s***g
发帖数: 245 | 1 怎么解释那些output? 我用1个，2个或者3个factor得到不同的output
如何判断他们的好坏？根据SS loading? p value? or chi squares?
谢谢 | s***g
发帖数: 245 | 2 help plz~~~~
【在 s***g 的大作中提到】
: 怎么解释那些output? 我用1个，2个或者3个factor得到不同的output
: 如何判断他们的好坏？根据SS loading? p value? or chi squares?
: 谢谢
| i********f
发帖数: 206 | 3 用R的不是很清楚,如果是SAS的话,
你可以用SCREE PLOT决定factor的数量.
SAS还会给你一个chi-square的值,这个值是说用当前的factor数量能不能很好的代表你
的var/cor matrix
你用varimax rotation以后,可能好解释每个factor一点.
不过判断好坏就是仁者见仁的事了,我不是很清楚
【在 s***g 的大作中提到】
: 怎么解释那些output? 我用1个，2个或者3个factor得到不同的output
: 如何判断他们的好坏？根据SS loading? p value? or chi squares?
: 谢谢
| s***g
发帖数: 245 | 4 R 的 factor analysis 和 SAS 的 PCA 很相似。但是我不是很清楚每个
output的具体意思。chi-square 越小越好？谢谢
如下output如何解释？
Uniquenesses:
[1] 0.026 0.035 0.016 0.055 0.029 0.026 0.038 0.016 0.025 0.035 0.025
Loadings:
Factor1 Factor2
[1,] 0.702 0.782
[2,] 0.554 0.760
[3,] 0.730 0.813
[4,] 0.642 0.837
[5,] 0.337 0.838
[6,] 0.430 0.825
[7,] 0.727 0.554
[8,] 0.716 0.572
[9,] 0.720 0.567
[10,] 0.815 0.577
[11,] 0.730 0.554
Factor1 Factor2
SS loadings 6.409 6.218
Proporti
【在 i********f 的大作中提到】
: 用R的不是很清楚,如果是SAS的话,
: 你可以用SCREE PLOT决定factor的数量.
: SAS还会给你一个chi-square的值,这个值是说用当前的factor数量能不能很好的代表你
: 的var/cor matrix
: 你用varimax rotation以后,可能好解释每个factor一点.
: 不过判断好坏就是仁者见仁的事了,我不是很清楚
| i********f
发帖数: 206 | 5 chi-square不是越小越好,
越小的话,拒绝H0
当然chi-square只是一个参考
你这个Factor1好像下面的几个变量对应的值都比较大,所以factor1主要就是代表下面几
个变量
对应的Factor2主要代表上面的几个变量
【在 s***g 的大作中提到】
: R 的 factor analysis 和 SAS 的 PCA 很相似。但是我不是很清楚每个
: output的具体意思。chi-square 越小越好？谢谢
: 如下output如何解释？
: Uniquenesses:
: [1] 0.026 0.035 0.016 0.055 0.029 0.026 0.038 0.016 0.025 0.035 0.025
: Loadings:
: Factor1 Factor2
: [1,] 0.702 0.782
: [2,] 0.554 0.760
: [3,] 0.730 0.813
| s*****n
发帖数: 2174 | 6 首先, 你确定你要做的是因子分析而不是主成分分析吗?
如果你觉得FA和PCA很相似, 那还是最好考虑一下到底是
FA的问题还是PCA的问题. 这两个本质上还是挺不一样的,
虽然数学上有相近的地方.
【在 s***g 的大作中提到】
: R 的 factor analysis 和 SAS 的 PCA 很相似。但是我不是很清楚每个
: output的具体意思。chi-square 越小越好？谢谢
: 如下output如何解释？
: Uniquenesses:
: [1] 0.026 0.035 0.016 0.055 0.029 0.026 0.038 0.016 0.025 0.035 0.025
: Loadings:
: Factor1 Factor2
: [1,] 0.702 0.782
: [2,] 0.554 0.760
: [3,] 0.730 0.813
| s***g
发帖数: 245 | 7 我要做的是factor analysis, not PCA
【在 s*****n 的大作中提到】
: 首先, 你确定你要做的是因子分析而不是主成分分析吗?
: 如果你觉得FA和PCA很相似, 那还是最好考虑一下到底是
: FA的问题还是PCA的问题. 这两个本质上还是挺不一样的,
: 虽然数学上有相近的地方.
| Z***U
发帖数: 216 | 8 chi-square test 只是用来做参考，很多情况下，所需要的factor 的数目少于 chi-sq
uare test 得到的数目
有时你用太多 factor 还可能使 parameter 溢出parameter space，得到负值
eigenvalue
况且这个test 取决于你的数据的分布。 所以我不会用它来做决定。
决定用几个 factor，一个可以看 eigenvalue，寻找 eigenvalue 的gap， 另外根据 K
aiser's MSA， eigenvalue 太小（比如小于 1）的factor可以不要
最重要的是，你的 factor 是不是具有意义，是否能够解释，如果不能解释，variance
explained 又少，就不要。
【在 s***g 的大作中提到】
: 怎么解释那些output? 我用1个，2个或者3个factor得到不同的output
: 如何判断他们的好坏？根据SS loading? p value? or chi squares?
: 谢谢
| i********f
发帖数: 206 | 9 对了,这个负值的eigenvalue,应该是用prinit或者ml的方法时候得到的吧.
而且用prin, prinit, 和ml这三种方法的时候SCREE PLOT上拐点的位置可能不同.
这种情况应该以那个为标准呢? | Z***U
发帖数: 216 | 10 个人觉得如果
1） Correlation matrix 的 off diagonal elements较大，也就是具有一定的 correl
ation
2） Factor 的数量选择相同的话， loading 给出的解释应该是大致差不多的，虽然具
体的数值可能会有差别。
是的，负值是在 prinit 或者 ml 时才可能得到的，因为iteration之后再用来
decompose的communality 矩阵可能不再是 positive definite。
因此，prin 更多的解释了standardized responses 的 variance，
而 prinit 和 ml 更多的考虑到 correlation，所以 loading 会有不同，但是如果数据
确实具有较强的correlation，比如 MSA 较大，那么所得的所有factor 的解释不会有
很大差别。 不过个别的 factor 则会有很大差别。
【在 i********f 的大作中提到】
: 对了,这个负值的eigenvalue,应该是用prinit或者ml的方法时候得到的吧.
: 而且用prin, prinit, 和ml这三种方法的时候SCREE PLOT上拐点的位置可能不同.
: 这种情况应该以那个为标准呢?
| z**********i
发帖数: 12276 | 11 上课的时候没讲过，但做心理学，行为学什么的研究好像常用。
【在 i********f 的大作中提到】
: 用R的不是很清楚,如果是SAS的话,
: 你可以用SCREE PLOT决定factor的数量.
: SAS还会给你一个chi-square的值,这个值是说用当前的factor数量能不能很好的代表你
: 的var/cor matrix
: 你用varimax rotation以后,可能好解释每个factor一点.
: 不过判断好坏就是仁者见仁的事了,我不是很清楚
|
|
