Por qué es necesario el análisis factorial

Pregunta 1: ¿Por qué se debe realizar el análisis de regresión después del análisis factorial? La puntuación del factor FAC1-1 se utiliza para la regresión. La matriz de carga factorial es el coeficiente de correlación entre la variable original y el factor. Puede consultar la literatura en línea y generar una nueva. Los factores son irrelevantes, por lo que no es necesario realizar un análisis de correlación.

Pregunta 2: En el análisis factorial, ¿por qué es necesario rotar los factores? El análisis de componentes no puede rotar, pero el análisis factorial sí. Muchos artículos han hecho un mal uso de este aspecto. Especialista en estadística, a su servicio

Pregunta 3: ¿Por qué es necesario extraer factores más de una vez al realizar el análisis factorial de SPSS? Después de una extracción, se deben eliminar los elementos inapropiados. Después de eso, debes extraer nuevamente y eliminar el proyecto. Esto sucedió muchas veces.

Por supuesto, si los datos y la estructura son lo suficientemente buenos, puede explorar una buena estructura de inmediato.

Pregunta 4: ¿Por qué el análisis factorial spss necesita rotar los factores? La rotación de factores se realiza para describir mejor los factores resultantes en un lenguaje realista. Los factores obtenidos mediante el análisis factorial normal pueden no tener un significado lógico obvio y son difíciles de entender. Pero después de la rotación, es posible obtener factores lógicamente significativos.

Pregunta 5: El requisito previo para el análisis factorial es qué se debe hacer entre las variables. Originalmente quería darles una captura de pantalla, pero no pude cargarla, así que la explicaré brevemente.

Primero debe realizar un cálculo previo, seleccionar Análisis - Reducción de dimensionalidad - Análisis factorial en el menú, salir del panel principal, seleccionar la variable que desea analizar en el cuadro de variables y luego hacer clic en Aceptar. . En este momento habrá sólo uno o dos gráficos en la ventana de salida. Uno de los gráficos es la contribución a la varianza de los componentes principales. En este gráfico, necesita encontrar dos columnas adyacentes (deben ser la tercera y cuarta columnas), donde la primera columna se refiere a la tasa de contribución de un solo factor a la varianza, y la última columna es la tasa de contribución acumulada del factor. . Es decir, los valores de la columna anterior suman 100, los valores de la siguiente columna aumentan y la última suman 100. Si la primera columna es 60, 30, 10, entonces la última columna es 60, 90, 100. Existe una relación de suma entre las dos columnas. Después de encontrar estas dos columnas, debe encontrar el número que hace que la tasa de contribución acumulada alcance el 80%. La primera columna de esta tabla es 1, 2, 3, etc., que representa el número de factores. Por ejemplo, la fila señalada por 3 incluye la tasa de contribución de la varianza del tercer factor y la tasa de contribución de la varianza acumulada en el. tercer factor estos dos datos. Hay que averiguar qué factor es el que llega al 80% en total, y luego calcular extrayendo varios factores.

Después de saber extraer varios factores mediante el precálculo, comienza el cálculo formal. Abra nuevamente el panel principal de análisis factorial. Hay cinco opciones en el extremo derecho, a saber, descripción, extracción, rotación, puntuación y opciones. Estos cinco no se utilizan en el cálculo previo, pero se utilizan ahora. Haga clic en Continuar.

Haga clic en Descripción y seleccione las dos opciones de análisis de variables inicial, estadística kmo y prueba de esfericidad de Bartlett en el cuadro de diálogo (tenga en cuenta que kmo y Bartlett son una opción y el nombre de la opción es muy largo). paso Se utiliza para determinar si una variable es adecuada para el análisis factorial.

Haga clic en Extraer, seleccione los componentes principales para el método superior en el cuadro de diálogo, seleccione la matriz de correlación para el análisis, seleccione la solución de factores no rotados y el diagrama de pedregal para la salida, y seleccione los factores para la extracción, complete. el número de factores que calculó en el cálculo previo después del factor que se extraerá. Haga clic en Continuar.

Seleccione el método de varianza máxima en rotación y genere la solución de rotación. continuar.

En la puntuación, seleccione Guardar como variable, el método es la regresión y también se debe marcar la matriz de coeficientes de puntuación del factor de visualización. continuar.

Vale.

A continuación se pueden analizar los resultados.

Veamos primero los resultados de kmo y bartlett. Cuanto más cerca esté la estadística kmo de 1, más fuerte será la correlación de la variable y mejor será el efecto del análisis factorial. Generalmente, un valor superior a 0,7 se considera promedio y un valor inferior a 0,5 es inaceptable, lo que significa que no es adecuado para el análisis factorial.

La prueba de Bartlett comienza probando la matriz de correlación. Si el valor p es sig, si es relativamente pequeño, generalmente se considera menor que 0,05. Por supuesto, cuanto más pequeño, mejor, lo cual es adecuado para el análisis factorial.

Solo si estas dos pruebas están calificadas se puede escribir un modelo factorial.

Para facilitar la descripción, supongamos que tenemos dos factores f1, f2.

La matriz de carga factorial después de la transformación de rotación le indicará el coeficiente de cada variable representada por un factor. Por ejemplo, variable x1 = coeficiente 1*f1, coeficiente 2*f2, y así sucesivamente para la variable 2.

La matriz de coeficientes de puntuación factorial le indicará el peso de cada variable en cada factor, como f1=coeficiente 1*x1 coeficiente 2*x2. . .

En base a esto podemos calcular la puntuación del factor.

Debido a que antes elegimos guardar los factores como nuevas variables, spss guardará directamente las puntuaciones de los dos factores como dos nuevas variables.

Entonces, ¿no tenemos una fórmula?

Puntuación total = tasa de contribución de la varianza del factor 1 * puntuación del factor 1 tasa de contribución de la varianza del factor 2 * puntuación del factor 2...

Simplemente calcúlelo de acuerdo con esta fórmula.

Puedes utilizar spss o Excel.

Espero que pueda serte útil.

Curso ppv, experto en formación en big data, la plataforma de formación en big data más profesional. Proporcionarle el mejor tutorial de aprendizaje de spss.

Pregunta 6: Al realizar un análisis de regresión sobre varios componentes obtenidos después del análisis factorial, ¿por qué deberíamos considerar la multilinealidad porque no utiliza puntuaciones de factores, sino valores de cálculo lineales?

Teóricamente utiliza factores. puntuaciones

Pregunta 7: ¿Es necesario hacer un análisis factorial antes de hacer un análisis relacionado? ¿Cuál es el propósito del análisis factorial? ¡Gracias! La diferencia entre análisis de componentes principales y análisis factorial: broma:

1. En el análisis factorial, las variables se expresan como combinaciones lineales de factores, mientras que en el análisis de componentes principales, los componentes principales se expresan como

Combinación lineal de variables.

2. El enfoque del análisis de componentes principales es explicar la varianza total de cada variable, mientras que el análisis factorial se enfoca en explicar la covarianza entre variables.

3. El análisis de componentes principales no requiere supuestos, mientras que el análisis factorial requiere algunos supuestos. Los supuestos del análisis factorial

incluyen: no existe correlación entre los mismos factores, no existe correlación entre los factores específicos y no existe correlación entre los mismos factores

Hay Tampoco hay correlación entre factores especiales.

4. En el análisis de componentes principales, cuando el valor propio de una matriz de covarianza o matriz de correlación dada es único, el componente principal de

generalmente es único, mientras que el análisis factorial es la mediana; El factor no es único y se pueden obtener factores que no se pueden obtener mediante rotación.

5. En el análisis factorial, el analista debe especificar el número de factores (spss lo establece automáticamente de acuerdo con ciertas condiciones, siempre que los factores con valores propios mayores a 1 ingresen al análisis) y los resultados serán diferentes según la cantidad de factores especificados.

En el análisis de componentes principales, el número de componentes es fijo. Generalmente, hay varios componentes principales dependiendo de cuántas variables

haya.

En comparación con el análisis de componentes principales, el análisis factorial tiene

ventajas en la interpretación porque puede utilizar tecnología de rotación para ayudar a explicar los factores. En términos generales, cuando es necesario encontrar factores potenciales y explicarlos, se tiende más a utilizar el análisis factorial y utilizar técnicas de rotación para ayudar a una mejor explicación. Y si desea convertir las variables existentes en algunas

variables nuevas (las nuevas variables contienen casi toda la información de las variables originales) para análisis posteriores, puede usar la

Análisis de ingredientes.

Por supuesto, esto también se puede hacer utilizando puntuaciones factoriales. Entonces la distinción no es absoluta.

En general, el análisis de componentes principales se utiliza principalmente como técnica exploratoria. Antes de que los analistas realicen un análisis de datos multivariados,

, el análisis de componentes principales se utiliza para analizar los datos y permitirse hacerlo. Es muy importante tener una comprensión general de los datos. El análisis de componentes principales

rara vez se utiliza solo: a. (cribado de datos), b, usado junto con cluster *** ysis

, c, usado junto con análisis discriminante, por ejemplo, cuando hay muchas variables y pocos casos, el análisis discriminante se puede usar directamente

p>

puede no tener solución. En este caso, se pueden utilizar componentes principales para simplificar las variables. (reducir la dimensionalidad) d. En la regresión multivariada

, el análisis de componentes principales puede ayudar a determinar si existe linealidad (índice condicional) y también se puede utilizar para tratar la linealidad

.

Algoritmicamente, el análisis de componentes principales es muy similar al análisis factorial. Sin embargo, los elementos diagonales de la matriz de covarianza utilizados en el análisis factorial ya no son la varianza de la variable, sino que es el grado más idéntico correspondiente a. la variable (la varianza de la variable se explica por cada factor

Pregunta 8: Cuando se utiliza SPSS para el análisis factorial, ¿por qué deberían estandarizarse los datos? Si no están estandarizados o no, puede deberse a los datos en diferentes columnas. La diferencia de tamaño afecta los resultados.

Por ejemplo, el rango de una columna de datos de peso puede ser de varios gramos y todos los datos son de un solo dígito. Los datos son m, pero todos los valores reales comienzan desde 0.0001, porque el principal Durante el análisis de componentes, solo se consideran los datos y no se tienen en cuenta las unidades de medida. De esta manera, el tamaño de las dos columnas. Los datos son muy diferentes, lo que afectará los resultados. Por lo tanto, los datos están estandarizados hasta cierto punto para que el rango de datos de todas las columnas esté entre más y menos 1. Esto puede evitar el impacto de las diferencias de datos. >

Pregunta 9: ¿La evidencia empírica requiere análisis factorial? La evidencia empírica es relativa a la teoría. Cualquier cosa que involucre datos y análisis estadístico se puede llamar empírico y el análisis factorial es solo uno de muchos métodos de análisis estadístico y, naturalmente, no es necesario. (Análisis empírico de Nanxin.com SPSS)

Pregunta 10: ¿Por qué debería realizarse el análisis de regresión utilizando la puntuación factorial FAC1? Después del análisis factorial 1. Al realizar la regresión, la matriz de carga factorial es el coeficiente de correlación entre. la variable original y el factor pueden consultar la literatura en línea. Además, los factores recién generados son irrelevantes, por lo que no es necesario realizar un análisis de correlación.