क्या एक खोजपूर्ण कारक विश्लेषण समाधान को असंबद्ध छोड़ने का कारण है?

Question

क्या एक खोजपूर्ण कारक विश्लेषण समाधान को घुमाने के लिए कोई कारण नहीं हैं?

ओरिकोगोनल समाधानों की तुलना तिरछे समाधानों से करना आसान लगता है, और मुझे लगता है कि मैं उस सामान को पूरी तरह से समझता हूं। इसके अलावा, पाठ्यपुस्तकों में मुझे जो कुछ भी मिला है, उसमें से लेखक आमतौर पर कारक विश्लेषण के आकलन के तरीकों को समझाने से सही साबित होता है कि रोटेशन कैसे काम करता है और कुछ अलग विकल्प क्या हैं। मैंने जो नहीं देखा वह पहली जगह में घूमने या न होने की चर्चा है।

एक बोनस के रूप में, मैं विशेष रूप से आभारी रहूंगा यदि कोई भी किसी भी प्रकार के रोटेशन के खिलाफ एक तर्क की आपूर्ति कर सकता है जो कारकों के आकलन के कई तरीकों के लिए मान्य होगा (उदाहरण के लिए, प्रमुख घटक विधि और अधिकतम संभावना विधि)।

Comments

कुल्हाड़ियों के रोटेशन (कारक) आम कारकों के अंतरिक्ष में चर एक-दूसरे के चर में कुछ भी नहीं बदलते हैं। रोटेशन केवल उन अक्षों (लोडिंग) पर उनके निर्देशांक को बदलता है, जो कारकों की व्याख्या करने में मदद करते हैं; यहाँ आदर्श तथाकथित "सरल संरचना" का कुछ रूप है। रोटेशन केवल व्याख्या के लिए है। आप orthogonally, बारी-बारी से, केवल इस या उस अक्ष को घुमा सकते हैं, या बिल्कुल नहीं घुमा सकते हैं। यह आपके कारक विश्लेषण के गणितीय गुणवत्ता से कोई लेना-देना नहीं है। इसलिए वे आमतौर पर चर्चा नहीं करते हैं whether or not to rotate in the first place।

— ttnphns

ठीक है, मैं समझता हूं कि समाधान को घुमाने के लिए निश्चित रूप से कई अच्छे कारण हैं। लेकिन मैं क्या पूछ रहा हूं कि क्या घूर्णन के खिलाफ किसी प्रकार का तर्क है ।

— साइकोमेट्रीको

Answer 1

हाँ, कारक विश्लेषण में रोटेशन से पीछे हटने का एक कारण हो सकता है । यह कारण वास्तव में इसी तरह है कि हम आमतौर पर पीसीए में मुख्य घटकों को घुमाते नहीं हैं (अर्थात जब हम इसका उपयोग मुख्य रूप से आयामी कमी के लिए करते हैं और अव्यक्त लक्षणों को मॉडल करने के लिए नहीं करते हैं)।

निष्कर्षण के बाद, कारक (या घटक) ओर्थोगोनल होते हैं और आमतौर पर उनके संस्करण के अवरोही क्रम में आउटपुट होते हैं (लोडिंग के स्तंभ राशि-वर्ग)। 1 कारक इस प्रकार हावी है। कनिष्ठ कारक सांख्यिकीय रूप से समझाते हैं कि 1 क्या अस्पष्टीकृत है। प्रायः वह कारक सभी चर पर बहुत अधिक लोड होता है, और इसका मतलब है कि यह चर के बीच पृष्ठभूमि के सहसंबंध के लिए जिम्मेदार है। ऐसे 1 कारक को कभी-कभी सामान्य कारक या जी-कारक कहा जाता है। यह इस तथ्य के लिए जिम्मेदार माना जाता है कि साइकोमेट्रिक्स में सकारात्मक सहसंबंध प्रबल होते हैं ।$^1$

यदि आप उस कारक की खोज करने के बजाय उसकी उपेक्षा करने में रुचि रखते हैं और उसे सरल संरचना के पीछे घुलने देते हैं, तो निकाले गए कारकों को घुमाएं नहीं। आप सहसंबंधों से सामान्य कारक के प्रभाव को भी आंशिक कर सकते हैं और अवशिष्ट सहसंबंधों के कारक-विश्लेषण के लिए आगे बढ़ सकते हैं।

---

एक तरफ निष्कर्षण कारक / घटक समाधान, और दूसरी तरफ इसके रोटेशन (ऑर्थोगोनल या तिरछा) के बीच का अंतर, यह है कि - निकाले गएलोडिंगमैट्रिक्स ए में ऑर्थोगोनल (या लगभग ऑर्थोगोनल) है, कुछ तरीकों के लिए निष्कर्षण) कॉलम: एक ' एक विकर्ण है; दूसरे शब्दों में, लोडिंग "सिद्धांत अक्ष संरचना" में रहते हैं। रोटेशन के बाद - यहां तक ​​कि एक रोटेशन भी कारकों / घटकों की ऑर्थोगोनलिटी को संरक्षित करता है, जैसे कि वैरमैक्स -लोडिंगकी ऑर्थोगोनलिटीखो जाती है: "सिद्धांत संरचना" को "सरल संरचना" के लिए छोड़ दिया जाता है। प्रिंसिपल अक्ष संरचना कारकों / घटकों के बीच "अधिक प्रिंसिपल" या "कम प्रिंसिपल" के रूप में छाँटने की अनुमति देता है$^1$$\bf A$$\bf A'A$ सभी के अधिकांश सामान्य घटक जा रहा है), जबकि सभी घुमाया कारकों / घटकों के सरल संरचना समान महत्व माना जाता है - तार्किक रूप से, आप उन्हें रोटेशन के बाद चयन कर सकते हैं नहीं: उन सभी को स्वीकार करते हैं (पं 2यहाँ)। रोटेशन से पहले और वरीमैक्स रोटेशन के बाद लोडिंग प्रदर्शित करते हुएयहांचित्र देखें।$\bf A$

Comments

रीज़, मूर और हैविलैंड (2010) आपके अंतिम वाक्य में विचार की गहराई से चर्चा करते हैं। Reise (2012) को लगता है कि bूप्टर विश्लेषण एक अतिदेय वापसी कर रहा है। मैं निश्चित रूप से चाहता हूं कि मैं जल्द ही इसके बारे में जानूं!

— निक स्टैनर

और अधिकांश कम से कम विचरण से कारकों का यह क्रम, यह आमतौर पर कारक निष्कर्षण के विभिन्न तरीकों के लिए होता है? जैसे प्रिंसिपल एक्सिस फैक्टरिंग, अधिकतम संभावना, आदि?

— मनोचिकित्सा

@psychometriko, खैर, यह हमेशा पी के साथ ऐसा है। एक्सिस। अन्य विधियों के साथ, आदेश आपके द्वारा उपयोग किए जाने वाले सॉफ़्टवेयर / पैकेज पर निर्भर हो सकता है। मैं क्या करने की सलाह देता हूं - यह सुनिश्चित करने के लिए कि 1) ऑर्डरिंग उच्चतम विचरण से निम्नतम विचरण 2 तक है) प्रत्येक पूर्ववर्ती कारक के लिए विचरण को अधिकतम किया जाता है - निष्कर्षण के बाद लोडिंग मैट्रिक्स का पीसीए करें ! (इस पीसीए को बिना केंद्र / सामान्य किए, निश्चित रूप से करें।)

— ttnphns

Answer 2

मुझे लगता है कि यह आपकी मदद कर सकता है: https://www.utdallas.edu/~herve/Abdi-rotations-pretty.pdf

सादर,

Comments

यह दस्तावेज़ वही करता है जो मैंने कहा था कि अधिकांश पाठ्यपुस्तकें करती हैं: वर्णन करें कि कारक विश्लेषण कैसे काम करता है, फिर एक समाधान और ऐसा करने के विभिन्न तरीकों को घुमाने के लिए तुरंत विवरण में जाएं। मुझे विशेष रूप से दिलचस्पी है कि क्या समाधान को घुमाने के खिलाफ कोई तर्क है । जब तक मैं कुछ याद नहीं कर रहा हूँ, मुझे विश्वास नहीं है कि लेखक इस संभावना को संबोधित करता है।

— साइकोमेट्रीको

साइट पर आपका स्वागत है, @jigbaja। यह वास्तव में ओपी के सवाल का जवाब नहीं है। यह एक टिप्पणी की अधिक है। कृपया उत्तर प्रदान करने के लिए केवल "आपका उत्तर" फ़ील्ड का उपयोग करें। मैं जानता हूं कि यह निराशाजनक है, लेकिन आप अपनी प्रतिष्ठा> 50 के बाद कहीं भी टिप्पणी कर पाएंगे। वैकल्पिक रूप से, आप इसे अधिक उत्तर देने के लिए इसे विस्तारित करने का प्रयास कर सकते हैं। चूंकि आप यहां नए हैं, आप हमारे टूर पेज को पढ़ना चाहेंगे , जिसमें नए उपयोगकर्ताओं के लिए जानकारी हो।

— गूँग - मोनिका

फैक्टर रोटेशन के परिणामों को अस्पष्ट करता है यदि एक ईजेनवल्यू हावी हो रहा है। मेरे पास एक ऐसा मामला है जहां पहले का स्वदेशी भोजन बाकी की तुलना में बहुत बड़ा है। अधिकांश रोटेशन विधियां कारकों के बीच अधिक समान रूप से विचरण को वितरित करती हैं। यह इस तथ्य को अस्पष्ट कर सकता है कि अधिकांश विचरण के पीछे एक ही अंतर्निहित कारण हो सकता है।

— एक कोहरा

जब आप कोई रोटेशन निर्दिष्ट नहीं करते हैं तो सभी FA सॉफ़्टवेयर समान नहीं होते हैं। उदाहरण के लिए, आर पैकेज umxEFA पहले चर के साथ पहले कारक को संरेखित करेगा। मैंने पाया कि क्वर्टिमैक्स रोटेशन सबसे अच्छा था जब एक ईजेनवल्यू हावी हो रहा है और कोई रोटेशन कोई विकल्प नहीं है। क्या मैं सही हूं, या एक सामान्य कारक होने पर एक बेहतर रोटेशन विधि है?

— एक कोहरे