या मतलब है, मैंने सोचा है कि यह केवल -1 और 1 के बीच हो सकता है।
क्या यह तिरछा घूमने के कारण है? और ऑर्थोगोनल कारकों के साथ 1 से अधिक लोड हो सकता है?
जवाबों:
किसने आपको बताया कि कारक लोडिंग 1 से अधिक नहीं हो सकता है? यह हो सकता है। विशेष रूप से अत्यधिक सहसंबद्ध कारकों के साथ।
SEM के एक प्रमुख अग्रणी द्वारा इसके बारे में एक रिपोर्ट से यह पारित होने से यह बहुत अधिक हो जाता है:
"यह गलतफहमी संभवतः शास्त्रीय खोजपूर्ण कारक विश्लेषण से उपजी है जहां कारक लोडिंग सहसंबंध हैं यदि एक सहसंबंध मैट्रिक्स का विश्लेषण किया जाता है और कारक मानकीकृत और असंबद्ध (ऑर्थोगोनल) होते हैं। हालांकि, यदि कारक सहसंबंधित (तिरछे) हैं, तो कारक लोडिंग प्रतिगमन गुणांक और कारक हैं। सहसंबंध नहीं और इस तरह वे परिमाण में एक से अधिक बड़े हो सकते हैं। ”
लोड हो रहा है कारक विश्लेषण में या पीसीए में ( 1 देखें , 2 देखें , 3 देखें ) प्रतिगमन गुणांक, वजन एक रैखिक संयोजन भविष्यवाणी चर (आइटम) में मानकीकृत (यूनिट विचरण) कारकों / घटकों द्वारा होता है।
से अधिक लोड करने के कारण :
कारण 1: विश्लेषण सहसंयोजक मैट्रिक्स। यदि विश्लेषण मानकीकृत चर थे, अर्थात, विश्लेषण सहसंबंध मैट्रिक्स पर आधारित था , तो निष्कर्षण के बाद या ऑर्थोगोनल रोटेशन (जैसे कि वैरिमैक्स) के बाद - जब कारक / घटक असंबंधित रहते हैं - लोडिंग भी सहसंबंध गुणांक होते हैं। यह लीनियर रिग्रेशन समीकरण की संपत्ति है: ऑर्थोगोनल मानकीकृत भविष्यवक्ताओं, पैरेसन सहसंबंधों के बराबर। इसलिए, ऐसे मामले में लोडिंग [-1, 1] से परे नहीं हो सकता है।
लेकिन अगर विश्लेषण किया गया था तो बस चर, यानी विश्लेषण सहसंयोजक मैट्रिक्स पर आधारित था , तो लोडिंग को [-1, 1] तक सीमित नहीं करना होगा क्योंकि प्रतिगमन गुणांक ऐसे मॉडल की आवश्यकता है जो सहसंबंध गुणांक के बराबर नहीं हैं। वे वास्तव में, सहसंयोजक हैं। ध्यान दें कि यह कच्चे लोडिंग थे। वहाँ "rescaled" या "मानकीकृत" लोडिंग (1 पैराग्राफ में दिए गए लिंक में वर्णित) मौजूद हैं जो कि [-1, 1] बैंड को नहीं छोड़ने के लिए rescaled हैं।
कारण 2: तिरछा घूमना। प्रोमेक्स या विस्मरण जैसे तिरछे घुमाव के बाद हमारे पास दो प्रकार के लोडिंग होते हैं: पैटर्न मैट्रिक्स (प्रतिगमन गुणांक, या प्रति से लोडिंग) और संरचना मैट्रिक्स (सहसंबंध गुणांक)। वे ऊपर दिए गए कारण के कारण एक दूसरे के बराबर नहीं हैं: सहसंबद्ध भविष्यवक्ताओं के प्रतिगमन गुणांक पीयर्सन सहसंबंधों से अलग हैं। इस प्रकार, एक पैटर्न लोडिंग आसानी से परे ले सकता है [-1, 1]। ध्यान दें कि यह तब भी सच है जब सहसंबंध मैट्रिक्स का विश्लेषण किया गया था। तो, यही कारण है कि जब कारक / घटक तिरछा होते हैं।
कारण 3 (दुर्लभ): हेवुड का मामला। हेवुड केस ( पीटी 6 ) कारक विश्लेषण एल्गोरिदम में एक कठिनाई है जब पुनरावृत्तियों पर लोड सैद्धांतिक रूप से अनुमत परिमाण से अधिक होता है - यह तब होता है जब साम्यवाद विचरण से परे हो जाता है। हेवुड का मामला एक दुर्लभ स्थिति है और कुछ डेटासेट पर आम तौर पर सामना किया जाता है जब कारकों की अनुरोधित संख्या का समर्थन करने के लिए बहुत कम चर होते हैं। कार्यक्रम बताते हैं कि हेवुड केस त्रुटि है और इसे रोकने या हल करने का प्रयास करें।