এই উত্তরটি ফ্যাক্টর বিশ্লেষণে আবর্তনের উপর এই সাধারণ প্রশ্নটিকে সফল করে তোলে (দয়া করে এটি পড়ুন) এবং সংক্ষেপে কয়েকটি নির্দিষ্ট পদ্ধতি বর্ণনা করে।
আবর্তনগুলি পুনরাবৃত্তভাবে এবং প্রতিটি জোড় উপাদান (লোডিং ম্যাট্রিক্সের কলাম) এ সঞ্চালিত হয়। এই প্রয়োজন কারণ অপ্টিমাইজ (থেকে টাস্ক সর্বোচ্চ imize বা সর্বনিম্ন imize) উদ্দেশ্য নির্ণায়ক একযোগে সব কারণের জন্য গাণিতিকভাবে কঠিন। তবে, শেষে চূড়ান্ত ঘূর্ণন ম্যাট্রিক্স একত্রিত হয় যাতে আপনি নিজের সাথে ঘূর্ণনটি পুনরায় উত্পাদন করতে পারেন, এটির মাধ্যমে এক্সট্রাক্ট করা লোডিংগুলি , lying বিএফ এ , ঘোরানো ফ্যাক্টর স্ট্রাকচার ম্যাট্রিক্স । উদ্দেশ্য মাপদণ্ডটি ফলাফল ম্যাট্রিক্স এর উপাদানগুলির (লোডিং) কিছু সম্পত্তি ।প্রশ্নঃএকজনএ কিউ = এসএসএস
Quartimax লম্ব ঘূর্ণন করতে চাইছে সর্বোচ্চ imize ক্ষমতা 4 উত্থাপিত সব loadings এর সমষ্টি মধ্যে । সুতরাং এর নাম ("কোয়ার্টি", চার)। এটি দেখানো হয়েছিল যে এই গাণিতিক লক্ষ্যে পৌঁছানো তৃতীয় থার্সটনের "সাধারণ কাঠামোর" মাপদণ্ডকে সন্তুষ্ট করার পক্ষে যথেষ্ট সঙ্গতিপূর্ণ যা শোনায়: প্রতিটি কারণের জন্য দুটি ক্ষেত্রে যে কোনও একটির জন্য শূন্যের কাছাকাছি লোডিং সহ বেশ কয়েকটি (আদর্শভাবে = মি) ভেরিয়েবল রয়েছে sounds এবং অন্য ফ্যাক্টরের জন্য শূন্য থেকে অনেক বেশি । অন্য কথায়, অনেক বড় এবং অনেক ছোট লোডিং থাকবে; এবং ঘোরানো উপাদানগুলির একজোড়া জন্য টানা লোডিং প্লটটির পয়েন্টগুলি আদর্শভাবে দুটি অক্ষের একটির কাছেই অবস্থান করবে। কোয়ার্টিম্যাক্স এইভাবে একটি চলক ব্যাখ্যা করার জন্য প্রয়োজনীয় কারণগুলির সংখ্যা হ্রাস করেএস: এটি লোডিং ম্যাট্রিক্সের সারিগুলি "সরলকরণ" করে। তবে কোয়ার্টিম্যাক্স প্রায়শই তথাকথিত "জেনারেল ফ্যাক্টর" উত্পন্ন করে (যা বেশিরভাগ সময় ভেরিয়েবলের এফএতে কাম্য নয়; এটি বিশ্বাসযোগ্য, আমি উত্তরদাতাদের তথাকথিত কিউ-মোড এফএতে বিশ্বাস করি)।
Varimax লম্ব ঘূর্ণন করার চেষ্টা করে সর্বোচ্চ imize প্রতিটি ফ্যাক্টর মধ্যে স্কোয়ারড loadings ভ্যারিয়েন্স মধ্যে । অতএব এটির নাম ( ভ্যার ইয়ান)। ফলস্বরূপ, প্রতিটি ফ্যাক্টরের গুণক দ্বারা বড় লোডিংয়ের সাথে কেবল কয়েকটি ভেরিয়েবল থাকেএস। ভারিম্যাক্স লোডিং ম্যাট্রিক্সের কলামগুলি সরাসরি "সরল করে" এবং এর মাধ্যমে এটি উপাদানগুলির ব্যাখ্যার সুবিধার্থে সহজতর করে। লোডিং প্লটটিতে পয়েন্টগুলি একটি ফ্যাক্টরের অক্ষ বরাবর বিস্তৃত হয় এবং নিজেকে শূন্যের কাছাকাছি এবং দূর থেকে শূন্যে পোলারাইজ করতে থাকে। এই সম্পত্তিটি কিছুটা হলেও থারস্টোনসের সাধারণ কাঠামো পয়েন্টগুলির মিশ্রণকে সন্তুষ্ট করে বলে মনে হচ্ছে। ভারিম্যাক্স তবে অক্ষ থেকে অনেক দূরে অবস্থিত পয়েন্ট তৈরি করা থেকে নিরাপদ নয়, অর্থাৎ "জটিল" ভেরিয়েবলগুলি একাধিক ফ্যাক্টর দ্বারা লোড লোড। এটি খারাপ বা ঠিক আছে তা অধ্যয়নের ক্ষেত্রের উপর নির্ভর করে। ভ্যারিম্যাক্স বেশিরভাগ তথাকথিত কায়সারের স্বাভাবিককরণের সাথে একত্রে ভাল অভিনয় করে per(আবর্তনের সময় সাম্প্রদায়িকভাবে সাম্প্রদায়িকতা সমানকরণ), এটি সর্বদা ভেরিয়েম্যাক্সের সাথে ব্যবহার করার পরামর্শ দেওয়া হয় (এবং এটি অন্য কোনও পদ্ধতিতেও ব্যবহার করার পরামর্শ দেওয়া হয়)। এটি বিশেষত মনোবিজ্ঞান এবং সামাজিক বিজ্ঞানে সর্বাধিক জনপ্রিয় অরথোগোনাল ঘূর্ণন পদ্ধতি।
ইকোম্যাক্স (খুব কমই, ইকুইম্যাক্স) অরথোগোনাল ঘূর্ণনকে ভ্যারিম্যাক্সের কিছু বৈশিষ্ট্য তীক্ষ্ণ করার পদ্ধতি হিসাবে দেখা যায়। এটি আরও উন্নত করার চেষ্টায় উদ্ভাবিত হয়েছিল। ইকুয়া lization একটি বিশেষ ওজন বোঝায় যা Saunders (1962) অ্যালগরিদমের একটি কার্যকারী সূত্রে প্রবর্তিত হয়েছিল। ঘোরানো কারণগুলির সংখ্যার জন্য ইকাম্যাক্স স্ব- অ্যাডজাস্ট করে। এটি ভ্যারিয়েম্যাক্সের তুলনায় ভেরিয়েবলগুলি (অত্যন্ত লোডযুক্ত) আরও সমানভাবে বিতরণ করতে থাকে এবং এভাবে "সাধারণ" উপাদান দেওয়ার ক্ষেত্রে কম ঝুঁকির সৃষ্টি হয়। অন্যদিকে, ইকাম্যাক্সটি সারিগুলি সহজ করার জন্য কোয়ার্টিম্যাক্সের লক্ষ্য ত্যাগ করার জন্য কল্পনা করা হয়নি; ইকাম্যাক্স বরং ভ্যারিম্যাক্স এবং কোয়ার্টিম্যাক্সের সংমিশ্রণতাদের মধ্যে মধ্যে চেয়ে। তবে ইক্যাম্যাক্স ভেরিম্যাক্স বা কোয়ার্টিম্যাক্সের তুলনায় যথেষ্ট কম "নির্ভরযোগ্য" বা "স্থিতিশীল" বলে দাবি করা হচ্ছে: কিছু তথ্যের জন্য এটি মারাত্মকভাবে খারাপ সমাধান দিতে পারে অন্য ডেটাগুলির জন্য এটি সাধারণ কাঠামোর সাথে পুরোপুরি ব্যাখ্যাযোগ্য কারণগুলি সরবরাহ করে। ইকাম্যাক্সের অনুরূপ আরও একটি পদ্ধতি এবং সাধারণ কাঠামোর সন্ধানে আরও বেশি উত্সাহিত হওয়া এটিকে পার্সিম্যাক্স ("সর্বাধিক পার্সিমনি") বলা হয় (আলোচনার জন্য মুলাইক, ২০১০ দেখুন)।
আমি এখনই থামার জন্য এবং তির্যক পদ্ধতিগুলি পর্যালোচনা না করার জন্য দুঃখিত - ওব্লিমিন (" মানানসই " ছোট করে "একটি মানদণ্ড সহ") এবং প্রম্যাক্স ( ভেরি ম্যাক্সের পরে সীমাহীন প্রো ক্রুটিস রোটেশন )। এগুলি বর্ণনা করার জন্য তির্যক পদ্ধতিগুলির জন্য সম্ভবত দীর্ঘতর অনুচ্ছেদগুলির প্রয়োজন হবে, তবে আমি আজ কোনও দীর্ঘ উত্তর দেওয়ার পরিকল্পনা করিনি। উভয় পদ্ধতি এই উত্তরের পাদটীকা 5 এ উল্লিখিত হয়েছে । আমি আপনাকে মুলাইক, ফ্যাক্টর বিশ্লেষণের ভিত্তি (2010) উল্লেখ করতে পারি; প্রাচীন ক্লাসিক হারমানের বই আধুনিক ফ্যাক্টর বিশ্লেষণ (1976); এবং আপনি অনুসন্ধান করার পরে যা কিছু ইন্টারনেটে পপ আউট হয়।
ফ্যাক্টর বিশ্লেষণে ভেরিম্যাক্স এবং ওব্লিমিন ঘূর্ণনের মধ্যে পার্থক্যটিও দেখুন ; এসপিএসএস ফ্যাক্টর বিশ্লেষণে "ভেরিম্যাক্স" এর অর্থ কী?