Компонентами с малым рассеянием можно пренебречь. Преимущество основного компонента заключается в предоставлении уникального факторного решения, при котором скрытые переменные набирают максимально возможный процент рассеяния. Поэтому этот метод является одним из наиболее часто используемых. Подсудимый утверждает, что этот метод не является методом, который лучше всего объясняет соотношение переменных манифеста.

Метод основной оси аналогичен методу основного компонента, за исключением того, что матрица коэффициентов корреляции заменяется приведенной корреляционной матрицей. Факторы извлекаются таким образом, чтобы минимизировать сумму квадратов остаточных коэффициентов корреляции, которые не лежат на диагоналях корреляционной матрицы.

Метод извлечения факторов аналогичен методу наименьших квадратов. Учитываются коэффициенты остаточной корреляции, так что корреляции переменных с более высокой уникальностью имеют более низкий вес, чем корреляции переменных с меньшей уникальностью. Оценка метода максимальной достоверности является очень продвинутой процедурой, которая обычно приводит к тем же результатам, что и метод наименьших квадратов, предполагая нормальное деление. Чтобы понять этот метод, важно понять, что мы не проводим анализ факторного анализа при базовом опросе, а только при выборе из этого файла.

Поэтому мы должны различать три типа понятий. Прежде всего, в базовом файле есть неизвестные коэффициенты корреляции, которые также связаны с неизвестными факторами и уникальностью. Основой для расчета является метод максимальной достоверности функции оценки. Это определяется как вероятность появления нашего выбора на основе значений параметров базового файла.

Максимальными являются максимальные значения максимальной максимальной функциональности. Для математического нахождения максимальной функции функции построим произвольное отношение, которое является мерой «несоответствия» оценки параметров с данной корреляционной матрицей. Эта степень не зависит от типа распределения и выражает степень, в которой остаточные коэффициенты корреляции близки к нулю. Если предположение о нормальности обследованных данных является удовлетворительным и набор выбора является большим, то можно дополнительно доказать, что разумное соотношение делится на χ 2 с числом степеней свободы.

Мы можем использовать метод максимальной достоверности без предположения о нормальности. Альфа-метод предполагает, что изменение, а не случай, происходит из выбора. Факторинг изображения - конкретная часть переменной определяется как линейная регрессия остальных переменных.

Независимо от метода извлечения факторов, существует бесконечно много факториальных решений. Это означает, что существует множество других альтернатив для сбора данных одинаково хорошо для каждой оценки весовых коэффициентов. Поэтому во второй фазе факторного анализа факторы трансформируются, чтобы мы могли их интерпретировать как можно проще. Практика показала, что лучше всего интерпретировать такие факторы, фабрики которых потеряют значение миль один или ноль. Это означает, что каждый манифест сильно коррелирован с некоторыми факторами, а с другими факторами слабо коррелирует.

Эта фаза фазового анализа называется вращением факторов. Предполагается, что название «вращение» происходит потому, что для двух факторов мы можем представить эту операцию как вращение, т.е. вращение коаксиальных осей. Это можно проиллюстрировать, например. на следующем примере.

Представьте себе факториальное решение в форме. Это факторное решение показано на рисунке. Мы видим, что поворот действительно пришел к тому, что некоторые заводы практически ничтожны или ничтожны. Вращающееся факториальное решение имеет грубую форму. Понятие вращения связано с простой структурой матричной матричной матрицы. Матричный коэффициент веса имеет простую структуру, когда.

Каждая строка содержит по крайней мере один ближайший нуль. Каждый столбец содержит по крайней мере столько маленьких весов, сколько и коэффициент. Для каждой пары столбцов существует по меньшей мере столько пар переменных, одна из которых имеет небольшую долю в одном коэффициенте, а другая - большой фактор во втором сомножителе того, сколько факторов является общим.

Это определение простой структуры матрицы неясно, потому что оно не указывает, какой фактор близок к нулю, малый и большой. На практике, однако, мы будем отклоняться от этого определения. Если бы мы двигались в теоретической плоскости, «почти нулевой» и «малый» пришлось бы заменить словом «ноль», а выражение «большой» было бы отличным от нуля. На практике, однако, мы вряд ли сможем получить нулевые весовые коэффициенты.

Обычно принято учитывать коэффициенты веса по абсолютной величине менее 0, 3 как «близкие нулю» и учитывать «большие» весовые коэффициенты по абсолютной величине больше 0. Частным случаем простой структуры матрицы факторных весов являются независимые кластеры, каждая из которых имеет ненулевое отношение только к одному фактору. Принцип простой структуры матричной матричной матрицы заставляет Турстон использовать тот факт, что мы не используем одновременно все наши способности для решения когнитивных проблем.

Таким образом, приемлемость требования простой структуры может быть скорее способом человеческого мышления, чем характер рассматриваемых данных. Предложен ряд методов поворота факторов, большинство из которых основано на так называемой функции простоты, которая является функцией всех элементов матрицы факторных весов. Он предназначен для максимизации или минимизации приближенного приближения простой структуры. На основе основанных на них методов создано несколько вариантов функций простоты, основанных на другом решении.

Более того, трудно определить, какая неявная функция, как правило, лучшая. Поэтому он остается только экспертом, который использует методы. Решения имеют несколько строк. Первым шагом является решение между прямоугольным и наклонным вращением. Мы можем представлять прямоугольное вращение как вращение всех осей под одним углом, что обеспечит решение некоррелированных факторов. Основной причиной использования ортогонального вращения является предположение о том, что скрытые изменения должны быть основными, независимыми и, следовательно, некоррелированными, изменениями.

В сложном решении мы получаем коррелированные факторы, которые часто соответствуют реальностям. Например, тесты когнитивных способностей, как правило, коррелируют положительно и обеспечивают один общий фактор - общий интеллект. Однако в случае вращения ситуация более сложная, мы можем получить две матрицы весовых коэффициентов - с одной стороны, так называемая факторная модель, содержащая коэффициенты регрессии, изменяющиеся по факторам и так называемая факторная структура, которая содержит коэффициенты корреляции.

Для ортогонального вращения эти две матрицы одинаковы. Мы используем матрицу фактор-структур для интерпретации факторов с наклонным вращением. Индивидуальные методы вращения списываются в порядке наиболее часто используемых. Его можно рассматривать как метод упрощения факторов. Функция простоты здесь задается набором вариаций квадратов весовых коэффициентов в отдельных столбцах. Поскольку интерпретируются факторы с небольшим числом высоких оценок в интерпретациях, этот метод наиболее подходит для новичков, потому что он требует сравнительно небольшого опыта для интерпретации факторов.

Этот метод имеет тенденцию не создавать один общий фактор. Функция простоты здесь задается набором диффузий квадратов весовых коэффициентов в отдельных линиях. Можно сказать, что это упрощающий метод, поэтому он имеет тенденцию оставлять один общий фактор. Сведено к минимуму, как считать переменные с высокими ставками с каждым общим фактором, поэтому подсчитайте факторы, которые необходимы для объяснения отдельных переменных.

Это касается ортогонального вращения. Он в основном используется там, где, исходя из характера опрошенных данных и полученных факторов, очевидно, что факторы могут не быть независимыми. Общая практика интерпретации факторов заключается в том, что мы описываем этот фактор как нечто, что является общим с теми, у кого высокие факторы в этом факторе. Нецелесообразно спрашивать, что у них общего с нулевыми ставками. Таким образом, тот, кто выполняет интерпретацию, задается вопросом, что у группы высокофакторных весов есть общее, чтобы попытаться определить фактор.

Если есть высокие застойные веса, их можно представить как грязные на других веслах. Такой непрозрачный крик - это, например, рассказ в школе. В отличие от большинства тестировщиков, чьи прыжки растут с увеличением мощности или возможностей, восходящий тренд уменьшается с ростом мощности. Например, правило состоит в том, что если факторный анализ является фактором с высокими коэффициентами веса в дидактических тестах, проверке способности и знаке, фактор имеет гораздо больший вес в тесте, чем коэффициент метки по отношению к знаку.

При интерпретации факторов необходимо проявлять осторожность и думать о том, действительно ли настоящее имя фактора выступает за фактор. Важно понимать, что проблемы факторов - это просто попытки уловить их сущность. Факторное упражнение служит как характеристикой наблюдаемых индивидуумов, так и искусственным для следующего анализа.

На первый взгляд ясно, что так же, как нет однозначно определенного решения факторов, невозможно определить даже фактор-фактор. Если мы удовлетворены грубыми оценками, мы можем представить эскиз фактора в каждом отдельном случае просто как комбинацию этих манифестационных переменных, чтобы данный фактор, если таковой имел место, использовал результаты факторного анализа и понижение значений переменных многообразия соответствующими весовыми коэффициентами. На практике используются более точные математические методы, учитывающие не только весовые коэффициенты, но и рассеяние единственности.

Наиболее распространенными методами оценки факторного фактора являются метод регрессии и обобщенный метод наименьших квадратов. Общей чертой обоих этих методов является то, что скремблирование факторов может учитываться как по повернутому, так и по нестандартному определению факторов по той же формуле. Но чаще всего используется повернутый решатель факторов.

Метод регрессии получил свое название на основе следующих соображений: в фактор-модели мы знаем регрессионные балансы к явным переменным общих факторов вместе со своими остатками. Коэффициенты регрессии факторов на переменные, однако, отличаются от коэффициентов регрессии, измененных факторами, т.е. коэффициентами.