主成分

主成分は、変数の特定のセット内の分散の最大レベルを説明しようとに基づいて、相関行列の対角の要素に配向されています。 そこに別の方法は、（変数の所定数未満）の因子の特定の番号を使用して相関行列の近似を実現することを目的因子分析に基づいて、あるが、方法が大幅に近似することによって最初に提案方法と異なります。

したがって、因子分析の方法は、変数自体、及び斜め彼女の外部相関マトリクス型の要素上に配向との相関関係を説明することができます。

実用化に基づいて、特定の方法の適用の必要性を理解してみてください。 因子分析は、 変数間の関係を研究し、研究者に関心がある場合には、必要性がデータの寸法を小さくする際に主成分分析が使用され、そしてより少ない程度にその解釈が必要とされて使用されています。

我々の経験から、我々は因子分析の方法は、観測の十分な数を使用していることがわかります。 この量は、特定され、多くの要因よりも高い大きさのオーダーでなければなりません。

それは多重共元データの存在下で使用することができる主要なコンポーネントは、マーケティングリサーチで非常に人気があります。 市場調査アンケートの過程で同様の質問、およびそれらに対する回答が含まれており、多重共の原則を遵守します。

主成分は、研究者は、構成要素または要素の事前選択を導くためのものでなければならない指標のセットを考慮することが賢明です。 これらの中で最も重要なのは、この要因によって説明されている変数の分散のレベルを表現するの固有値です。 （要因がある限り1以上が固有値としてあるべき）多くの要因を推定するために非常に有用である親指の一つの重要なルールは、あります。 固有値は要因を説明変数の正規化された分散のシェアを発現し、その単位を超える場合には、それらが複数の変数を含むもの分散体を発現しなければならない - このルールは少し容易に説明することができます。

経験、およびその使用の必要性だけで研究者によって決定することができる - 「個々の固有値」のルールがあることをもう一度明確にする必要があります。 例えば、固有値は団結未満の値を持っていますが、それは変数の間に分布の広がりによるものです。 マーケティングの分野における当業者は、セグメンテーション識別要因がかなりの感覚がなかったことが非常に重要です。 そして、それらの要因は、彼らが考慮されていない、複数の固有値を含むが、意味のある解釈を持っていません。 そして、それは全く逆の状況かもしれません。

因子分析の手法の実用化に関するもう一つの重要な問題 - 回転の問題。 このようなオプションの回転を考慮してもよいです。 それらの中で最も人気のある - バリマックス法。 それは、個々の因子での変数の分散の最大レベルに基づいています。 他人ながら、この方法は、いくつかの変数が高い値であるの回転を、見つけるのに役立ちます - 個々の要因に十分に低いです。

回転の別の方法 - kvartimaks、それは、個々の変数の係数が低く、高負荷の両方を有するようにした、特定の回転を見つけるのに役立ちます。

ekvimaks回転法は、上述の二つの方法の間の妥協です。

それらの使用は、個々の要素の間に相関関係を追跡することができないで、すべてのこれらの方法は、相互に直交する軸と直交しています。