Ditionতিহ্যবাহী (লিনিয়ার) পিসিএ এবং ফ্যাক্টর বিশ্লেষণের জন্য স্কেল-লেভেল (অন্তর বা অনুপাত) ডেটা প্রয়োজন। প্রায়শই পছন্দসই ধরণের রেটিং ডেটা স্কেল-লেভেল হিসাবে ধরে নেওয়া হয়, কারণ এই জাতীয় ডেটা বিশ্লেষণ করা সহজ। এবং সিদ্ধান্তটি কখনও কখনও পরিসংখ্যানগতভাবে নিশ্চিত হয়, বিশেষত যখন আদেশযুক্ত বিভাগগুলির সংখ্যা 5 বা 6-এর বেশি হয় (যদিও নিখুঁতভাবে যৌক্তিকভাবে তথ্যের ধরণের প্রশ্ন এবং স্কেল স্তরের সংখ্যা পৃথক)
আপনি যদি বহুকোষযুক্ত পছন্দসই স্কেলটিকে অর্ডিনাল হিসাবে বিবেচনা করতে পছন্দ করেন তবে? বা আপনার কাছে দ্বিগুণ তথ্য আছে? তাদের জন্য অনুসন্ধানী ফ্যাক্টর বিশ্লেষণ বা পিসিএ করা কি সম্ভব?
শ্রেণিবদ্ধ অর্ডিনাল বা বাইনারি ভেরিয়েবলগুলিতে এফএ সম্পাদনের জন্য প্রধানত তিনটি পন্থা রয়েছে (পিসিএ সহ এটির বিশেষ কেস হিসাবে) ( বাইনারি ডেটা কেস সম্পর্কে এই অ্যাকাউন্টটিও পড়ুন , এবং সাধারণ স্কেল দিয়ে কী করা যেতে পারে সে সম্পর্কে এই বিবেচনা)।
অনুকূল স্কেলিং পদ্ধতির ( অ্যাপ্লিকেশনগুলির একটি পরিবার )। একে শ্রেণীবদ্ধ পিসিএ (ক্যাটপিসিএ) বা ননলাইনার এফএ বলা হয়। ক্যাটপসিএতে, নিয়মিত ভেরিয়েবলগুলি একরকমভাবে তাদের "অন্তর্নিহিত" অন্তর্বর্তী সংস্করণগুলিতে রূপান্তরিত হয় "উদ্দেশ্যটির অন্তর্গত সংস্করণগুলিতে inter ব্যবধানের তথ্যগুলি থেকে উত্তোলিত প্রধান উপাদানগুলির নির্বাচিত সংখ্যার দ্বারা ব্যাখ্যা করা বৈকল্পিকতা সর্বাধিকতর করা যায়। যা পদ্ধতিটি খোলামেলাভাবে লক্ষ্য-চালিত করে তোলে (তত্ত্ব-চালিতের পরিবর্তে) এবং মূল উপাদানগুলির সংখ্যা আগেই সিদ্ধান্ত নেওয়া গুরুত্বপূর্ণ। যদি পিসিএর পরিবর্তে সত্যিকারের এফএ প্রয়োজন হয়, তবে স্বাভাবিক লিনিয়ার এফএ স্বাভাবিকভাবেই ক্যাটপিসিএ থেকে রূপান্তরিত ভেরিয়েবল আউটপুটটিতে সম্পাদন করা যেতে পারে। বাইনারি ভেরিয়েবলের সাহায্যে ক্যাটপিসিএ (আফসোস?) স্বাভাবিক পিসিএর মতো আচরণ করে, অর্থাৎ এটি যেন অবিচ্ছিন্ন পরিবর্তনশীল। ক্যাটপসিএ নামমাত্র ভেরিয়েবল এবং ভেরিয়েবল টাইপের কোনও মিশ্রণ গ্রহণ করে (দুর্দান্ত)।
অনুমিত অন্তর্নিহিত পরিবর্তনশীল পদ্ধতির। টেট্রাকোরিক (বাইনারি ডেটার জন্য) বা পলিচরিক (অর্ডিনাল ডেটার জন্য) পারস্পরিক সম্পর্কের উপর সম্পাদিত পিসিএ / এফএ হিসাবে পরিচিত । সাধারণ বিতরণ প্রতিটি ম্যানিফেস্ট ভেরিয়েবলের জন্য অন্তর্নিহিত (তারপরে বিন্যস্ত) অবিচ্ছিন্ন ভেরিয়েবলের জন্য ধরে নেওয়া হয়। তারপরে ক্লাসিক এফএ প্রয়োগ করা হয়েছে উপরোক্ত পারস্পরিক সম্পর্কগুলি বিশ্লেষণ করতে। পদ্ধতির সাহায্যে খুব সহজেই অন্তর, অর্ডিনাল, বাইনারি ডেটার মিশ্রণ পাওয়া যায়। পদ্ধতির একটি অসুবিধা হ'ল - পারস্পরিক সম্পর্কগুলি অনুমান করাতে - এর অন্তর্নিহিত ভেরিয়েবলগুলির বহুবিধ বিতরণ সম্পর্কে কোনও ধারণা নেই, - বেশিরভাগ দ্বিখণ্ডিত বিতরণে "গর্ভধারণ" করতে পারে, সুতরাং সম্পূর্ণ তথ্যের উপর নির্ভর করে না।
আইটেম প্রতিক্রিয়া তত্ত্ব (আইআরটি) পদ্ধতির। কখনও কখনও লজিস্টিক এফএ বা সুপ্ত বৈশিষ্ট্য বিশ্লেষণও বলা হয়। বাইনারি লগইটের খুব কাছাকাছি একটি মডেল (বাইনারি ডেটার জন্য) বা আনুপাতিক লগ প্রতিক্রিয়া (অর্ডিনাল ডেটার জন্য) মডেল প্রয়োগ করা হয়। অ্যালগরিদম কোনও সম্পর্কযুক্ত ম্যাট্রিক্সের পচন সঙ্গে আবদ্ধ নয়, সুতরাং এটি traditionalতিহ্যবাহী এফএ থেকে কিছুটা দূরে, এখনও এটি একটি উদ্দীপনা সুস্পষ্ট শ্রেণিবদ্ধ এফএ। "বৈষম্য পরামিতি" এফএ-এর লোডিংয়ের সাথে ঘনিষ্ঠভাবে মিলিত হয়, তবে "অসুবিধা" এফএর "স্বতন্ত্রতা" ধারণাটি প্রতিস্থাপন করে। আইআরটি ফিটিং নিশ্চিতকরণ কারণগুলির সংখ্যা বৃদ্ধি হওয়ায় দ্রুত হ্রাস পায় যা এই পদ্ধতির সমস্যাযুক্ত দিক। মিশ্র বিরতি + বাইনারি + অর্ডিনাল এবং সম্ভবত নামমাত্র ভেরিয়েবলগুলি অন্তর্ভুক্ত করার জন্য আইআরটি তার নিজস্ব উপায়ে বোধগম্য।
ক্লাসিক এফএ বা পদ্ধতির (1) এ ফ্যাক্টর স্কোরগুলি (2) এবং (3) ফ্যাক্টর স্কোরগুলির চেয়ে অনুমান করা আরও কঠিন difficult তবে বেশ কয়েকটি পদ্ধতি বিদ্যমান (প্রত্যাশিত বা সর্বাধিক অ্যাপোসেরিওরি পদ্ধতি, সর্বাধিক সম্ভাবনার পদ্ধতি ইত্যাদি)।
Analysis তিহ্যবাহী এফএ হিসাবে তিনটি পদ্ধতির মধ্যে ফ্যাক্টর বিশ্লেষণের মডেল অনুমানগুলি প্রধানত একই। পদ্ধতির (1) আর, এসপিএসএস, এসএএস (আমার মনে) উপলব্ধ। পদ্ধতির (2) এবং (3) বেশিরভাগ বিশেষায়িত সুপ্ত-পরিবর্তনশীল প্যাকেজগুলিতে প্রয়োগ করা হয় - এমপ্লাস, এলআইএসআরএল, ইসিউএস Q
বহুপদী পন্থা। এটি এখনও পুরোপুরি বিকশিত হয়নি। প্রধান উপাদানগুলি ভেরিয়েবলের বহুপদী সংমিশ্রণ হিসাবে মডেল করা যেতে পারে ( বহুবচনগুলি ব্যবহার করে অর্ডিনাল রেজিস্ট্রারগুলির ননলাইনাল এফেক্টস মডেল করার একটি জনপ্রিয় উপায়))। এছাড়াও, পরিলক্ষিত পর্যবেক্ষণ বিভাগগুলিকে সুপ্ত কারণগুলির বহুপদী সংমিশ্রণের স্বতন্ত্র প্রকাশ হিসাবে মডেল করা যেতে পারে।
মাত্রিকতা হ্রাসের অলৈখিক কৌশলগুলির একটি সমৃদ্ধ ক্ষেত্র রয়েছে ; শ্রেণীবদ্ধ তথ্য (বিশেষত বাইনারি বা একটি উচ্চ মাত্রিক স্পার্স ডেটাসেটে বাইনারি করার পরে) এর সাথে কাজ করার জন্য তাদের কিছু প্রয়োগ বা গৃহীত হতে পারে।
শ্রেণিবদ্ধ তথ্য (স্পিয়ারম্যান / কেন্ডাল / সামারস ইত্যাদি) জন্য উপযুক্ত র্যাঙ্ক পারস্পরিক সম্পর্ক বা অন্যান্য সংস্থাগুলিতে ক্লাসিক (লিনিয়ার) এফএ / পিসিএ সম্পাদন করা। অর্ডিনাল ডেটাগুলির ক্ষেত্রে, এটি নিখুঁতভাবে হিউরিস্টিক পন্থা, তাত্ত্বিক ভিত্তির অভাব রয়েছে এবং এটি মোটেও প্রস্তাবিত নয়। বাইনারি ডেটা সহ, স্পিয়ারম্যান আরএইচ এবং কেন্ডাল টাউ-বি পারস্পরিক সম্পর্ক এবং ফাই অ্যাসোসিয়েশন সমস্ত সমান পিয়ারসন আর পারস্পরিক সম্পর্ক, সুতরাং সেগুলি ব্যবহার করা বাইনারি ডেটাতে সাধারণ রৈখিক এফএ / পিসিএ করা ছাড়া কিছুই নয় (এটির কিছু বিপদ এখানে )। এটা তোলে (প্রশ্নাতীত না যদিও) বিশ্লেষণ করছেন সম্ভব rescaled তার বর্তমান মাত্রার আবদ্ধ wrt।r
এছাড়াও দেখুন এই , এই , এই , এই , এই , এই , এই , এই ।