আমি মনে করি পিসিএ সম্পর্কে বিভিন্ন মতামত বা মতামত রয়েছে, তবে মূলত আমরা প্রায়শই এটিকে হ্রাস প্রযুক্তি হিসাবে ভাবি (আপনি আপনার বৈশিষ্ট্যগুলির স্থানটিকে ছোট একটিতে হ্রাস করেন, প্রায়শই অনেক বেশি "পঠনযোগ্য" আপনাকে সঠিকভাবে কেন্দ্রীকরণ / মানককরণের যত্ন নেওয়ার ব্যবস্থা করে থাকেন ডেটা যখন প্রয়োজন হয়) বা সুপ্ত উপাদানগুলি তৈরির উপায়বা মাত্রাগুলি যেগুলি আন্তঃব্যক্তিকাল বিচ্ছুরণের গুরুত্বপূর্ণ অংশ হিসাবে গণ্য হয় (এখানে "ব্যক্তি" স্ট্যাটিস্টিকাল ইউনিটগুলির পক্ষে দাঁড়ায় যার উপর ডেটা সংগ্রহ করা হয়; এটি দেশ, মানুষ, ইত্যাদি হতে পারে)। উভয় ক্ষেত্রেই, আমরা মূল ভেরিয়েবলগুলির রৈখিক সংমিশ্রণগুলি তৈরি করি যা সর্বাধিক বৈকল্পিক (যখন মূল অক্ষের উপর নির্ভর করা হয়) হিসাবে চিহ্নিত হয়, যে কোনও দুটি মূল উপাদানগুলির মধ্যে orthogonality সীমাবদ্ধ subject এখন, যা বর্ণনা করা হয়েছে তা নিখুঁতভাবে বীজগণিত বা গাণিতিক এবং আমরা একে (উত্পাদনকারী) মডেল হিসাবে ভাবি না, ফ্যাক্টর বিশ্লেষণের traditionতিহ্যে যেখানে করা হয় সেখানে আমরা কোনও ধরণের পরিমাপের ত্রুটির জন্য অ্যাকাউন্টে ত্রুটি শব্দটি অন্তর্ভুক্ত করি to । আমি উইলিয়াম রেভেল তার প্রয়োগিত সাইকোমেট্রিক্স সম্পর্কিত আরবি ব্যবহার করে উইন্ডোজ রেভেলির দেওয়া ভূমিকাটি পছন্দ করি (Chapter ষ্ঠ অধ্যায়), আমরা যদি কোনও পারস্পরিক সম্পর্ক ম্যাট্রিক্সের কাঠামো বিশ্লেষণ করতে চাই, তবে
প্রথম [অ্যাপ্রোচ, পিসিএ] এমন একটি মডেল যা উপাদানগুলির পণ্যের ক্ষেত্রে পারস্পরিক সম্পর্কের মেট্রিক্সের সমান করে যেখানে প্রতিটি উপাদানটি ভেরিয়েবলের একটি ভারিত লিনিয়ার যোগফল হয়, দ্বিতীয় মডেল [ফ্যাক্টর বিশ্লেষণ ]ও পারস্পরিক সম্পর্ক ম্যাট্রিক্সের একটি অনুমান দুটি কারণের পণ্য, তবে এর কারণগুলিকে ভেরিয়েবলের ফলাফলের পরিবর্তে কারণ হিসাবে দেখা হয়।
অন্য কথায়, পিসিএর সাহায্যে আপনি প্রতিটি উপাদানকে (ফ্যাক্টর) ভেরিয়েবলের রৈখিক সংমিশ্রণ হিসাবে প্রকাশ করছেন তবে এফএতে এগুলি হল ভেরিয়েবল যা কারণগুলির একটি রৈখিক সংমিশ্রণ হিসাবে প্রকাশ করা হয়। এটি ভালভাবে স্বীকৃত যে উভয় পদ্ধতিই সাধারণত বেশ অনুরূপ ফলাফল দেয় (উদাহরণস্বরূপ হারমান, 1976 বা স্যাটেলাইট, 1978), বিশেষত "আদর্শ" ক্ষেত্রে যেখানে আমাদের সংখ্যক ব্যক্তি এবং একটি ভাল অনুপাতের কারণ রয়েছে: পরিবর্তনশীল (সাধারণত পৃথকভাবে পরিবর্তিত হয়) আপনার বিবেচনা করা লেখকের উপর নির্ভর করে 2 এবং 10 এর মধ্যে!)। এর কারণ, পারস্পরিক সম্পর্ক ম্যাট্রিক্সের ত্রিভুজগুলি অনুমান করে (যেমন এফএতে করা হয়, এবং এই উপাদানগুলি সাম্প্রদায়িকতা হিসাবে পরিচিত), ত্রুটি বৈকল্পটি ফ্যাক্টর ম্যাট্রিক্স থেকে বাদ দেওয়া হয়। এই কারণেই পিসিএ প্রায়শই গত শতাব্দীতে বিকশিত এফএ এর জায়গায় সুপ্ত কারণ বা মনস্তাত্ত্বিক কাঠামো উদ্ঘাটনের একটি উপায় হিসাবে ব্যবহৃত হয়। তবে, আমরা এই পথে চলতে চলতে আমরা প্রায়শই ফলস্বরূপ ফ্যাক্টর কাঠামোর (বা তথাকথিত প্যাটার্ন ম্যাট্রিক্স) একটি সহজ ব্যাখ্যা পৌঁছাতে চাই। এবং তারপরেই ঘটনামূলক অক্ষটি ঘোরানোর দরকারী কৌশলটি আসে যাতে আমরা নির্দিষ্ট ফ্যাক্টরের উপর ভেরিয়েবলের লোডিং সর্বাধিক করে তুলি, বা সমানভাবে একটি "সাধারণ কাঠামো" এ পৌঁছাতে পারি। অরথোগোনাল রোটেশন (যেমন ভার্মিক্স) ব্যবহার করে আমরা কারণগুলির স্বাধীনতা সংরক্ষণ করি। তির্যক ঘূর্ণন (উদাঃ ওব্লিমিন, প্রোম্যাক্স) সহ, আমরা এটিকে ভেঙে ফেলি এবং কারণগুলিকে পারস্পরিক সম্পর্ক স্থাপনের অনুমতি দেওয়া হয়। এটি সাহিত্যে মূলত বিতর্কিত হয়েছে এবং কিছু লেখককে নেতৃত্ব দিয়েছেন (মনোবিজ্ঞানী নয়, 1960 সালের প্রথম দিকে পরিসংখ্যানবিদরা '
তবে মুল বক্তব্যটি হ'ল ঘূর্ণন পদ্ধতিগুলি প্রাথমিকভাবে এফএ পদ্ধতির প্রসঙ্গে তৈরি হয়েছিল এবং এখন পিসিএর সাথে নিয়মিত ব্যবহৃত হয়। আমি মনে করি না এটি মূল উপাদানগুলির অ্যালগরিদমিক গণনার সাথে বিরোধিতা করে: আপনি আপনার ফ্যাক্টরিয়াল অক্ষগুলি যেভাবে চান তা ঘুরিয়ে দিতে পারেন, তবে আপনি যদি মনে রাখেন যে একবার সম্পর্কযুক্ত (তির্যিক রোটেশন দ্বারা) কল্পিত স্থানের ব্যাখ্যা কম স্পষ্ট হয়ে যায়।
নতুন প্রশ্নাবলী বিকাশের সময় পিসিএ নিয়মিত ব্যবহৃত হয়, যদিও এ ক্ষেত্রে এফএ সম্ভবত সম্ভবত আরও ভাল পদ্ধতির কারণ আমরা অর্থবোধক কারণগুলি বিবেচনার চেষ্টা করছি যা অ্যাকাউন্ট পরিমাপের ত্রুটিগুলি গ্রহণ করে এবং যার সম্পর্কগুলি তাদের নিজেরাই অধ্যয়ন করা যেতে পারে (উদাহরণস্বরূপ ফলাফলের ধরণটি প্রমাণ করে) ম্যাট্রিক্স, আমরা একটি দ্বিতীয়-আদেশের ফ্যাক্টর মডেল পাই)। তবে পিসিএ ইতিমধ্যে যাচাইকৃতগুলির ফ্যাক্টরিয়াল কাঠামো পরীক্ষা করার জন্যও ব্যবহৃত হয়। গবেষকরা এফএ বনাম পিসিএ সম্পর্কে আসলেই কিছু যায় আসে না, 500 টি প্রতিনিধিত্বমূলক বিষয়কে বলুন যে পাঁচটি ঘনত্ব মোকাবেলা করে 60-আইটেমের প্রশ্নপত্রটি রেট করতে বলা হয় (এটি এনইও- এফএফআইয়ের ক্ষেত্রে, উদাহরণস্বরূপ), এবং আমি তাদের সঠিক বলে মনে করি কারণ এক্ষেত্রে আমরা উত্পাদনকারী বা ধারণামূলক মডেল সনাক্তকরণে খুব বেশি আগ্রহী নই ( পরিমাপের অদম্যতার বিষয়টি উপশম করতে এখানে "প্রতিনিধি" শব্দটি ব্যবহৃত হয় )।
এখন, ঘূর্ণন পদ্ধতির পছন্দ সম্পর্কে এবং কেন কিছু লেখক orthogonal ঘূর্ণনের কঠোর ব্যবহারের বিরুদ্ধে তর্ক করেছিলেন, আমি পল ক্লিনকে উদ্ধৃত করতে চাই, যেমন আমি নীচের প্রশ্নের জবাবে বলেছিলাম, এফএ: রোটেশন ম্যাট্রিক্স নির্বাচন করা, "সাধারণ কাঠামো ভিত্তিক" মানদণ্ড " ,
(...) বাস্তব বিশ্বে, এটি বিবেচনা করা অযৌক্তিক নয় যে কারণগুলির আচরণের গুরুত্বপূর্ণ নির্ধারক হিসাবে সম্পর্কযুক্ত হবে। - পি। ক্লাইন,
গোয়েন্দা সংস্থা সাইকোমেট্রিক ভিউ , 1991, পি। 19
আমি এইভাবে এই সিদ্ধান্তে পৌঁছে যাব যে, আপনার অধ্যয়নের উদ্দেশ্যটির উপর নির্ভর করে (আপনি কি আপনার পারস্পরিক সম্পর্ক ম্যাট্রিক্সের মূল নিদর্শনগুলি হাইলাইট করতে চান বা আপনি অন্তর্নিহিত প্রক্রিয়াগুলির একটি বোধগম্য ব্যাখ্যা প্রদান করার চেষ্টা করছেন যা আপনাকে এই জাতীয় সম্পর্কযুক্ত ম্যাট্রিক্স পর্যবেক্ষণ করতে পারে) ), আপনি যে পদ্ধতিটি সবচেয়ে উপযুক্ত তা চয়ন করতে প্রস্তুত: এটি লিনিয়ার সংমিশ্রণগুলি নির্মাণের সাথে সম্পর্কিত নয়, তবে কেবলমাত্র আপনি ফলস্বরূপ স্থানটি ব্যাখ্যা করতে চান।
তথ্যসূত্র
- হারমান, এইচ এইচ (1976)। আধুনিক ফ্যাক্টর বিশ্লেষণ । শিকাগো, শিকাগো প্রেস বিশ্ববিদ্যালয়।
- ক্যাটেল, আরবি (1978)। ফ্যাক্টর বিশ্লেষণের বৈজ্ঞানিক ব্যবহার । নিউ ইয়র্ক, প্লেনিয়াম
- ক্লিন, পি। (1991)। গোয়েন্দা। সাইকোমেট্রিক ভিউ । রুটলেজ।